Introducción A La IA

December 2, 2022 | Author: Anonymous | Category: N/A
Share Embed Donate


Short Description

Download Introducción A La IA...

Description

 

TEMA: BIG DATA E INTELIGENCIA ARTIFICIAL

ING. ERICK GIOVANNY FLORES CHACÓN

2022

 

ALGUNA DEFINICIONES IMPORTANTES Ciencia de datos La ciencia de datos es el dominio de estudio que se ocupa de grandes volúmenes de datos ulizando herramientas y técnicas modernas para encontrar patrones invisibles, obtener información signicava y tomar decisiones comerciales. La ciencia de datos uliza complejos algoritmos de aprendizaje automáco para crear modelos predicvos. Fuente: Analycs Insight . WHAT W HAT SHOULD THE SOFT SKILLS DATA DATA SCIENTIST KNOW IN 2022 hps://www.analycsinsight.net/w hps://www .analycsinsight.net/what-is-the-so-skills-da hat-is-the-so-skills-data-scienst-should-kno ta-scienst-should-know-in-2022/ w-in-2022/  

Flowers Chacon Erick Giovanny    

Inteligencia Arfcial (IA) Se puede considerar a la IA como la capacidad de las máquinas para usar algoritmos, aprender de los datos y ulizar lo aprendido en la toma de decisiones tal y como lo haría un ser humano Fuente: Lasse Rouhiainen, Inteligencia arcial, hps://stac0planetadelibroscom.cd 0planetadelibroscom.cdnstacs.com/libr nstacs.com/libros_contenido_extr os_contenido_extra/40/39308_Inteligenci a/40/39308_Inteligencia_arcial.pdf  a_arcial.pdf   hps://stac

Flowers Chacon Erick Giovanny  

Big Data El concepto de Big Data, es como se denomina, al tratamiento y análisis de candades enormes de datos, con el objevo de generar perles y patrones. Nos referimos a unos volúmenes tan grandes que son imposibles de tratar con las herramientas de bases de datos y analícas convencionales convencionales actuales. Fuente: Arquitectura de sistemas y Big Data. Escuela Abierta de Desarrollo en Ingeniería y Construcción.

Flowers Chacon Erick Giovanny  

Escenario para Big Data

TOMA DE DECISIONES    t  e   r   o   p    S   o  o

 

CIENCIA DE DATOS Encuentra patrones invisibles y obene información informació n signicava

S     o     p    o    r    t    e   

INTELIGENCIA ARTIFICIAL (IA)

Aprende Uliza

Capacidad de las máquinas para usar algoritmos

Ulizan

Ulizan Grandes volúmenes de información información

…… que son imposibles de tratar con las herramientas de bases de datos y analícas convencionales convencionales

Escenario pernente

Big Data

Flowers Chacon Erick Giovanny  

Inteligencia Arfcial (IA)

Funete: apd hps://www.apd.es/tecnicas-de-la-inteligencia hps://www .apd.es/tecnicas-de-la-inteligencia-arcial-cuales-son-y-para-que-se-ulizan/ -arcial-cuales-son-y-para-que-se-ulizan/  

 

Fuente: apd hps://www.apd.es/el-gran-impacto-de-la-inteligencia-arcial-en-las-empresas/   hps://www.apd.es/el-gran-impacto-de-la-inteligencia-arcial-en-las-empresas/

 

El crecimiento de la inteligencia artificial en las empresas

Aunque su presencia todavía es muy incipiente, la inteligencia artificial se va abriendo camino en todos los  procesos empresariales. La consultora Gartner resalta en uno de sus últimos informes que en el año 2025 el uso de la IA estará muy extendido y liderará la inversión tecnológica de las empresas. Queda clara su importancia en las empresas y su papel hegemónico a corto y medio plazo. Pero en realidad, la aplicación de la tecnología inteligente a la empresa no es algo nuevo. Se viene realizando desde siempre, aunque a distintas escalas, teniendo su base en la automatización de procesos de trabajo en fábricas. La clave de su implementación hoy es enseñar a esas máquinas a solucionar problemas y a tomar decisiones de forma más o menos autónoma. Para lograrlo, se basa en  cuatro pilares: Algoritmos genéticos. Similares a la secuencia de pasos con la que se forma el ADN. Redes neuronales artificiales. Con nodos de conexión que simulan el cerebro humano. pensamiento to abstracto. Razonamiento lógico. Equiparable al pensamien Búsqueda del estado solicitado. Eligiendo entre las distintas posibilidades, algo similar a las decisiones que debe evaluar un ajedrecista antes de hacer un movimiento. •







Fuente: apd hps://www.apd.es/el-gran-impacto-de-la-inteligencia-arcial-en-las-empresas/ 

 

Las técnicas de inteligenc inteligencia ia artificial  hacen referencia a diferentes campos de investigación y de desarrollo de aplicación de la inteligenci inteligenciaa artificial. 1. Machine Machine learn learning ing o aprend aprendizaje izaje auto automáti mático co 2. Fu Fuzzy zzy logic logic o lóg lógica ica di difus fusaa 3. Vid idaa artif artific icia iall 4. 5. 6. 7. 8. 9.

Si Sist stem expe ex osnería Data Da taemas Mas Min ining ingpert ortos mi miner ía de de datos datos Rede Re dess Baye Bayesi sian anas as Ingeni Ing enierí eríaa del del conoc conocimi imient ento o Redes Red es neur neurona onales les arti artific ficial iales es Sist Si stem emas as rea react ctiv ivos os

10. Sistemas basados en reglas 11. Razonamien Razonamiento to basado en casos 12. Técnicas de Representación Representación de Conocimiento Conocimiento 13. Rede Redess semánticas semánticas 14. Lingüística computacio computacional nal 15. Procesamien Procesamiento to del lenguaje natural natural

Fuente: adp hps://www.apd.es/tecnicas-de-la-inteligencia-arc hps://www .apd.es/tecnicas-de-la-inteligencia-arcial-cuales-son-y-para-que-se-ulizan/ ial-cuales-son-y-para-que-se-ulizan/  

 

Fuente: cognodata, hps://www.cognodata.com/machine-learning-ejemplos-diarios/ 

 

Fuente: cognodata,

hps://www.cognodata.com/machine-learning-ejemplos-diarios/   

Fuente: cognodata, hps://www.cognodata.com/machine-learning-ejemplos-diarios/ 

 

Fuente: cognodata, hps://www.cognodata.com/machine-learning-ejemplos-diarios/ 

 

Algoritmos de Machine Learning

Fuente: Graph hps://www.grapheverywher hps://www.gr apheverywhere.com/algoritm e.com/algoritmos-de-machine-l os-de-machine-learning/ earning/  

 

Fuente: hps://www.grapheverywhe hps://www.g rapheverywhere.com/algoritm re.com/algoritmos-de-machineos-de-machine-learning/ learning/  

 

hps://medium.com/datos-y hps://medium.c om/datos-y-ciencia/algoritmo -ciencia/algoritmos-naive-bayes-fu s-naive-bayes-fu damentos-e-implementaci%C3%B3n-4bcb24b307f   

 

hps://openwebinars.net/blog/modelos-de-machine-learning/   hps://openwebinars.net/blog/modelos-de-machine-learning/

 

Fuente: hps://www.grapheverywhe hps://www.g rapheverywhere.com/algoritm re.com/algoritmos-de-machineos-de-machine-learning/ learning/  

 

Fuente: hps://www.grapheverywhere hps://www.gr apheverywhere.com/algoritmo .com/algoritmos-de-machine-lea s-de-machine-learning/ rning/  

 

hps://es.wikipedia.org/wiki/P hps://es. wikipedia.org/wiki/Perceptr%C3%B3n_m erceptr%C3%B3n_mulcapa ulcapa  

 

Fuente: hps://www.grapheverywher hps://www.g rapheverywhere.com/algoritm e.com/algoritmos-de-machine-l os-de-machine-learning/ earning/  

 

hps://unipython.com/deep-learning-a hps://un ipython.com/deep-learning-aprendizaje-pr prendizaje-profundo/ ofundo/  

 

Fuente: hps://www.grapheverywhere.c hps://www.gr apheverywhere.com/algoritm om/algoritmos-de-machine-lear os-de-machine-learning/ ning/  

 

Fuente: bismart hps://blog.bismart.com/las-5-mej hps://blog.bi smart.com/las-5-mejores-herramien ores-herramientas-de-machin tas-de-machine-learning-pa e-learning-para-empresas ra-empresas  

 

Fuente: bismart hps://blog.bismart.com/las-5-mej hps://blog.b ismart.com/las-5-mejores-herramien ores-herramientas-de-machin tas-de-machine-learning-par e-learning-para-empresas a-empresas

 

Fuente: bismart

hps://blog.bismart.com/las-5-mej hps://blog.b ismart.com/las-5-mejores-herramien ores-herramientas-de-machin tas-de-machine-learning-p e-learning-para-empresas ara-empresas  

 

Fuente: bismart

hps://blog.bismart.com/las-5-mej hps://blog.b ismart.com/las-5-mejores-herramien ores-herramientas-de-machin tas-de-machine-learning-p e-learning-para-empresas ara-empresas  

 

Fuente: bismart hps://blog.bismart.com/las-5-mejo hps://blog.bism art.com/las-5-mejores-herramien res-herramientas-de-machine tas-de-machine-learning-par -learning-para-empresas a-empresas  

 

Fuente: Computerworld

hps://www.computerworld.es/tecno .computerworld.es/tecnologia/cuales-son-los-mejores-lenguajes-de-prog logia/cuales-son-los-mejores-lenguajes-de-programacion-para-el-desarrollo-de-la-ia ramacion-para-el-desarrollo-de-la-ia hps://www

 

Fuente: Computerworld

Fuente: Computerworld hps://www hps://www.computerworld.es/tecno .computerworld.es/tecnologia/cuales-son-los-mejores-lenguajes-de-prog logia/cuales-son-los-mejores-lenguajes-de-programacion-para-el-desarrollo-de-la-ia ramacion-para-el-desarrollo-de-la-ia

 

Fuente: Computerworld hps://www.computerworld.es/t .computerworld.es/tecnologia/cuales-son-los-mejores-lenguajes-de-pro ecnologia/cuales-son-los-mejores-lenguajes-de-programacion-para-el-desarrollo-de-la-ia gramacion-para-el-desarrollo-de-la-ia hps://www

      

DATTA ARQUITECTURA DE BIG DA Orígenes de datos Ingesta en modo batch

Datos Estructurados

Data Warehouse Data Mart Data Lake

Visualización Reporng y

Algoritmos supervisados Algoritmos no supervisados

ETL Ingesón de datos: Sqoop

Almacenamiento HDFS

Procesamiento: Apache Spark

Almacenamiento de Resultados: HDFS, Hive

Datos No Estructurados Ingesta en modo Realme Almacenamiento de resultados en empo Real: HDFS, Hive

Disposivos de IoT

Datos de redes sucursales

Ingesón de datos: Apache Kaa

Maturity model o business intelligence models

Procesamiento: Spark Streaming Alertas y nocaciones

Datos de aplicaciones móviles Machine Learning

 

Maturity model o business intelligence models

 

Fuente: hps://www.bigdata. hps://www .bigdata.uma.es/que-es uma.es/que-es-spark-y -spark-y-como-revoluci -como-revoluciona-al-big-data-y ona-al-big-data-y-al-machine-learni -al-machine-learning/ ng/

 

Fuente: hps://www.bigdata.uma.es/que-es-spark-y-como-revoluciona-al-big-data-y-al-machine-learning/

 

View more...

Comments

Copyright ©2017 KUPDF Inc.
SUPPORT KUPDF