¿Cómo funciona ChatGPT y toda la inteligencia artificial? (Machine Learning)
Summary
TLDREl script explora la diferencia entre Inteligencia Artificial (IA) y Machine Learning (ML), explicando que la IA es la capacidad de un sistema para realizar tareas humanas, mientras que el ML es el proceso de entrenamiento para que el sistema aprenda y mejore en estas tareas. Se mencionan técnicas como el aprendizaje supervisado y no supervisado, y el aprendizaje por refuerzo. Además, se introduce el Deep Learning y las redes neuronales, destacando su importancia en la resolución de problemas complejos como el reconocimiento de lenguaje y imágenes. El script enfatiza que estos conceptos no son de magia, sino de ciencia y matemáticas, y anima a los espectadores a aprender más sobre estos temas en Ed Team.
Takeaways
- 🧠 La inteligencia artificial (IA) es la capacidad de un sistema para realizar tareas propias de la inteligencia humana, mientras que el aprendizaje automático (machine learning) es el conjunto de procesos para entrenar al sistema en el desempeño de dichas tareas.
- 🤖 El aprendizaje automático busca que un agente, a través del aprendizaje, realice tareas con mayor efectividad, llegando a ser indistinguible de un ser humano o incluso superarlo.
- 📊 La diferencia entre programación tradicional y machine learning es que en la programación tradicional se definen pasos detallados por programadores, mientras que en el machine learning se entrena un modelo con datos de entrada y salida para que el sistema aprenda por sí mismo.
- 🔢 El machine learning requiere una gran cantidad de datos para entrenar modelos, como en el caso de Google Photos, que utilizó fotos de usuarios para mejorar su reconocimiento de imágenes.
- 📚 Existen tres tipos de machine learning: supervisado, no supervisado y por refuerzo, cada uno con aplicaciones y métodos específicos para resolver diferentes problemas.
- 🏷 En el aprendizaje supervisado, los datos están etiquetados y se utiliza para entrenar al sistema a realizar tareas como la clasificación o la regresión.
- 🌐 El aprendizaje no supervisado implica trabajar con datos no etiquetados, como en el agrupamiento (clustering) o la asociación, para encontrar patrones o recomendar contenido.
- 🎲 El aprendizaje por refuerzo se centra en que el modelo interactúe con su entorno y reciba retroalimentación para mejorar, común en juegos y sistemas de conducción autónoma.
- 🧩 Las redes neuronales artificiales imitan el comportamiento de las neuronas biológicas, procesando y transmitiendo información a través de una red de nodos conectados.
- 🔧 El aprendizaje profundo (deep learning) es una técnica de machine learning que utiliza redes neuronales profundas para resolver problemas complejos, como el reconocimiento de voz o imágenes.
- 🛠️ El éxito en el aprendizaje profundo y en la IA depende de factores como la cantidad de datos, la capacidad de procesamiento y la complejidad de las redes neuronales involucradas.
Q & A
¿Qué es la Inteligencia Artificial y cómo se diferencia del Machine Learning?
-La Inteligencia Artificial es la capacidad de un sistema para realizar tareas propias de la inteligencia humana. El Machine Learning es un conjunto de procesos que se utilizan para entrenar ese sistema, permitiéndole realizar tareas específicas como responder preguntas, realizar predicciones o reconocer imágenes.
¿Cómo se define el aprendizaje en el contexto del Machine Learning?
-El aprendizaje en el contexto del Machine Learning es el proceso mediante el cual un agente inteligente mejora su desempeño en una tarea a través de la experiencia, sin necesidad de una programación explícita para cada paso.
¿Qué es un modelo en el Machine Learning y cómo se diferencia de un algoritmo tradicional?
-Un modelo en el Machine Learning es un sistema entrenado a través de prueba y error que se perfecciona con el aprendizaje, a diferencia de un algoritmo tradicional, que tiene pasos definidos por un programador y no puede modificarse por la computadora.
¿Por qué los datos son fundamentales en el Machine Learning y la Inteligencia Artificial?
-Los datos son fundamentales porque permiten entrenar a los modelos, proporcionándoles información para aprender y mejorar su desempeño en tareas específicas. Un ejemplo es la necesidad de miles de fotos etiquetadas para que un modelo aprenda a reconocer objetos.
¿Qué es el aprendizaje supervisado y cómo se utiliza en el Machine Learning?
-El aprendizaje supervisado es un tipo de Machine Learning donde el sistema recibe datos etiquetados y conocidos, y se compara su desempeño con las respuestas correctas para mejorar el entrenamiento. Se utiliza para tareas como la clasificación y la regresión.
¿Cuáles son las dos formas principales de aprendizaje supervisado y en qué se diferencian?
-Las dos formas principales de aprendizaje supervisado son la clasificación y la regresión. La clasificación se utiliza para identificar o diferenciar entidades, mientras que la regresión se utiliza para hacer predicciones numéricas.
¿Qué es el aprendizaje no supervisado y para qué se utiliza?
-El aprendizaje no supervisado es un tipo de Machine Learning donde los datos no están etiquetados y el sistema busca encontrar patrones o características comunes en los datos. Se utiliza para tareas como el agrupamiento o clustering y la asociación.
¿Qué es el aprendizaje por refuerzo y cómo se diferencia de otros tipos de aprendizaje?
-El aprendizaje por refuerzo es un tipo de Machine Learning donde el modelo interactúa con su entorno y recibe retroalimentación en forma de premios o castigos para mejorar su desempeño. Se diferencia en que no se utiliza un conjunto de datos de entrenamiento etiquetado.
¿Qué son las redes neuronales y cómo se relacionan con el funcionamiento del sistema nervioso humano?
-Las redes neuronales son un modelo de computación que imita el comportamiento de las neuronas biológicas, recibiendo, procesando y transmitiendo información. Funcionan similar a las neuronas humanas, formando conexiones que se fortalecen con el aprendizaje y la experiencia.
¿Qué es el Deep Learning y cómo se relaciona con las redes neuronales?
-El Deep Learning es un campo dentro del Machine Learning que utiliza redes neuronales profundas, es decir, con muchas capas, para resolver problemas complejos. Se enfoca en el uso de redes neuronales con una gran cantidad de parámetros y capas para mejorar la precisión en tareas específicas.
¿Cómo se realiza el aprendizaje en las redes neuronales a través del Deep Learning?
-El aprendizaje en las redes neuronales se realiza a través de un proceso de backpropagation y ajuste de pesos, donde el error se calcula y se corrige en varias épocas para perfeccionar el modelo hasta que el error sea mínimo o nulo.
¿En qué áreas se utiliza el Deep Learning y por qué es importante el poder de cómputo en estas tareas?
-El Deep Learning se utiliza en áreas como el reconocimiento de escritura a mano, traducción de idiomas, conducción autónoma y reconocimiento de imágenes. Es importante el poder de cómputo debido a la cantidad de cálculos necesarios para ajustar los pesos y parámetros de las redes neuronales.
Outlines
🤖 Introducción a la Inteligencia Artificial y Machine Learning
Este primer párrafo introduce la diferencia entre Inteligencia Artificial (IA) y Machine Learning (ML). La IA se refiere a la capacidad de un sistema para realizar tareas que normalmente requieren inteligencia humana, mientras que el ML es el conjunto de procesos utilizados para entrenar al sistema para que realice estas tareas, como responder preguntas, realizar predicciones y reconocer imágenes. El vídeo busca explicar qué es el ML, las técnicas utilizadas para el aprendizaje automático y qué son el Deep Learning y las redes neuronales.
📊 Cómo funciona el Machine Learning
El segundo párrafo profundiza en cómo funciona el ML, diferenciando entre la programación tradicional y el ML. Mientras que en la programación tradicional los algoritmos son creados por programadores y son lineales, en ML los algoritmos, que se llaman modelos, se entrenan a través de prueba y error y mejoran con el aprendizaje. Se menciona que el ML requiere de una gran cantidad de datos para entrenar modelos y cómo estos datos son fundamentales en la IA y Big Data. Además, se introducen los tres tipos principales de ML: aprendizaje supervisado, no supervisado y por refuerzo, explicando brevemente cada uno y sus aplicaciones.
🧠 Redes Neuronales y Deep Learning
El tercer párrafo se centra en las redes neuronales y el Deep Learning. Se explica que las redes neuronales artificiales imitan el comportamiento de las neuronas biológicas, recibiendo, procesando y transmitiendo información. Se describe el proceso de cómo trabajan las neuronas individuales y cómo se relaciona esto con el funcionamiento de las redes neuronales en la computación. Además, se introduce el concepto de Deep Learning, que es el uso de redes neuronales profundas para resolver problemas complejos y se menciona algunos de sus usos, como el reconocimiento de escritura a mano, lenguaje, traducción de idiomas, conducción autónoma, entre otros.
Mindmap
Keywords
💡Inteligencia Artificial (IA)
💡Machine Learning
💡Deep Learning
💡Redes Neuronales
💡Aprendizaje Supervisado
💡Aprendizaje No Supervisado
💡Aprendizaje por Refuerzo
💡Backpropagation
💡Dataset
💡Parámetros
Highlights
La inteligencia artificial es la capacidad de un sistema para realizar tareas propias de la inteligencia humana.
El machine learning es el conjunto de procesos que se utilizan para entrenar un sistema para realizar tareas.
La inteligencia artificial es el resultado, mientras que el machine learning es cómo se llega a ese resultado.
El aprendizaje humano es fundamental para el desarrollo de la inteligencia artificial,模拟人类的学习能力.
Machine learning busca mejorar la efectividad de las tareas de un agente a través del aprendizaje.
La diferencia entre programación tradicional y machine learning radica en la ausencia de un algoritmo predefinido en后者.
En machine learning, los modelos se entrenan con datos de entrada y salida, encontrando el algoritmo a través de prueba y error.
El concepto de machine learning fue introducido en 1959 por Arthur Samuel con un sistema de juego de damas.
Los datos son fundamentales en el machine learning y la inteligencia artificial, y se utilizan para entrenar modelos.
Existen tres tipos de machine learning: supervisado, no supervisado y por refuerzo.
El aprendizaje supervisado utiliza datos etiquetados para entrenar al sistema y comparar respuestas.
El aprendizaje no supervisado se utiliza con datos no etiquetados, como en sistemas de recomendación.
El aprendizaje por refuerzo se basa en la interacción del modelo con su entorno para recibir retroalimentación.
Las redes neuronales artificiales imitan el comportamiento de las neuronas biológicas para resolver problemas complejos.
Las redes neuronales procesan y transmiten información entre neuronas, formando una red compleja.
El deep learning es un campo dentro del machine learning que utiliza redes neuronales profundas para resolver tareas complejas.
El aprendizaje en redes neuronales involucra el ajuste de pesos y la retropropagación de errores para mejorar los modelos.
El deep learning se aplica en reconocimiento de voz, traducción de idiomas, conducción autónoma y otros campos.
Las redes neuronales convolucionales son un tipo específico de red neuronal utilizada en el reconocimiento de imágenes.
El machine learning y la inteligencia artificial no son magia, sino una combinación de matemáticas y ciencias de la computación.
Transcripts
Inteligencia artificial y Machine
learning no son lo mismo la Inteligencia
artificial es la capacidad que tiene un
sistema de realizar tareas propias de la
inteligencia humana Mientras que el
Machine learning es el conjunto de
procesos que se usan para entrenar ese
sistema y que consiga realizar esas
tareas como responder preguntas realizar
predicciones reconocer imágenes etcétera
simplificando podemos decir que la
Inteligencia artificial es el resultado
Mientras que el Machine learning es cómo
se llega a ese resultado en este video
aprenderás que es el Machine learning
qué técnicas se usan para que las
máquinas aprendan y Qué es el Deep
learning y las redes neuronales así que
ponte cómodo y disfruta porque hoy
aprenderás que la Inteligencia
artificial no es magia es ciencia porque
estás en Ed Team y en español nadie te
explica
[Música]
mejor Qué es machine
learning como ya hemos dicho la
Inteligencia artificial es la capacidad
de un sistema al que llamaremos agente
inteligente de realizar tareas propias
de una inteligencia humana y Qué es más
humano que el aprendizaje desde que
nacemos aprendemos a reconocer a
nuestros padres a hablar alejarnos del
peligro etcétera son nuestras
experiencias y lo que aprendemos de
ellas lo que nos hace quienes somos el
Machine learning Busca Exactamente eso
que a través del aprendizaje un agente
pueda realizar sus tareas con mayor
efectividad a mayor aprendizaje
realizará mejor sus tareas hasta llegar
a un punto en que sea indistinguible de
un ser humano o quizás aún superarnos
para entender Cómo funciona el Machine
learning lo primero que Debes entender
es su diferencia con la programación
tradicional en la programación
tradicional tenemos datos de entrada
luego tenemos un algoritmo que es el
paso a paso detallado para realizar una
tarea y que es escrito por uno o más
programadores o programadoras y luego
tenemos los datos de salida en el
Machine learning en cambio tenemos los
datos de entrada tenemos los datos de
salida pero lo que no tenemos es lo del
medio el algoritmo cómo te voy a poner
un ejemplo para que me entiendas mejor
supongamos que queremos convertir millas
a kilómetros con Machine learning Y si
est te parece una tarea demasiado
sencilla para usar Inteligencia
artificial te sorprenderá saber que en
1998 la NASA perdió 125 millones dólares
por no hacer esta conversión como te
contamos en este video así que vamos con
el ejemplo lo que haremos será tener una
lista de datos de entrada una lista de
datos de salida que ya conocemos
previamente y con estos datos vamos a
entrenar al sistema Para que encuentre
por prueba y error el algoritmo para
convertir millas a kilómetros luego
probamos el sistema para determinar si
aprendió correctamente y de ser
necesario lo alimentamos de más datos
para que siga aprendiendo hasta
perfeccionar su algoritmo solo que en
Machine learning no se le llama
algoritmo se le llama modelo la
diferencia entre un algoritmo y un
modelo es que el algoritmo tiene pasos
definidos por el programador que la
computadora no puede pue modificar
mientras que en un modelo es entrenado
por prueba y error y se va
perfeccionando con el aprendizaje
incluso sin intervención humana Y esa es
toda la magia la primera vez que se
habló de Machine learning o aprendizaje
automático fue en
1959 cuando el científico Arthur Samuel
diseñó un sistema que podía jugar a las
damas calculando matemáticamente las
probabilidades de ganar el juego según
la posición de las piezas como ves pura
matemática nada de magia
y como debes haber notado para que el
Machine learning o aprendizaje
automático sea efectivo necesitamos
muchos datos para entrenar a los modelos
por ejemplo podemos darle miles de fotos
de una manzana a un agente para que
aprenda a reconocer las características
de la manzana el color la forma etcétera
y luego darle la foto de una naranja
para comprobar si aprendió o no a
identificar una manzana y de ser el caso
seguir entrenándolas a este conjunto de
datos de entrenamiento le llamamos
dataset dato por eso Google photos Fue
gratis y con almacenamiento ilimitado
por tantos años porque Google necesitaba
tus fotos para entrenar a sus modelos
por lo tanto los datos son fundamentales
en el Machine learning y la Inteligencia
artificial y áreas como el Big Data que
ya te explicamos en este video o la
ciencia de datos están íntimamente
relacionadas además A diferencia de la
programación tradicional en la que no
necesitas grandes conocimientos de matem
matemáticas el Machine learning usa
matemáticas avanzadas para entrenar a
sus
modelos tipos de Machine
learning Existen tres tipos de Machine
learning que se diferencian por la forma
en que se entrena el modelo y el tipo de
problemas que estos resuelven en primer
lugar tenemos al aprendizaje supervisado
en este caso el sistema recibe datos
etiquetados es decir que ya están
clasificados y organizados de tal manera
que la respuesta se conoce de antemano y
se puede comparar las respuestas que
entrega el sistema con las respuestas
correctas para mejorar el entrenamiento
un ejemplo clásico es darle un sistema
un millón de fotos de perros y de gatos
obviamente etiquetadas previamente como
perros y gatos y luego evaluar si el
sistema los logra
diferenciar existen dos tipos de
aprendizaje supervisado el de
clasificación y el de regresión como su
nombre lo dice el de clasificación se
usa para identificar o diferenciar
entidades como en el ejemplo de
reconocer perros y gatos también
reconocer correos spam detección de
fraude etcétera y el de regresión que se
usa para hacer predicciones por ejemplo
la subida o bajada del mercado
predicciones de venta o del clima
etcétera Luego tenemos el aprendizaje No
supervisado en este caso los datos que
se entregan al sistema no están
etiquetados puesto que por su naturaleza
no pueden ser clasificados de antemano
por ejemplo tu historial de
reproducciones en Spotify o tiktok son
datos no clasificados no No puede haber
una persona etiquetando cada video o
cada canción que tú ves Pero aún así
sirven para que el sistema conozca tus
gustos y te recomiende contenido similar
existen dos tipos de aprendizaje No
supervisado el de agrupamiento o
clustering y el de asociación el primero
encuentra características comunes en los
datos y los agrupa por estas
características Mientras que el de
asociación identifica la cercanía entre
diferentes datos y se usa para los
sistemas de recomendación en redes
sociales servicios de streaming o
publicidad de aquí viene eso de que los
gigantes de la tecnología te conocen
mejor que tú mismo porque estudian tus
datos para saber qué recomendarte y
parece que te estuvieran espiando y
número tres el aprendizaje por refuerzo
en este caso luego de que el modelo ha
sido entrenado tiene que interactuar con
su entorno para recibir un premio o un
castigo para evaluar sus respuestas y
mejorar el modelo el caso más común son
los juegos ya que existen muchas
posibles jugadas y cada una dará un
resultado positivo o negativo que será
el refuerzo este tipo de aprendizaje se
usa también en la conducción Autónoma
Pues el sistema recibe retroalimentación
constante del entorno en el que se mueve
y por si te lo preguntabas puedes
comenzar en el Machine learning y
entrenar tus modelos con python y la
librería psychic L y lo puedes aprender
obviamente en
edam domina las carreras del futuro y
trabaja en cualquier lugar del mundo sin
salir de casa miles de personas han
aumentado sus ingresos encontrado su
primer empleo o creado su propia empresa
estudiando en edti Tú puedes ser el
próximo comienza a estudiar gratis en
ed.tim diagonal cursos y descubre porque
en español nadie explica mejor que de
[Música]
Tin las redes
neuronales los algoritmos de regresión
clasificación clustering o asociación
pueden resolver ciertos tipos de
problemas pero no pueden con los más
complejos como el reconocimiento de
lenguaje humano o de imágenes en este
caso lo que usamos son las redes
neuronales para entenderlas primero
entendamos cómo funciona una neurona en
nuestro cuerpo las neuronas son las
células básicas del sistema nervioso que
se encargan de recibir procesar y
transmitir información Gracias a las
neuronas no solo pensamos sino que
sentimos dolor la temperatura dominamos
habilidades nuevas etcétera En ciertas
circunstancias como cuando entendemos
algo nuevo una neurona se activa y envía
un impulso a otra neurona formando una
conexión estas conexiones se fortalecen
cuando dominamos nuevas habilidades Por
ejemplo aprender un nuevo idioma o
manejar un auto al inicio pensamos mucho
cada detalle pero con el tiempo se
vuelve natural y ni pensamos En qué
palabra hay que utilizar o qué pedal hay
que presionar Esto es así porque las
conexiones entre las neuronas se han
fortalecido las redes neuronales
artificiales a las que llamaremos redes
neuronales a secas a partir de ahora son
un modelo de computación que imita el
comportamiento de las neuronas
biológicas Y al igual que ellas reciben
procesan y envían la información entre
ellas formando una gran red cada neurona
procesa una tarea específica y envía sus
resultados a las otras neuronas de su
red para trabajar juntas el tamaño de
esta red la cantidad de neuronas y de
capas determinará la complejidad de los
problemas que puede resolver ver las
neuronas funcionan de la siguiente
manera en primer lugar tienen datos de
entrada y cada uno tiene un peso que
significa la importancia de ese dato
luego estos datos y sus pesos se
multiplican y se suman en el cuerpo de
la neurona o perceptrón Y luego el
resultado de ese cálculo se pasa por una
función matemática de activación que da
el dato de salida este dato de salida
puede a su vez ser el dato de entrada de
una o más neuronas en la red Recuerda
que mientras más neuronas y capas es
decir las columnas tenga la red podrá
resolver problemas mucho más complejos
pongamos un ejemplo imagina que quieres
saber si vas a conseguir un mejor empleo
tus datos de entrada pueden ser los
siguientes número uno Cuántas horas de
estudio a la semana haces en edam número
dos Cuántos proyectos nuevos has
participado en tu trabajo actual y
número tres a Cuántas empresas estás
postulando a la semana pero como todos
estos datos no no tiene la misma
importancia puedes decir que el primero
tiene un peso de tres el segundo tiene
un peso de uno y el tercero tiene un
peso de dos estos se multiplicarán por
sus pesos y finalmente la función de
activación hará los cálculos y te
devolverá uno es decir que conseguirás
un nuevo trabajo o cero es decir que no
lo conseguirás ten en cuenta que este es
un ejemplo muy simplificado y que la
salida No necesariamente es cer0 o uno
de hecho hay muchas funciones de
activación que no son más que puras
matemáticas que te darán diferentes
resultados y como debes imaginar esto
requiere de muchísimo poder de cómputo
por la cantidad de cálculos que deben
hacerse y es por eso que cuando entras a
chat gpt suele estar caído si quieres
saber más de las redes neuronales y
programar las tuyas propias Recuerda que
puedes aprenderlo en
editing el Deep
learning ahora que entendido Qué son las
redes neuronales veamos cómo se aprende
con redes neuronales o mejor dicho el
Deep learning o aprendizaje profundo
Recuerda que las redes neuronales
reciben un conjunto de datos de
entrenamiento y sus respectivos valores
de salida correctos es decir que ya
conocemos Cuáles son las respuestas esto
es aprendizaje supervisado con estos
datos el sistema intenta calcular los
pesos y aplica la función de activación
al resultado la salida entregada se
compara contra el resultado Real el que
conocemos De antemano y se encuentra el
error promedio es decir la diferencia
entre el cálculo de la neurona y el
cálculo real con ese error promedio se
regresa hacia atrás a través de todas
las capas de la red a esto se le llama
Back propagation para ajustar los pesos
con los pesos ajustados se vuelven a
hacer todos los cálculos a esto se le
llama fit Forward y se vuelve a comparar
la salida con el resultado de
entrenamiento para obtener nuevamente el
error medio y Volver a comenzar este
proceso de ida y vuelta de encontrar los
errores ajustar volver a encontrar los
errores volver a ajustarlo y en cada
vuelta hacerlo mejor se repite varias
veces hasta que el error es cero o lo
más cercano posible a cero es por eso
que decimos que los modelos se
perfeccionan a sí mismos sin
intervención humana cada uno de estos
pesos son ajustados como ya te dije en
cada época las épocas son cada una de
estas vueltas que se van a haciendo en
el aprendizaje y cada uno de estos pesos
se conoce como parámetros y mientras la
tarea sea más compleja la red tendrá más
parámetros y requerirá mayor poder de
cómputo como ejemplo chat gpt tiene 175
millones de parámetros En otras palabras
cada línea de la red que estás viendo es
un parámetro ten en cuenta que el Deep
learning es un campo dentro del Machine
learning no es una disciplina separada
la diferencia es que Machine learning
usa al algoritmos que para determinadas
tareas son insuficientes y en estos
casos se aplican las redes neuronales
que pueden tener Cuántas capas y cuántos
parámetros sean necesarios para
cualquier tarea esto es el Deep learning
el Deep learning se usa en el
reconocimiento de escritura a mano
reconocimiento de lenguaje traducción de
idiomas conversión de texto a voz
conducción de vehículos autónomos
aprendizaje de juegos y reconocimiento
de imágenes por cierto en el caso de las
imágenes en las que hay que ir píxel por
píxel para reconocerlas se usa un tipo
de red neuronal diferente conocido como
red neuronal convolucional y recuerda
que todo esto lo puedes aprender a fondo
en
editing Así que ya sabes que esos
dibujitos de redes que se ven tan cool
no son ni ciencia ficción ni el invento
de un diseñador creativo es en realidad
como funciona la Inteligencia artificial
con Machine learning redes neuronales y
Deep learning y lo más importante es que
ahora sabes que no es brujería ni magia
ni las máquinas queriendo dominar a los
humanos es solo ciencia matemáticas y
ciencias de la computación combinadas
Aunque claro la ciencia tiene mucho de
magia y ahora cuando expliques como todo
un experto Cómo funciona el Machine
learning y te pregunten dónde aprendiste
todo eso Recuerda que lo aprendiste en
editing los datos son fundamentales en
el Machine learning y la Inteligencia
artificial el dispositivo y entrenar tus
modelos con python y la librería Pit
learn
Oy la
Voir Plus de Vidéos Connexes
¿Qué es y cómo funciona la INTELIGENCIA ARTIFICIAL?
¿Qué es el Aprendizaje Supervisado y No Supervisado? | DotCSV
DIFERENCIA ENTRE INTELIGENCIA ARTIFICIAL - MACHINE LEARNING - DEEP LEARNING
La guia definitiva para entender la Inteligencia Artificial
1° Clase | Iniciación a la Inteligencia Artificial
What is Artificial Intelligence? In 5 minutes.
5.0 / 5 (0 votes)