Seminario 14 de Noviembre 2023
Horario: 14:30 - 16:00
Statistical learning transforming data into knowledge, applications to health and environment.
Paulo Canas Rodrigues
Actualmente existen datos en todo nuestro alrededor como en redes sociales, clima, tráfico, GPS, señal telefónica, etc. Si bien estos datos son importantes también es importante que el análisis de estos sea confiable y correcto.
El término BIG DATA refiere a conjuntos de datos de gran volumen (utilizan gran almacenamiento), gran velocidad (se recopilan grandes cantidades de datos por unidad de tiempo) y gran variedad (forma de los datos).
El DATA SCIENCE combina herramientas de matemáticas, estadística, ingeniería, informática, etc. Para poder analizar y entender un contexto o situación, y en base a los resultados obtenidos generar posibilidades de futuro cercano.
IoT: Internet of Things (internet de las cosas), refiere a objetos electrónicos que presentan software, sensores y conectividad.
IA: Artificial Intelligence (inteligencia artificial) son máquinas capaces de realizar tareas humanas, se puede dividir en dos categorías:
- General IA: tiene todas o varias características de inteligencia humana
- Narrow IA: tiene algunas características de inteligencia humana, las cuales puede ejecutar de manera excelente, mientras que en otras áreas es ineficiente.
El IoT es capaz de recolectar una gran cantidad de datos que son ocupados por los algoritmos de la IA, por lo tanto, existe una relación donde IoT mejora la inteligencia artificial y ésta hace útil la información que se le brinda.
La inteligencia artificial surge del MACHINE LEARNING, que se puede definir como la habilidad de un algoritmo de aprender sin necesidad de ser explícitamente programado, un tipo de enfoque del machine learning es el Deep learning, algoritmos que simulan la estructura del cerebro humano y que de acuerdo con los datos que obtiene va creando aprendizajes como lo es el reconocimiento de imágenes, videos, audios, etc.
El machine learning presenta técnicas de análisis aplicables a distintos ámbitos como deportes, series de tiempo, modelación espaciotemporal, estadísticas de genética, etc. La importancia es combinarlas con tal de lograr una mejor predicción a futuro considerando los datos del pasado de mayor utilidad.
