Repaso final de módulo
I. Resumen de módulo
II. Caso práctico de repaso con solución
III. Lecturas recomendadas
VII. Enlaces de interés
V. Glosario
VI. Bibliografía
Lección 1 de 6
I. Resumen de módulo
Repasa los conocimientos adquiridos en este módulo
En el módulo se han podido ver algunas definiciones de inteligencia artificial.
La más interesante es la siguiente:
Se han estudiado cuáles son los objetivos que debe de perseguir la Inteligencia Artificial en el ámbito empresarial, siendo los
siguientes tres los más relevantes:
1. Optimizar de procesos.
2. Minimizar de costes.
3. Maximizar de beneficios.
Y se ha hecho un repaso a la historia de la inteligencia artificial y sus ramas, que son las siguientes:
1. Sistemas expertos.
2. Aprendizaje automático.
3. Visión artificial.
4. Reconocimiento del habla.
5. Procesamiento del lenguaje natural.
6. Robótica.
7. Computación evolutiva.
8. Inteligencia de enjambres.
También se ha podido ver tanto el funcionamiento de los sistemas expertos como el funcionamiento y ciclo de vida del
aprendizaje supervisado para la toma de decisiones.
Los sistemas expertos son programas informáticos basados en conocimiento y raciocinio capaces de resolver tareas
concretas de la misma manera que lo haría un experto humano. En particular, se han visto los sistemas expertos basados en
reglas y cada uno de los componentes que los forman:
Módulos de adquisición de conocimiento: recogen las reglas definidas por un experto.
Módulos de adquisición de reglas: recogen las reglas proporcionadas por un usuario.
Módulo de inferencia: core del sistema experto que relaciona reglas y hechos.
Módulo de explicación: ofrece en lenguaje natural la explicación de la decisión dada por el motor de inferencia.
Sobre el aprendizaje supervisado se ha visto que este es un tipo de aprendizaje que se enmarca dentro del aprendizaje
automático (machine learning), que es el área de la IA que tiene como objetivo crear sistemas capaces de aprender por ellos
mismos a partir de un conjunto de datos, sin ser programados de forma explícita. Para que los algoritmos de aprendizaje
aprendan necesitan un conjunto de datos históricos etiquetados en el que cada ejemplo está formado por su vector de
características y su etiqueta. Es muy importante tener claro cuál es el proceso que sigue el aprendizaje supervisado para
generar un modelo y luego poder explotarlo.
Posteriormente se ha visto el aprendizaje por refuerzo, que es un tipo de aprendizaje automático mediante el cual un agente
(robot, software, etc.) aprende a comportarse en un entorno realizando acciones y viendo los resultados de esas acciones por
medio de recompensas positivas o negativas en función de la acción realizada.
Se ha analizado cuál es el ciclo de vida del aprendizaje por refuerzo:
1. El agente, basándose en su estado St y su política, toma la decisión de realizar una determinada acción.
2. Al realizar la acción el agente evalúa su estado St +1 y recibe una recompensa (positiva o negativa).
3. Tras realizar la acción el estado cambia: St = St +1.
4. En función de la recompensa obtenida el agente modifica (o no) su política.
Se han visto también conceptos importante como los de explorar y explotar, así como el significado de estrategia (a corto
plazo y largo plazo), y algoritmos como el Q-Learning, SARSA y el “bandido multibrazo” para la resolución de problemas con
aprendizaje por refuerzo.
También se ha estudiado qué es el procesamiento del lenguaje natural, sus características y aplicaciones, como el análisis
de sentimientos, modelización de temas y chatbots.
Para todos ellos se ha visto qué es el preprocesamiento de textos y cómo a partir de los textos en bruto se consigue,
mediante una serie de procesos (eliminación de ruido, tokenización y normalización), y aplicando los conceptos vistos en la
unidad 4 (stop words, lematización, etiquetado —parts of speech—, n-gramas, reconocimiento de entidades nombradas, etc.),
extraer las palabras más relevantes de los textos y normalizarlos.
Se ha estudiado el análisis de sentimientos, que tiene como objetivo clasificar documentos o microtextos (artículos, críticas,
tuits, etc.) con aprendizaje supervisado, así como la modelización de temas (topic modeling) como aprendizaje no
supervisado para la extracción de temas de los textos.
Por último, en la unidad 4 se ha visto el funcionamiento de los chatbots, cómo son capaces de responder a preguntas
realizadas por un humano.
Por último, se ha analizado qué son los sistemas de recomendación, que se pueden definir como sistemas inteligentes que
proporcionan a los usuarios una serie de sugerencias personalizadas (recomendaciones) sobre un determinado tipo de
productos y las tres características que necesitan tener:
1. Un conjunto de usuarios a los que realizar recomendaciones.
2. Un conjunto de ítems que se quieren recomendar.
3. Registro de valoraciones que realizan los usuarios sobre los ítems, de manera explícita o implícita.
También se han visto los tipos de sistemas de recomendación, clasificando estos así:
1. Filtrado demográfico: se proporcionan recomendaciones atendiendo a las características demográficas (edad, género,
etc.) de los usuarios.
2. Filtrado basado en contenido: se proporcionan como recomendaciones aquellos ítems que se consideran similares a
los que el usuario indicó que le gustaban en el pasado
los que el usuario indicó que le gustaban en el pasado.
3. Filtrado colaborativo: se proporcionan recomendaciones con base en la actividad de una amplia comunidad de usuarios
que valora un conjunto cerrado de ítems.
4. Métodos de filtrado híbridos: estos métodos mezclan alguno de los tres filtrados mencionados anteriormente. Por lo
general, se suelen mezclar el filtrado basado en contenidos o el filtrado demográfico con el filtrado colaborativo.
Y, además, algunas técnicas para el filtrado colaborativo y el filtrado basado en contenido para calcular las recomendaciones.
Lección 2 de 6
II. Caso práctico de repaso con solución
Aplica los conocimientos adquiridos en esta unidad
1. Optimización de campañas de marketing online
ENUNCIADO
El siguiente ejercicio tiene como objetivo simular el ejemplo visto en la teoría sobre la optimización de campañas de
marketing online.
Supóngase el caso en el que se tiene que hacer una campaña de marketing online para promocionar un determinado
producto. Para ello se mostrará en una página web un banner con una imagen del producto que promocionar. El equipo de
diseño ha realizado cinco imágenes distintas del producto para poner en el banner con el objetivo de captar la atención del
usuario para que pulse en el banner y acceda a la web con los detalles del producto que promocionar:
Dado que no se sabe a priori cuál es la imagen del producto que captará mayor atención, se debe aprender con base en los
clics que se realizan sobre el banner qué imagen será las más llamativa y conseguirá más visitas. Para ello se aplicará el
método del bandido multibrazo con el fin maximizar las visitas a la web del producto que promocionar.
SE PIDE
El objetivo es encontrar la imagen que capte mayor atención de los usuarios, es decir, que mayor número de clics obtenga:
Dado el método ya implementado en el notebook “multi_armed_bandit(num_games=1000, epsilon=0.1, verbose=False)”, se
pide, modificando el valor de épsilon:
1. ¿Cuál es el valor de épsilon que maximiza la imagen con mayor número de clics?
2. ¿Cuál es la imagen que más clics obtiene y cuántos?
3. Poniendo una ratio de exploración del 100 %, ¿qué resultado se obtiene?
Notebook:
1_Optimizacion_Marketing_Online_Bandido_Multi_Brazo.zip
268 B
2. Clasificación de tuits en español (análisis de sentimientos)
ENUNCIADO
El siguiente ejercicio tiene como objetivo aplicar los conocimientos vistos sobre:
Normalización de textos (procesamiento de textos).
Clasificación de textos.
El ejercicio consiste en clasificar una serie de tuits en español que están clasificados como positivos, neutros, negativos o
none (desconocido), aunque solo se va a trabajar con los tuits clasificados correctamente (los no desconocidos).
SE PIDE
Para este ejercicio se pide realizar:
Carga de los datos (ya implementado en el ejercicio).
Normalización de los tuits.
Creación de la bolsa de palabras con TF-IDF.
Particionado de datos.
Creación de modelos.
Evaluación de los modelos.
Notebook:
2_Analisis_Sentimientos_Tweets_Español.zip
201.7 KB
3. Implementación de un sistema de recomendación de películas: MovieLens
ENUNCIADO
En este ejercicio se va a implementar y evaluar un sistema de recomendación basado en filtrado colaborativo con KNN
usando la base de datos de MovieLens 100K que contiene 100 000 votos con notas del 1 a 5 de 943 usuarios sobre 1682
películas.
Este dataset ha sido dividido en votaciones de entrenamiento (80 %) y votaciones de test (20 %). Además, para simplificar el
problema, los códigos de usuarios e ítems han sido modificados para que comiencen en 0 y terminen en el número de
(usuarios/ítems)−1.
En el notebook se encuentran implementados una serie de métodos que realizan las siguientes tareas:
1. Lectura de los votos.
2. Cálculo de similaridades con las métricas MSD, coseno y JMSD.
3. Cálculo de los K-vecinos.
4. Cálculo de las predicciones con el método de desviación respecto a la media.
5. Evaluación de un sistema de recomendación con el MAE.
Uno de los problemas que tiene el método de los K-vecinos es que hay que fijar el número de vecinos K para calcular las
recomendaciones y este debe ser fijado antes de ejecutar el algoritmo.
SE PIDE
Por tanto, este ejercicio se basa en ver cuál sería un buen K para realizar las recomendaciones con diferentes métricas de
similaridad.
En el presente caso práctico se muestra paso por paso la implementación de un sistema de recomendación, usando
diferentes métricas de similaridad para diferentes números de vecinos (25, 50, 100, 150, 200, 300, 400 y 500), pudiendo ver de
esta manera cuáles serían la métrica de similaridad y el número de vecinos que mejores resultados de MAE obtiene para los
conjuntos de entrenamiento y test.
Realizando este ejercicio se podrá decidir qué métrica de similaridad y qué número de vecinos seleccionar para el sistema de
recomendación.
El resultado esperado de la ejecución sería el que muestra la imagen, en el que se aprecia para cada métrica de similaridad y
para cada valor de K vecinos cuál es el resultado del MAE, y de esta manera se puede justificar qué métrica de similaridad se
seleccionaría y para qué número de vecinos.
Notebook:
3 Sistema Recomendacion Peliculas KNN zip
3_Sistema_Recomendacion_Peliculas_KNN.zip
46.2 KB
El notebook hace uso de los ficheros:
/data/movielens_100K_train_test/movielens_100k_test.txt
/data/movielens_100K_train_test/movielens_100k_training.txt
VER SOLUCIÓN
SOLUCIÓN
La solución de estos casos prácticos se encuentran en los archivos que puedes descargar a continuación.
1_Optimizacion_Marketing_Online_Bandido_Multi_Brazo.zip
268 B
2_Analisis_Sentimientos_Tweets_Español.zip
201.7 KB
3_Sistema_Recomendacion_Peliculas_KNN.zip
46.2 KB
Lección 3 de 6
III. Lecturas recomendadas
Benítez Iglésias, R. Inteligencia artificial avanzada. Barcelona: UOC; 2014.
En este libro se introducen los conceptos fundamentales de la inteligencia artificial desde una visión muy
orientada al reconocimiento de patrones.
Mirjalili, V. Python machine learning. Marcombo; 2020.
Este título ofrece un amplio contenido relativo a las técnicas de machine learning en Python y el uso y manejo de
las librerías más relevantes como Scikit-learn, Keras y TensorFlow.
Sistemas expertos y modelos de redes probabilísticas
Profundiza sobre el tema de los sistemas expertos, mostrando en detalle los diferentes tipos.
Lección 4 de 6
VII. Enlaces de interés
Web del profesor Fernando Sancho Caparrini, que publica con cierta frecuencia entradas relacionadas con diversos
temas de inteligencia artificial.
ABIR ENLACE
Web que publica diariamente entradas relacionadas con temas de inteligencia artificial y big data.
ABIR ENLACE
Blog de Jason Brownlee que publica semanalmente entradas relacionadas con temas de aprendizaje automático e
inteligencia artificial.
ABIR ENLACE
Lección 5 de 6
V. Glosario
El glosario contiene términos destacados para la comprensión de la
unidad
Análisis de sentimientos
–
Área de estudio del procesamiento del lenguaje natural que tiene como objetivo clasificar documentos o microtextos (artículos,
críticas, tuits, etc.) en función de la connotación positiva, negativa o neutra.
Aprendizaje automático
–
Rama de la IA que tiene como objetivo crear sistemas capaces de aprender por ellos mismos a partir de un conjunto de datos,
sin ser programados de forma explícita.
Aprendizaje por refuerzo
–
Tipo de aprendizaje automático mediante el cual un agente (robot, software, etc.) aprende a comportarse en un entorno
realizando acciones y viendo los resultados de esas acciones por medio de recompensas positivas o negativas en función de la
acción realizada.
Aprendizaje supervisado
–
Tipo de aprendizaje que se enmarca dentro del aprendizaje automático (machine learning) que es el área de la IA que tiene
como objetivo crear sistemas capaces de aprender por ellos mismos a partir de un conjunto de datos, sin ser programados de
forma explícita.
Bolsa de palabras (BoW)
–
Es un modelo que se utiliza para simplificar el contenido de un documento (o conjunto de documentos) omitiendo la gramática
y el orden de las palabras, centrándose solo en el número de ocurrencia de palabras dentro del texto (o corpus).
Chatbot o robot conversacional
–
Es un programa que simula mantener una conversación con una persona, respondiendo a las preguntas que esta le pueda
hacer.
Computación evolutiva
–
Rama de la IA aplicable a la resolución de problemas de optimización combinatoria basada en la teoría de la evolución de
Darwin.
Corpus
–
Colección de textos, como artículos periodísticos, novelas, críticas, tuits, etc., que comparten un mismo contexto de aplicación.
Filtrado colaborativo
–
Sistema de recomendación que proporciona recomendaciones con base en la actividad de una amplia comunidad de usuarios
que valora un conjunto cerrado de ítems.
Filtrado basado en contenido
–
Sistema de recomendación que proporciona como recomendaciones aquellos ítems que se consideran similares a los que el
usuario indicó que le gustaban en el pasado.
Inteligencia artificial
–
Rama de las ciencias de la computación que comprende un conjunto de técnicas que permiten a los ordenadores imitar la
inteligencia humana y/o natural por medio de reglas, lógica, procesos cognitivos, etc., con el fin de resolver algún tipo de
problema o tarea más o menos compleja.
Inteligencia de enjambres
–
Rama de la IA aplicable a la resolución de problemas de optimización combinatoria inspirada en ciertos sistemas biológicos
típicamente formados por una población de agentes simples que interactúan localmente entre ellos y con su medio, como
pueden ser, por ejemplo, las colonias de hormigas y aves, enjambres de abejas, etc.
Modelización de temas
–
(O topic modeling, en inglés): técnica de aprendizaje no supervisado para extraer los temas ocultos que hay en un corpus. El
extraer automáticamente los temas sobre los que hablan las personas, artículos, tuits, etc., sobre un conjunto de textos es una
de las principales aplicaciones que tiene el NLP.
Modelo
–
Representación de la realidad capaz de predecir casos concretos aprendidos sobre un tema concreto por un algoritmo de
aprendizaje.
Normalización de textos
–
Tarea que tiene como objetivo poner todo el texto en igualdad de condiciones.
Preprocesamiento de textos
–
Tarea que va desde la obtención del texto “en bruto”, tal y como se encontraría en los libros, revistas, periódicos, webs, etc., hasta
la estructuración y normalización de su contenido de tal manera que sirva a los algoritmos de aprendizaje para crear modelos
capaces de resolver tareas concretas.
Procesamiento del lenguaje natural
–
O natural language processing, en inglés, NLP): campo que combina la informática, la inteligencia artificial y la lingüística que
tiene como objetivo tratar la interacción entre los lenguajes humanos (lenguajes naturales) y los dispositivos informáticos.
Reconocimiento del habla
–
Rama de la inteligencia artificial que tiene como objetivo permitir la comunicación hablada entre seres humanos y
computadoras.
Sistema de recomendación
–
Sistema inteligente que proporciona a los usuarios una serie de sugerencias personalizadas (recomendaciones) sobre un
determinado tipo de productos.
Sistema experto
–
Rama de la IA que tiene como finalidad desarrollar máquinas capaces de pensar y razonar como un experto lo haría en una
cierta especialidad o campo.
Tokenización
–
Tarea de dividir grandes cadenas de texto solo y exclusivamente en palabras.
Visión artificial
–
Rama de la IA que tiene como objetivo dotar a las máquinas de la capacidad de interpretar imágenes.
Lección 6 de 6
VI. Bibliografía
Adomavicius, G.; Tuzhilin, A. "Toward the next generation of recommender systems: a survey of the state-of-the-
art and possible extensions". IEEE Transactions on Knowledge and Data Engineering; 2005; pp. 734-749.
"Artificial intelligence". English Oxford Living Dictionary; s. f.
"Artificial intelligence". Merriam-Webster; s. f.
"Artificial Intelligence - Q&A with Sebastian Thrun". Entrevista; junio de 2017.
Barto, R. S. Reinforcement learning: an introduction. The MIT Press; 1998.
Bengfort, B.; Bilbro, R.; Ojeda, T. Applied text analysis with Python. O'Reilly Media, Inc.; 2018.
Berzal, F. Redes neuronales & deep learning. deep-learning.ikor.org; 2019.
Blei, D. M.; Ng, A. Y.; Jordan, M. I. "Latent dirichlet allocation". The Journal of machine Learning research; 2003; pp.
993-1022.
Bobadilla, J. S. (2010). A new collaborative filtering metric that improves the behavior of recommender systems.
Knowledge-Based Systems; 2010; pp. 520-528.
Bughin, J.; Hazan, E.; Ramaswamy, E.; Chui, M.; Allas, T.; Dahlström, P.; Henke, N.; Trench, M. "How artificial
intelligence can deliver real value to companies". McKinsey Analytics; 2017.
Burkov, A. The Hundred-Page Machine Learning Book en español. 2019.
Candillier, L.; Meyer, F.; Boullé, M. "Comparing state-of-the-art collaborative filtering systems". LNAI; 2007; pp. 548-
562.
Castillo, E.; Hadi, A. S.; Gutiérrez, J. M. Sistemas expertos y modelos de redes probabilísticas. Madrid: Academia
de Ingeniería, DL; 1996.
Deerwester, S.; Dumais, S. T.; Furnas, G. W.; Landauerm, T. K. "Indexing by Latent Semantic Analysis". Journal of
the American Society for Information Science; 1990; n. 391.
Hernando, A.; Bobadilla, J.; Ortega, F.; Gutiérrez, A. "Method to interactively visualize and navigate related
information". Expert Systems with Applications; 2018; n. 111: pp. 61-75.
Houser, D. G. "IBM’s Watson AI Recommends Same Treatment as Doctors in 99% of Cancer Cases".
futurism.com; 2016.
Kaufman, D. "La inteligencia artificial llega a Hollywood". Studiodaily.com; abril de 2017.
Koren, Y. B. "Matrix factorization techniques for recommender systems". Computer; 2009; pp. 30-37.
Lock, S. "Economic contribution of travel and tourism to GDP worldwide 2006-2019". Statista.com; 5 de febrero de
2002.
Loper, E.; Bird, S.; Klein, E. Natural Language Processing with Python. O'Reilly Media, Inc.; 2009.
Ravichandiran, S. Hands-on reinforcement learning with Python. Packt Publishing; 2018.
Rouhiainen, L. Inteligencia Artificial: 101 cosas que debes de saber hoy sobre nuestro futuro. Alienta Editorial;
2018.
