INTRODUCCIÓN A LOS SISTEMAS

cipa 5 hasta la diapositiva 18

cipa 6 desde la diapositiva 19 en adelante

Ojo: deben ampliar los temas y ajustar

 INTELIGENCIA ARTIFICIAL

La inteligencia artificial es una rama de la informática que busca crear sistemas

capaces de realizar tareas que normalmente requieren inteligencia humana. Estas
tareas incluyen el aprendizaje, el razonamiento, la percepción y la comprensión del
lenguaje natural. La IA se ha convertido en una herramienta fundamental en
diversos campos, desde la medicina hasta la educación y el entretenimiento.
 ¿CÓMO FUNCIONA LA IA?

La Inteligencia Artificial (IA) funciona imitando algunos aspectos del pensamiento humano a través de algoritmos matemáticos y
grandes cantidades de datos.
• La IA aprende a partir de datos: textos, imágenes, sonidos, videos, etc. Cuantos más datos tenga, mejor puede aprender.
Ejemplo: Si alimentas una IA con miles de fotos de perros y gatos, podrá aprender a distinguirlos.
• La IA usa algoritmos (conjuntos de reglas matemáticas) que le permiten identificar patrones en los datos.
El más usado es el aprendizaje automático (machine learning):La IA aprende sola a partir de ejemplos, sin que se le dé una
instrucción específica para cada caso.
• Son sistemas inspirados en el cerebro humano. Están compuestos por "neuronas" digitales conectadas entre sí.
Se organizan en capas (entrada, intermedias, salida).Son muy buenas para tareas complejas como reconocimiento de voz, imágenes
o lenguaje.
• Es una subárea del aprendizaje automático que usa redes neuronales profundas (con muchas capas).Este tipo de IA se usa en
modelos como GPT, ChatGPT, DALL·E, y asistentes de voz como Siri o Alexa.
• El modelo se entrena con millones o billones de ejemplos. Ajusta sus parámetros internos (como conexiones entre neuronas)
para minimizar errores. Cuanto más entrenamiento y mejores datos tenga, más inteligente será.
 TIPOS DE INTELIGENCIA ARTIFICIAL

Tipo Ejemplo Actual Nivel de Inteligencia

IA Estrecha ChatGPT, Google Translate Baja / Específica
IA General Aún no existe Humana (teórica)
IA Superinteligente Ciencia ficción Superior a la humana
Funcionalidad /Tecnología
Reactiva Deep Blue Sin aprendizaje
Memoria limitada Autos autónomos Contextual
Teoría de la mente Robots sociales (en desarrollo) Emocional y social
Autoconsciente No existe Consciente (teórica)
 MACHINE LEARNING
(Aprendizaje Automático)

Es una tecnología que permite a los sistemas aprender y mejorar automáticamente con la experiencia. En lugar
de seguir instrucciones específicas, la máquina detecta patrones en los datos y hace predicciones o decisiones
basadas en ellos.

Como
funciona?

1. Se recopilan datos (por ejemplo, correos electrónicos, imágenes, historiales de compras).

2. El modelo de ML analiza esos datos buscando patrones.
3. Aprende a partir de esos patrones.
4. Predice o toma decisiones sobre nuevos datos.
• Ejemplo: Gmail aprende a reconocer qué mensajes son spam y los filtra automáticamente
 TIPOS DE APRENDIZAJES

[Link] Supervisado [Link] por Refuerzo (Reinforcement Learning)

• El modelo aprende con ejemplos etiquetados. • El modelo aprende mediante prueba y error,
• Ejemplo: Fotos de perros etiquetadas como “perro”. recibiendo recompensas o penalizaciones.
• Usos: • Ejemplo: Un robot que aprende a caminar.
• Clasificación (spam/no spam) • Usos:
• Predicción (precio de una casa)
• Videojuegos
• Robótica
[Link] No Supervisado
• Autos autónomos
• El modelo explora los datos sin etiquetas.
• Busca patrones o agrupaciones por sí solo.
• Ejemplo: Agrupar clientes según hábitos de compra.
• Usos:
• Segmentación de mercado
• Detección de fraudes
 DEEP LEARNING
(Aprendizaje Profundo)
Es una subárea dentro del Machine Learning que utiliza redes neuronales artificiales profundas para resolver
problemas complejos, como el reconocimiento de imágenes, la traducción automática o la generación de texto
(como ChatGPT).
Es un tipo de aprendizaje automático que imita la estructura del cerebro humano, usando capas de "neuronas
artificiales" interconectadas. Cuantas más capas tenga una red, más profunda es, y más complejos son los
patrones que puede aprender.

Como [Link]: Se alimenta al modelo con datos (texto, imágenes,

funciona? audio...).
[Link] ocultas: La información pasa por múltiples capas de
procesamiento. Cada capa extrae características más abstractas.
[Link]: El modelo genera un resultado, como una predicción o
una clasificación.
Ejemplo: Para reconocer una cara, las primeras capas detectan
bordes, luego ojos y boca, y las últimas la identidad.
 DIFERENCIAS ENTRE MACHINE
LEARNING Y DEEP LEARNING

Característica Machine Learning Deep Learning

Requiere datos etiquetados Sí, pero menos datos Sí, pero muchos más datos
Necesita extracción manual de
Sí No, las aprende automáticamente
características
Excelente (especialmente con big
Rendimiento en tareas complejas Bueno
data)
Ejemplo típico Recomendaciones de productos Reconocimiento facial, ChatGPT
 EJEMPLOS DE DEEP LEARNING
EN LA VIDA REAL
Aplicación Uso de Deep Learning
Reconocimiento facial Desbloqueo de teléfonos
Asistentes de voz Siri, Alexa, Google Assistant
Autos autónomos Reconocimiento de peatones y señales
Medicina Diagnóstico por imágenes (rayos X, MRI...)
Chatbots avanzados ChatGPT, modelos GPT-4
Traducción automática Google Translate
 VENTAJAS Y DESAFIOS

Ventajas:
• Muy buena precisión con grandes cantidades de datos.
• Aprende automáticamente características relevantes.
• Capaz de realizar tareas complejas como comprender lenguaje natural o visión artificial.
Desafíos:
• Necesita grandes cantidades de datos y poder computacional.
• Difícil de interpretar ("caja negra").
• Entrenamiento largo y costoso.
 RED NEURONAL
Una red neuronal artificial es un modelo computacional inspirado en el cerebro humano que permite a las
máquinas aprender a partir de datos, encontrar patrones y tomar decisiones. Son la base del deep learning y
de muchas aplicaciones modernas de inteligencia artificial, como el reconocimiento de voz, imágenes y el
procesamiento del lenguaje natural.
Una red neuronal está formada por un conjunto de nodos o “neuronas artificiales”, organizadas en capas. Cada
neurona recibe datos, los procesa y envía una señal a otras neuronas.
 INTELIGENCIA ARTIFICIAL GENERATIVA (IAG)

La Inteligencia Artificial Generativa (IA Generativa) es una rama de la inteligencia artificial que se centra en crear contenido
nuevo y original a partir de datos. Esta IA no solo analiza o clasifica información, sino que genera texto, imágenes, música,
código, videos, voz, ¡y mucho más!
Es un tipo de IA capaz de producir contenido nuevo imitando patrones aprendidos de grandes volúmenes de datos.

[Link]: El modelo se entrena con

enormes cantidades de datos (textos, imágenes, COMO
audios…). FUNCIONA?
[Link]: Aprende patrones, estilos,
estructuras, lenguaje, formas, sonidos...
[Link]ón: Cuando le das una instrucción
(prompt), crea un contenido nuevo similar al que
aprendió, pero único.
 MODELOS

Tecnología Qué hace

Modelos de lenguaje (LLM) Generan texto (ej. ChatGPT, Gemini, Claude)
Modelos de imagen (GAN, Diffusion) Crean imágenes (ej. DALL·E, Midjourney)
Modelos de voz Generan voces sintéticas realistas
Modelos de video Producen clips de video a partir de texto (ej. Sora)
Modelos musicales Componen música en diferentes estilos
 EJEMPLOS DE USO

Tipo de contenido Ejemplo con IA generativa

Texto Redacción de correos, cuentos, artículos
Imágenes Arte digital, diseño de productos
Código Generación de programas y funciones
Música Composición de piezas originales
Voz Doblaje automático, asistentes con voz real
Video Creación de escenas animadas a partir de texto
 VENTAJAS Y DESVENTAJAS
✅Ventajas:
• Acelera la creatividad y productividad.
• Ayuda en educación, arte, programación, marketing, etc.
• Democratiza el acceso a herramientas creativas.
⚠️Desafíos:
• Derechos de autor: ¿quién es el dueño del contenido generado?
• Desinformación: puede usarse para crear contenido falso (deepfakes).
• Ética: riesgo de sesgos y mal uso de la tecnología.
 BIG DATA

• Big Data se refiere al manejo y análisis de grandes volúmenes de datos que son tan extensos, variados y
rápidos que no pueden ser tratados con herramientas tradicionales. Su objetivo es extraer valor e
información útil para tomar decisiones más inteligentes y eficientes.

Big Data es un conjunto de tecnologías, procesos y herramientas que permiten almacenar, procesar y analizar
enormes cantidades de datos, estructurados y no estructurados, en tiempo real o casi real.
 PARA QUE
SIRVE?

Área Aplicación
Salud Diagnóstico predictivo, análisis genético
Marketing Segmentación de clientes, campañas personalizadas
Finanzas Detección de fraudes, análisis de riesgos
Transporte Optimización de rutas, tráfico en tiempo real
Gobierno Seguridad ciudadana, servicios públicos
Industria Mantenimiento predictivo, automatización
 VENTAJAS Y
DESVENTAJAS
✅ Ventajas:
• Mejora la toma de decisiones basada en datos reales.
• Detecta patrones, tendencias y comportamientos.
• Permite innovación y personalización de servicios.
⚠️Desafíos:
• Requiere infraestructura potente.
• Puede haber problemas de privacidad y ética.
• Dificultad para interpretar datos correctamente sin sesgos.
 LAS 5 ´´V´´ DEL BIG DATA

Estas son las características clave que definen el Big Data:

[Link]: Cantidades masivas de datos (terabytes, petabytes).
[Link]: Datos que se generan y deben procesarse rápidamente (en tiempo real).
[Link]: Diversos tipos de datos (texto, imágenes, video, sensores, redes sociales...).
[Link]: Calidad y fiabilidad de los datos.
[Link]: La utilidad que se puede obtener de esos datos (conocimiento, patrones, predicciones).
 TIPOS DE DATOS DEL
BIG DATA

Tipo de dato Ejemplo

Estructurados Bases de datos (nombre, edad, dirección)
No estructurados Videos, imágenes, audios, publicaciones en redes
Semiestructurados Archivos XML, JSON, correos electrónicos
 CLOUDERA

• Cloudera es una plataforma de software enfocada en el análisis de datos a gran escala. Permite a las
empresas gestionar, almacenar, procesar y analizar Big Data, tanto en la nube como en infraestructuras
locales (on-premise).
• Fue una de las primeras compañías en comercializar y dar soporte empresarial a Apache Hadoop, el sistema
de código abierto más popular para procesamiento distribuido de grandes volúmenes de datos.
 QUE OFRECE?

Función Descripción
Almacenamiento de datos Soporte para datos estructurados y no estructurados
Procesamiento en lote (batch), en tiempo real y por
Procesamiento de datos
flujo
Herramientas integradas para construir y entrenar
Machine Learning
modelos
Control de acceso, auditoría, encriptación,
Seguridad y gobierno de datos
cumplimiento
Soporte para AWS, Azure, Google Cloud y entornos
Integración en la nube
híbridos
 HERRAMIENTAS
CLAVE
Tecnología Uso principal
Apache Hadoop Almacenamiento y procesamiento distribuido
Apache Spark Procesamiento rápido de datos
Apache Hive Consultas SQL sobre Big Data
Apache Impala SQL interactivo y en tiempo real
Apache Kafka Procesamiento de datos en tiempo real
Apache NiFi Flujo y transformación de datos
**Cloudera
 ECOSISTEMAS HADOOP
El ecosistema Hadoop es un conjunto de tecnologías de código abierto diseñadas para almacenar, procesar y
analizar grandes volúmenes de datos de forma distribuida. Es una de las bases más importantes del Big Data
moderno y permite trabajar con datos estructurados, no estructurados y en tiempo real.

Apache Hadoop es una plataforma que permite procesar grandes cantidades de datos distribuidos en un
conjunto de computadoras (nodos) de manera eficiente, escalable y tolerante a fallos.
 COMPONENTES
PRINCIPALES
HDFS (Hadoop Distributed File System)
• Sistema de archivos distribuido.
• Guarda los datos en múltiples nodos.
• Proporciona alta disponibilidad y tolerancia a fallos.

2. MapReduce
• Modelo de programación para procesar grandes datos en paralelo.
• Divide el trabajo en dos fases:
• Map: divide los datos en fragmentos.
• Reduce: une y resume los resultados.

3. YARN (Yet Another Resource Negotiator)

• Gestor de recursos del clúster.
• Asigna memoria, CPU y tareas entre las aplicaciones.
 HERRAMIENTAS DEL
ECOSISTEMA
Herramienta Función principal
Hive Consulta de Big Data con lenguaje similar a SQL.
Pig Lenguaje de scripts para análisis de datos.
HBase Base de datos NoSQL en tiempo real sobre HDFS.
Transfiere datos entre Hadoop y bases de datos
Sqoop
relacionales.
Recopila y mueve grandes cantidades de datos (ej.
Flume
logs).
Oozie Coordinador de flujos de trabajo en Hadoop.
Coordina servicios distribuidos y mantiene
Zookeeper
configuraciones.
Mahout Algoritmos de Machine Learning escalables.
Procesamiento de datos en memoria (más rápido que
Spark
MapReduce).
Kafka Plataforma de mensajería para datos en tiempo real.
NiFi Automatiza el flujo de datos entre sistemas.
DIAGRAMA SIMPLIFICADO DEL
ECOSISTEMA
 ANÁLISIS DE DATOS

Tipo ¿Qué hace? Ejemplo

Descriptivo Describe qué ha pasado “Ventas totales del mes”
Diagnóstico Explica por qué ocurrió “¿Por qué bajaron las ventas?”
“¿Cuántas ventas tendré el próximo
Predictivo Predice qué podría pasar
mes?”
“¿Qué promociones aplicar para
Prescriptivo Recomienda qué hacer
mejorar ventas?”
 HERRAMIENTAS COMUNES PARA ANALIZAR
DATOS

Herramienta Uso principal

Excel / Google Sheets Análisis básico y visualización
Python (Pandas, NumPy, Matplotlib) Análisis y visualización avanzada
R Estadística y modelado
Power BI / Tableau Visualización interactiva
SQL Consulta y manejo de bases de datos
Google Data Studio Informes de datos en la nube
 TECNICAS MAS
USADAS.

Técnica Explicación rápida

Análisis estadístico Promedios, desviaciones, correlaciones
Minería de datos Descubrimiento de patrones ocultos
Machine Learning Predicción automática mediante algoritmos
Análisis de series temporales Para datos con orden cronológico
Clustering Agrupar datos similares
GRACIAS