Inteligencia artificial (IA) y aprendizaje automático para principiantes absolutos

1. Introducción al curso: Hola a todos. Bienvenido a este curso de inteligencia artificial para el principiante absoluto. Y felicitaciones por dar este paso para invertir en tus habilidades. Ahora en lo que respecta a las habilidades, realmente no puedes equivocarte con la inteligencia artificial, que es una de las tecnologías más emocionantes de los últimos tiempos. Es decir, en la medida en que se le ha llamado la Cuarta Revolución Industrial. lo que hice este curso, como sé, Ea en el aprendizaje automático puede ser tema muy intimidante para aprender para la persona promedio. O sea, suena muy técnico. Aunque seas un profesional de TI, suena muy técnico. A lo mejor eres un gerente de TI o chico desnudo. mí me gusta un experto en ciberseguridad o tal vez no estás en TI y todo. No eres una idea, solo eres un tipo de negocios, pero has visto el potencial transformador de la inteligencia artificial. Y quieres entender la AA, pero no sabes por dónde empezar, ¿verdad? Bueno entonces este curso es para ti. Vamos a desmitificar lo que es el aprendizaje automático EIA. Y todo el punto de este curso es desmitificar el EIA y hacerlo accesible para todos y eliminar la complejidad que parece estar pasando en este tema. Entonces sobre mí, sólo una visión rápida sobre mí chicos. Esa persona guapísima soy yo. Mi nombre es Dan estilo moody. Llevo en TI los últimos 100 años más o menos y en dos décadas. Por lo que tengo múltiples premios. Mi campo, yo era simplemente un lo que hizo el estilo global del Reino Unido en visa. Por lo que actualmente estoy residiendo en Londres, trabajando para mí publicaciones budistas, ya sabes, como un isocoro de CA Magazine. Y he ganado muchos premios en el campo. Sólo te digo esto para que sepas que estás en buenas manos con el discurso. Actualmente, estoy trabajando en seguridad en la nube e inteligencia artificial ahora. Y lo que realmente me gusta hacer es que me gusta tomar temas complejos y el codón para que gente pueda entenderlo y aplicarlo. Entonces todo el punto de esta diapositiva es mostrarles que sé de lo que estoy hablando. Y yo, sí tengo algo de experiencia para que estés en buenas manos. Entonces sobre el discurso. Entonces, ¿de qué se trata este curso? ¿ Todo el punto de esto? Si tienes esa sensación de que tal vez he cometido un gran error al tomar este curso. Espero que cambies de opinión y te hagas entender. Entonces voy a quitarle cualquier preocupación persistente aún pueda tener sobre el discurso. Entonces este curso es para quien quieres aprender, IA, inteligencia artificial, aprendizaje automático, pero no sabes cómo hacerlo, ¿verdad? Todo parece estar demasiado avanzado a complejo. No sabes programación, no sabes codificar, te parece muy aburrido y no te interesa eso, ¿verdad? No tienes ni respuesta, está de acuerdo y matemáticas o como Python y todas esas otras cosas que ves. Pero parece ser solo a, que el discurso sea como para ti si realmente tienes esas preocupaciones, ¿verdad? Entonces lo que vas a hacer en este curso, vas a entender lo que es la inteligencia artificial y el aprendizaje automático desde cero ya que cualquiera de ellos asume que tiene cero conocimiento sobre esto. Vas a crear tu propio modelo de aprendizaje automático porque no soy un gran fan de la muerte por PowerPoint. Yo no entiendo por eso. Por lo que tu proyecto será crear tu propio modelo de aprendizaje automático desde cero sin escribir una línea de código. Esa es mi promesa para ti. Vas a desplegar Servicios de Ubuntu, ai basado en inteligencia artificial. Y simplemente no lo hiciste, no conectó y una disposición para aprender. Yo chicos, sé que esto suena demasiado bueno para ser verdad, pero vamos a ver cómo va al respecto. Entonces sólo una breve ventana, robot eléctrico me. Yo sí. Estoy disponible en mi canal de YouTube y en Facebook, y en mi blog. Entonces si quieres acercarte y conectarte conmigo, por favor hazlo. Y ese es ese tipo. Por lo que se lo agradezco mucho. Espero que hayas disfrutado de este curso tanto como disfruté haciéndolo y te veo en la siguiente lección. Gracias. 2. Descripción de la AI: Hola a todos. Bienvenidos a esta sección que es entender la inteligencia artificial, un breve panorama de la evolución. Entonces el propósito de esta sección, chicos, es darles un contexto sobre EIA, sobre lo que es EI y lo que no es. Y básicamente cómo llegamos a este punto en tiempo de desarrollo de IA. Ahora bien, puede que no lo creas, pero EIA ha existido desde hace varias décadas hasta los años 50. Entonces teniendo eso en cuenta, ¿por qué crees que solo ahora estamos viendo tanto gigantesco hiperbólico el concepto de va, por todo. Por lo que mencioné que solo son tantos productos diferentes de IA. Y así es lo que ha cambiado en los últimos tiempos. ¿ Hacer que EIA de repente clasifique relevante? Y en todas partes que vas a ver, estás viendo todos los días, estás viendo todo tipo de puestos de trabajo, tus costuras, todo tipo de empresas corriendo para adoptar IA y el aprendizaje automático en estos productos a menudo. Entonces, ¿qué son los estudiantes que simplemente para hacer una especie de diferente hoy en día? Ese es el punto completo de este apartado. Entonces, antes que nada, empecemos. En primer lugar, ¿qué son los chicos de la IA? Es decir, ¿qué piensa la gente del dinero? Como se mencionó, si detuviste chico promedio en la calle y le preguntas juego, ¿y qué opinas? ¿ Qué es la inteligencia artificial? ¿ En qué crees que va a pensar ese tipo? Entonces echemos un vistazo. Entonces antes que nada, sí, muchas veces las cosas que giran, hablamos de átomos. Sabemos que pueden convertirse en cultura pop, ya sabes, películas, libros, pero Helion, haces bien lo que ves en la televisión. También lo hacen el miembro promedio y inteligencia artificial significa que las máquinas se hacen cargo. Genial, como en la película Terminator 2. Es decir, si recuerdas, es una de mi película favorita de mi infancia, básicamente una taza de máquina recíproca Skynet médica. Se convierte en tasa autoconsciente y se necesita que trate de exterminar a todos los humanos. Y dice que crea estas máquinas llamadas terminadores para exterminar a la humanidad. Entonces eso, eso es como lo que él llama mucha gente piensa que eso es lo que es la IA. Odd. Si quieres ir algo más reciente como el show llamado Westworld. Lo que pasa ahí dentro que los humanos crean este robots realistas eran básicamente esclavos. Y estos robots lenta, lentamente, empiezan a despertar y a darse cuenta de que sus mangas y empiezan a pelear de nuevo. Si eres como yo, podrías tener un 2000 multicolor y una Odisea del Espacio. Es como una obra maestra de Stanley Kubrick. Y en eso hay un Hal crítico que básicamente empieza a volverse malicioso y empieza a no obedecer las órdenes de los humanos. Ese ONE, Es una película muy, muy famosa. Entonces la razón por la que tomé estas tres películas, y todas éstas son de dos periodos de tiempo diferentes. Lo que es del 90 es uno y de tiempo reciente cuando es de la década de 1970 fue de 16, creo. Entonces chicos, ¿cuál es el punto? El punto es mostrarte la inteligencia artificial siempre ha fascinado a la gente. Siempre ha fascinado a la gente se ha fascinado por esto desde todos los periodos de tiempo que el concepto de una máquina de pensamiento que es algo que es muy, muy privilegiado a nuestra cultura pop. Entonces, pero, y luego hablas de EIA. En su mayoría la gente piensa como los humanos toman las máquinas, tomando el relevo de los humanos, lo cual es una charla aterradora, estoy de acuerdo. El concepto de máquinas que toman el control lentamente, las cosas que hacen los humanos. Es un pensamiento aterrador, pero eso no es realmente un es. Entonces volvamos al principio. ¿ Quién acuñó este término AI? ¿ Cuál es el que acuñó este término? Por lo que el padre de los arcos de movimiento son más que inteligencia artificial suele ser gente se refiere a John McCarthy, quien acuñó el término en 1956. Y se refirió como, como la ciencia e ingeniería de hacer máquinas inteligentes. Y es que quería enfocarme en la última parte, máquinas inteligentes y ¿qué les parece un maquinarias indonesias chicos? Es decir, si se remonta varias décadas atrás, personas con una calculadora tada y máquina inteligente. Y estaban hablando de algo así como magia que sólo estás poniendo. Es calcular el hacer todo este cálculo por sí mismo. No sabemos que no ese no es el caso. Pizarra. He calculado igual que comienzan las instrucciones codificadas duras de los programas citadas. Espera una entrada específica y te da una salida específica. No hay mucha capa de inteligencia. Entonces cuando lo guardemos, teniendo eso en cuenta, ahora ¿qué es EIA? Eia está mezclando la ciencia de las computadoras produciendo resultados, pero delta siendo programado para hacerlo, no lo programas explícitamente. Programar el sistema informático para hacer cualquier cosa. En cambio, lo que hace es tener esos algoritmos inteligentes por que lentamente comienza a aprender por sí mismo. Y entonces lo que pasa es que en realidad puede reconocer el habla. Puede reconocer rostros, puede reconocer imágenes, puede hacer predicciones, puede tomar decisiones inteligentes, y puede imitar el juicio humano con un alto grado de precisión. Eso es básicamente a lo que nos referimos cuando decimos inteligencia artificial. Entonces espero que no seas capaz de entender la diferencia entre tus programas normales, que son los que básicamente están delimitados por sus programas y que guían sus vidas, lo cual se había hecho un inteligencia artificial AI. Lo que haces es que no programas explícitamente para hacer nada. Le darías un conjunto específico de entradas. Y luego dejas que aprenda por sí mismo cómo lo hace. Ya verás más adelante. Pero espero que entiendas ahora lo que las diferencias ahora tiene una historia muy literal que se remonta como te dije que 77 décadas. Y lo puse en la sección de recursos. No quiero que te aburras dándote específico dándote fechas específicas y todo. Por lo que puedes tomarte un poco por sí mismo, es un muy, muy interesante. Te muestra los hitos de la Fed que han sucedido. Entonces espero que entiendan chicos, qué estamos hablando y pasemos ahora a la siguiente sección. 3. El impacto de la AI: Hola chicos. Bienvenido a esta sección. Entonces ahora que hemos entendido qué es la IA y qué, cómo surgió, cuál fue su historia básica. Vamos a entrar en detalles sobre lo grande de un trato que es EIA. De igual manera, es tan importante porque es muy importante que ustedes entiendan el EIS, no sólo una moda. No es como una tendencia que va a unir algo que podría ser esos muy populares y simplemente se desvanece. No. Ai va a transformar casi todos los aspectos de una vida personal y profesional. Y no digo eso a la ligera. No sólo estoy siendo demasiado dramático. Te voy a mostrar por qué. Por qué es tan importante captar plenamente. Déjame mostrarte algunos contextos. Entonces, en lo que va de la historia humana, hemos tenido nuestras propias, diría yo, tres grandes revoluciones industriales. Y por revolución industrial, lo que queremos decir es pierna, algo que surgió lo cual sea el enorme cambio y el nivel social suficiente hicieron negocios, empleos, cómo eran las ciudades, cómo trabaja la gente , cómo iba conduciendo la economía. Entonces veamos la primera , la revolución industrial. Ahora en acción industrial ahora lo creas o no, hubo un tiempo en que la gente solía trabajar principalmente granjas. Y tus ingresos se basaron en cuánto trabajo metes, cuánto hígado manual metes en él estaba basado en eso y no lo sabes, podrías tomar algo de ayuda en animales con tu trabajo de parto, pero eso fue bastante mucho cómo fue. Los agricultores fueron la principal fuente de ingresos y cómo la gente solía trabajar. Lo que pasó hace unos siglos atrás es que empezó a entrar la automatización. Potencia de vapor, máquinas de energía eléctrica. Entraron y no puedo entender. No me puede gustar sobrecargado a ustedes el impacto de lo que era porque ahora tenían ocurriendo producción en masa en fábricas en líneas de montaje. Fue algo que nunca había pasado antes en la historia humana. Entonces, ¿qué pasó? Jump comenzó a mudarse a los eventos de la fábrica. La gente empezó a mudarse a las ciudades donde había empleos. ¿ Y qué pasó? La ciudad comenzó a prosperar tasa que los economistas iniciaron Bu, comenzaron a subir, saltar, comenzaron a moverse. Y esto prácticamente marcó el inicio de la era moderna y la gente empezó a mudarse a las ciudades. Por lo que acabo de combinar la primera, segunda Revolución Industrial porque la primera se basaba en el vapor, la energía del agua. El otro es eléctrico, pero el concepto sigue siendo el mismo. Por lo que estos fueron la primera, segunda Revolución Industrial, que cambian más o menos la forma en que los humanos usan para trabajar. El segundo fue la revolución digital. Ahora esto debería ser fácil porque estás viviendo en este momento chicos. Cuál fue la revolución digital quitada de mecánica a digital. ¿ Qué fue esta revolución? Fueron las computadoras, la digitalización, Internet, los teléfonos inteligentes. Y vinieron y cambiaron los negocios y la vida de las personas para siempre. Hay una razón por la que ahora mismo no estás usando teléfono analógico. Ya sabes, Todos los teléfonos analógicos que ves en museos o en Internet, eran alófonos ingleses. Y debido a la revolución digital, esa es la razón por la que probablemente estés viendo esto en tu PC personal de casa, o en tu smartphone o en tu tablet a Internet de alta velocidad. Esa es la razón por la que hicieron eso son todos los beneficios de la revolución digital. Entonces ahora creo que puedes entender lo que estoy haciendo con esta franja amarilla, el escenario. Ahora RIAA, tan importante. Por lo que ahora estamos llegando. Entonces esta, esta es la cuarta revolución que está justo en medio de ella, está empezando. Y EI es una gran parte de la Revolución Industrial apenas estaba sucediendo. Se trata de una continuación de la revolución digital. Y básicamente está construyendo sobre ella en su financiamiento. Entonces lo que ha pasado es que ahora la IE está ahí. Y lo que parecía ser ciencia ficción hace unas décadas se está convirtiendo ahora en realidad. Estamos viendo robótica de nosotros en la vida cotidiana como Siri Alexa, que nos está ayudando a tomar mejores decisiones. Es mejorar la calidad de una vida es como, y va a cambiar las líneas esperemos para mejor. Pero ya ha comenzado a alterar los mercados de trabajo. Eso comenzó a eliminar empleos que no ocurren en un alto nivel de interacción humana. Y se han creado nuevos empleos medida que los negocios empiezan a mirarlos o perezosos o dado esto es donde se puede enchufar la IA y el aprendizaje automático. Entonces espero que entiendas por qué ahora la IA es tan importante, por qué, cómo va a ser y cómo va a revolucionar cómo trabaja la gente y vivirá la gente. He agregado un enlace en la sección de recursos, chicos, para que puedas obtener más información sobre la cuarta revolución porque, créanlo o no, No es solo la idea otros aspectos a ella por n, Es muy fascinante. Va a liderar a la gente, a todos los gobiernos les interesa ver cómo manejarlo. ¿ Cuáles son la ética de la misma? Es simplemente horrible. Podemos tener una conferencia o podemos tener un curso que acaba de dedicarse a eso. Por lo que espero que ahora entiendas por qué es tan importante. Entonces ahora hemos entendido que, quiero decir, ya sabes la importancia de un, pero por qué se ha convertido en tan carbono de repente, quiero decir, lo que ha pasado en los últimos años que estamos viendo tal enormes sin duda los productos y servicios de Eva. Estamos viendo que las empresas de puestos de trabajo TI lo estaban poniendo los gobiernos interesados porque el concepto de VAs, excepciones de los años cincuenta y el Senado, pero no pasó nada sustancial. ¿ Y por qué fue eso? Bueno, fue principalmente por tres razones, tres deficiencias. Había falta de poder informático, falta de datos, y falta de talento. Entonces si miramos esto, así, y estas son las tres cosas que ahora se han ido. Y tenemos como básicamente estar disponibles en gran medida. Y esa es la razón por la que han sido una oleada tan enorme en el servicio de abdominales. Y veamos la primera fila, por qué se puede imprimir en color. Ahora, lo que ha pasado es lo principal es la computación en la nube. Ahora, técnicamente existió antes de la Nube, ¿verdad? La inteligencia artificial era la esencia de una pieza. Pero recientemente la Nube fue realmente el catalizador para la adopción de IA para acelerar. ¿ Por qué? Bueno, porque la IA necesita una tremenda cantidad de poder de procesamiento. Y lo que pasó con la Nube, puedes girar VM con CPU, memoria o disco, y básicamente puedes ponerla en una VM tan poderosa como quieras. Entonces ahora tienes este servicio de cómputos bajo demanda, que solo he estado con los proveedores de Cloud. Adicionalmente, el gran problema con proveedores como AWS o GCP, incluso tienen servicios gestionados e IA, que toman mucha de la complejidad para los servicios. Y quitaron la barrera para entrada también para los recién llegados. Por lo que es muy fácil no involucrarse en el montaje. Simplemente no hemos podido antes. Y el segundo son los chicos de datos. Ahora lo hizo la nube necesita datos y montones y mucho de ella. ¿ Por qué? Porque cuanto más datos alimentas un modelo de IA, con mayor precisión podrás tomar predicciones y decisiones. Y datos de byte, quiero, quiero ser claro. No me refiero a datos, sólo registros, pero datos significa Weiss, imágenes, video, ubicación geográfica, datos de teléfonos inteligentes y así sucesivamente. Y esto simplemente no es posible antes de que fuera, no era posible almacenar demasiado ya que muchos datos, ya sea por el costo o el almacenamiento en sí era limitado. Ahora con el big data y el costo reducido de almacenamiento que este talento se ha ido. Y por último, pero no menos importante era el elemento humano que era la inversión. Gobiernos. No estamos viendo ese valor eterno de nuestra inversión en IA. Y eso ha cambiado drásticamente. Ahora los elementos han visto el potencial y hay una fuerte inversión en el futuro. Ai. Y empresas start-ups están buscando cómo cambiar las Montañas Rocosas para acomodar una en el futuro. Contamos con instituciones educativas de la Universidad que ofrecen programas de nivel dedicado y de maestría en EIA. El curso del nivel del curso en el discurso que estás manejando en este momento. Esto simplemente no es algo inaudito hace bastante tiempo porque nadie se hubiera interesado en la ayuda simplemente no se hizo popular. Pero todo esto se ha ido. Entonces por eso se ha vuelto tan popular en los últimos tiempos. Y está bien, así que la novela entendió el impacto de la IA y por qué se ha vuelto tan popular. Entonces, ¿cómo estás usando el agar es en todos los días si solo puedes pensar en unos cuantos servicios. Entonces echemos un vistazo a Netflix, creo que todo el mundo tiene un flujo de AC, ¿verdad chicos? Eres personalización. La personalización, que sucede, ya sabes, para recomendaciones de películas, utiliza el ojo móvil que tienes, a medida que ves películas y Netflix entiende qué tipo de películas te gustan, empieza a recomendar qué, eso es todo aprendizaje automático. Es mirar las películas que les gustan y películas similares que otras personas están viendo. Y en base a eso, es modelo, es el modelo basado en a y machine learning. Te recomienda películas para que siga interesándose. Creo que todo el mundo reconoce a cualquiera que tenga un iPhone haga clic necesariamente. Lo que hace el CV es usar una síntesis del habla, reconocimiento del habla como Procesamiento Nacional del Lenguaje Natural, entiende lo que estás viendo y con un alto grado de precisión, es capaz para proporcionarte lo que quieres y es capaz de conectar google. Creo que todo el mundo debería saber esto como la búsqueda de Google. A medida que estás escribiendo, puedes ver Google llenando el espacio en blanco. Ya está entendiendo lo que tenderás a buscar con un alto grado de precisión. Es capaz de predecir que la IA se está construyendo, integrada en los algoritmos de búsqueda de Google. De igual manera que Google Maps, podría haber visto Google Maps, ¿ verdad? ¿Qué hace? Estaría usando Google Maps. Se etiqueta estimación dónde lo tenías y cómo navegar sin ningún mando radioactividad, Ella tose, tifones y todo. Twitter. hoy podría haber visto la priorización de la línea de tiempo. Ha cambiado. En lugar de sólo ver el tuit más alto, realidad mira lo que has estado haciendo, cuáles son tus intereses, cuáles son los tratados pertinentes podrían estar interesados. Y en base a eso, prioriza tus tweets y te lo muestra, correcto, cuáles son las colegiaturas que más les interesen. De igual manera, parpadeando, abanderado de su caso del habla de la cadera. Es decir, cosas que no son aceptables en una sociedad moderna. En realidad es que no puedes tener a un tipo simplemente pasando manualmente por millones y millones de tuits tarde. Entonces en realidad es mortal, pasa por él y las banderas, que discurso comprende de discurso de odio y lo banderas y menos visible. Creo que Facebook todo el mundo está usando ¿verdad? Te Facebook a través del reconocimiento facial, llamas nueva etiqueta tus contactos. A través del reconocimiento facial es capaz entender cuáles son las imágenes sobre lo que está apareciendo tu contexto. Y es capaz de tamizar a través de millones y millones de imágenes y mostrártelo. Por lo que estos son sólo algunos de ellos y cada día implicaciones que están usando AI en. Entonces tengo que hacerlo contextualiza y muestra cuántos ojos se vuelven y cómo llegaste a ser suficiente viniendo. Es decir, lo estás usando sin siquiera pensar en ello. Está bien chicos, gracias. Espero que hayas entendido ahora para lo que sea maravillosamente que estemos tratando de lograr aquí. Entonces pasemos a la nueva sección. Gracias. 4. Demo de Google AI: Entonces chicos, ahora que hemos entendido la IA y sus conceptos e impacto, Vamos a tener una demo rápida con Vision API, que está disponible en Google, y que te da la capacidad de analizar imágenes usando EIA y obtiene todo tipo de perspicacia de ello. Te puede decir mirando imágenes que te pueden decir qué objetos hay, qué emociones hay debajo de los rostros de las personas, qué texturas presentes en su magia, cetera, es extremadamente poderosa. Es decir, incluso se pueden detectar las imágenes en clase todos los días en las clasificadas en millones de categorías, que ya están predefinidas. Pero Google, algunas personas lo están usando para detectar texto en imágenes. Para OCR, deja q procesar documentos aunque seas como en un negocio. Digamos que si eres un negocio de comercio electrónico y estás aceptando imágenes, puedes usarlo para la externalidad para saber si alguna imagen tiene contenido para adultos mientras están en jaulas. Se trata de una herramienta extremadamente poderosa. Entonces echemos un vistazo chicos. Entonces en caso de que te estés preguntando qué, qué les gusta a los guionistas y YMCA , estás viendo a dos de mí. Es sencillo. Pongo en cuñas de mí mismo, una con una nota manuscrita y cuando habría impreso una. Entonces veamos, veamos la visión de Google y veamos cuánto, cuántos datos puede extraer Google de ella con inteligencia artificial. Por lo que por favor visita la página en su lugar en la sección de recursos, solo tienes que dar click en ella y te veré allí. Entonces chicos, esto es una pantalla. Te estaba diciendo si esto es Google Vision API es fácilmente Es agente a cloud dot google.com slash vision. Al igual que un tolueno. Cuenta con una API de Vision para que puedas hacerlo entonces simplemente no necesitas hacer ninguna programación nada. Simplemente puedes volver a arrastrar tu imagen y ver qué tipo de datos se pueden extraer de ella. Entonces veamos la imagen híbrida que puse ahí. Abramos desde su mirada en la cúpula. Entonces esto son chicos bastante interesantes. Mira. Entonces me tomó mi expresión, cantar posible y posiblemente soy feliz, soy yo, supongo que estoy sonriendo un poco mejor. Se puede ver que se conecta, ya sea 98 por ciento de confianza de decir, Niza, Vale, ¿cuáles son los objetos? Ahí hay una persona, definitivamente la camisa amarilla y todo lo que los liberales. Así Manguito de escritura a mano solo para que puedas ver todo eso detectó ¿Cuál es la búsqueda de texto. Por lo que no designó un i es impresionante. De acuerdo, Así que tanto fue capaz de detectar cuáles son las propiedades, no los colores y todo. Eso es increíble. Búsqueda segura detecta si Lego, por suerte, no hay Lo que llamas un documento en esta imagen. Gracias a Dios por eso. Y así se puede ver cuánto fue capaz de detectar sólo por la imagen simple desde el rostro, emociones, objeto, etiquetas, texto. Propiedad es búsqueda segura. ¿ De acuerdo? Entonces hagamos una cosa. Echemos un vistazo al que estoy sosteniendo el cuadro impreso. Está bien. Entonces este es el segundo. Noviembre, tengo el documento impreso de mi mano. Yo sólo quería ver a la U para mostrar la diferencia. Está bien. De nuevo, supongo que estoy feliz en ambas fotos, lo cual es bonito. Está bien. ¿ Cuáles son los objetos ahora? Persona, curiosamente, lo que llamó la camisa y todos esos niveles de tasa. Está bien. Uniforme deportivo jersey. Está bien. ¿También me lleva la barba? Eso me gusta. Oops, lo siento. Texto. Mira eso. No detectaría probablemente un es impresionante. Aprende a usarlo porque supongo que era más, mi iluminación no era legible, pero me gusta ese pescador monomial dice Londres, si puedes ver aquí, incluso fue capaz de detectar eso. Eso es bastante asombroso. Se puede ver eso aquí, ¿verdad? Propiedad está bien, los colores dominantes y otros Es una respuesta adictiva si tal, nuevo, por suerte, no hay un plazo de contacto, evite y la imagen de salvación. Se puede ver apenas la cantidad de imagen capaz de extraer de los movimientos de los objetos. Y luego deliberadamente tomó acaba de ser impreso y 100 manuscrito. Pero me gusta mucho el hecho de que incluso fue capaz de detectar distinguir. No estaba listo para ello. Y dice Londres sólo el BUN es visible y fue capaz de detectar eso también. Entonces crees que solo quería darte una demo rápida y rápida. Simplemente saltaré horriblemente como se convierta y cuánta imagen es capaz de detectar. Yo quiero que hagas una cosa. Yo quiero tomarme unas fotos y protegerte. Simplemente son ver, simplemente jugar con él, ver cuántas imágenes. Y la DEC, cualquier bacteria no lo almacena. Por lo que no tienes que preocuparte por la privacidad ni nada, pero solo ve cuánta información puede extraer de cualquiera de tus fotos de muestra. Está bien. Gracias chicos y nos vemos en la siguiente sección. 5. Resumen: Hola a todos. Por lo que finalmente hemos llegado al final de este apartado. Y de verdad espero que hayas disfrutado aprendiendo sobre cuál es su trasfondo y también cuán grande de un impacto está teniendo en nuestra vida cotidiana. Ahora nos enteramos de la realidad del enemigo AIA realmente lo distinguen de la versión de ciencia ficción, que lamentablemente está presente en la mente de algunas personas. Y también entendimos por qué EIA repente en todas partes hoy en día sabemos qué, qué, por qué, por qué es eso? ¿ Cuáles son los factores que han contribuido a ello? Y por último, con la demo rápida y sucia de Google Vision API, que utiliza el reconocimiento de imágenes para gustar efecto realmente increíble. Y esta EPA está disponible para cualquier persona que quiera usarlo. Definitivamente animaría a todos ustedes a experimentar con ello. Vea los diferentes resultados que vienen con objetos, textos, expresiones. Trata de trazar algo con un 100 y subir algo que imprimió para realmente tener una idea cómo la accesibilidad y se ha convertido en una idea, energía, y lo inteligente que es. Entonces ahora que tienes una base sólida, ahora es el momento de hacer una inmersión profunda en cómo funciona la IA y cuáles son los conceptos clave. Y esto se adquieren chicos antes de que empecemos a construir cuando los servicios de IA. Por lo que este definitivamente es el próximo módulo definitivamente es el más importante. Por lo que te veo en el siguiente apartado. Gracias. 6. Conceptos básicos de AI: Hola a todos. Bienvenido a esta sección en la que discutirás los detalles sobre cómo funciona la IA y qué es el aprendizaje automático. Y esto es chicos muy importantes. Discutiremos en detalle los diferentes tipos de modelos de aprendizaje automático, cómo funcionan y Michael Butterworth, dulce situación. La importancia de este modelo es que una vez que tengas esta base en su lugar, podemos empezar a construir nuestros propios modelos. Entonces por eso yo fácilmente, esta es la sección más importante de este curso. Y definitivamente sí necesitaría toda su atención aquí, por favor. pocas palabras, si tu escenario básico, si tus conceptos básicos están en su lugar, entonces crear servicios de IA se vuelve mucho más fácil. Entonces, empecemos. Entonces, en primer lugar, me gustaría aclarar algunos términos comunes que usted escuchó mucho y que la gente utiliza indistintamente. Y eso es AI y machine learning y deep learning. Entonces mientras que los que usé juntos, definitivamente no son lo mismo. Entonces necesitamos que esto se aclare, chicos. Inteligencia artificial que hemos discutido. Es una forma de describir cualquier sistema que pueda replicar tareas que antes requerían inteligencia humana. Casi siempre. Es decir, esto es un poco algún tipo de toma de decisiones complejas. Se requeriría el juicio humano, ya sabes, como la mayoría del sistema USCA AAA implicaría hacer predicciones. Las clasificaciones son decisiones con alto grado de certeza de una manera similar al juicio humano. Entonces este es todo el campo de hacer máquinas inteligentes que lo hagan. El siguiente paso es el aprendizaje automático. Ahora ese es un subconjunto del ojo. Y como dice el nombre, quiero decir, podrías entender lo que es por el propio nombre. Se trata de dar a un competitivo la capacidad de aprender con nuestro ácido en realidad, pero de tomar decisión por sí mismo. Y esta es definitivamente la zona que pasaremos la mayor parte de nuestro tiempo y dispondremos. ¿ O por qué es eso? Eso es sencillo. Casi todos los sistemas AAC hoy que creé usando machine learning y la IA se pueden crear sin machine learning. No te voy a mentir, pero ahora mismo, aprendizaje automático es el método principal para crear sistemas de IA. De igual manera, puedes usar el aprendizaje automático para cosas distintas a las ocho. Pero en este momento la mayoría del machine learning es un afín. Por lo que entraremos en gran detalle en el capítulo sobre aprendizaje automático y cómo funciona. ¿ Cuáles son los diferentes tipos? Por último es el deep learning, o el deep learning es un subconjunto de machine learning. Es básicamente el aprendizaje automático toma al siguiente nivel que lleva la mejor manera de entenderlo. Los modelos de aprendizaje profundo no lo hicieron. Pueden hacer sus propias predicciones completamente independientes de los seres humanos y utilizan redes neuronales. Bueno, ¿qué significa eso? Básicamente, está inspirado en cómo funciona tu cerebro. La red neuronal biológica, que no es cerebro humano. Analiza datos con una estructura lógica similar a cómo son los seres humanos. Conocemos el impulso a las conclusiones. Y honestamente chicos, algunos muy, muy complejidad del tema. No voy a entrar en demasiados detalles. Y en cambio estaremos centrando la mayoría de ella en el medio, que es el aprendizaje automático, como se mencionó. Entonces vamos a hacer una inmersión profunda en el aprendizaje automático, y te veré en la siguiente sección. Gracias. 7. Comprender el aprendizaje automático: Hola chicos, Bienvenidos a esta sección, que es fácilmente la sección más importante de este curso, que explica en detalle cómo funciona el machine learning. Ahora, como expliqué antes, aprendizaje automático es un subconjunto de inteligencia artificial. ¿ Y qué hace? Permite que un programa o software aprenda de su experiencia y de sus mejoradas, sus tareas mejoradas de autocuidado sin ser programadas explícitamente. Ahora suena realmente extraño, pero ¿cómo hacemos al respecto? Entonces si sabes algo programación tradicional o de cómo funcionan las computadoras, sabes cómo funcionan las computadoras. Ah, lo que hace una computadora es sentir que tomas algo de entrada y escribes una tasa de programa y les dices que puedo poner como, Vale, esto es lo que va a venir. Esto es lo que tienes que hacer, y utiliza ese programa para generar una salida. Es así como las computadoras siempre han funcionado bastante. Nadie viene al aprendizaje automático. Es un poco diferente. En realidad le das la entrada y le dices cuál es la salida esperada. Y la propia computadora va a elaborar un programa. Se le llama el color en sí, un modelo. Se va a usar eso para generar cuál es la salida. Entonces si lo miramos uno por uno, así obtienes montones y montones de datos. Pero se va a hacer y se lo das y tienes que llegar a entender esos datos. Buenos chicos, esto es lo que va a ser. Sí, la propia máquina construirá un modelo. Vamos a usar esto para predecir algo que está sucediendo, sucedió todavía. Aún no lo has vendido. Ahora le daré más detalle. Nunca voy a ver si está funcionando o no. Tu modelo es correcto o no. Si había menos, no le voy a dar más datos. Vas a tener que devolverlo varias veces. Encontramos que le da más conjeturas de uso hasta que se forme la salida deseada. ¿Qué está pasando? La máquina básicamente la está ejecutando por su cuenta. Y había los que se volvieran cada vez más precisos con el tiempo como si debatiera. Entonces, vamos a ver. Más representación diagramática de este círculo, que sea más claro. Entonces chicos de aprendizaje automático. Entonces mientras tienes, tienes datos de entrenamiento y sí, así que echemos un vistazo a esto. Lo que está sucediendo en el proceso de aprendizaje automático comienza con entrada de datos de entrenamiento en un algoritmo. De acuerdo, ¿qué es entonces para ellos? En primer lugar, iré con ellos es solo una forma para que la computadora entienda qué datos le estás ajustando y le dé sentido. Entonces, ¿qué va a pasar? La máquina va a tomar este algoritmo, tomar estos datos, y va a construir un modelo. Este modelo es lo que llamó a. Entonces, básicamente, ¿cuál es el modelo? El modelo es la salida de tu algoritmo y tus datos. Entonces eso es lo que básicamente se llama, va a usar esto para predecir algo que aún no ha sucedido. Por lo que ahora tenemos datos de FedEx, tenemos a Delgado a partir de las ventas creado un modelo. Ahora veamos qué está pasando. Si das algunos datos reales. Tomemos algunos datos reales ahora y lo introduzcamos en el modelo. Entonces, ¿qué pasa entonces? predicción va a hacer una predicción y va a dejar ver si es correcta o no. Entonces, ¿qué voy a evaluar esos son, así que supongamos que la predicción no va a volver atrás. Si la predicción no es la esperada, entonces el algoritmo nutriente varias veces hasta que la salida deseada como teléfonos, lo que sucedió que esto habilita un algoritmo de aprendizaje automático continúe aprender exon y producir la respuesta más óptima. Y aumentará en precisión con el tiempo. Cuantos más datos alimentes va a aumentar en precisión. Entonces, en pocas palabras, el aprendizaje automático de decisión de fianza es, y si recuerdas lo que discutimos hace tiempo, nos fijamos d por d Theta es tan importante para la IA y por qué la posibilidad de tener tantos datos, eso es por qué estás viendo aumentar tanto los servicios de IA. Bueno, este es uno de ellos usos. Un modelo de aprendizaje automático sólo es tan bueno como los datos que le alimentas como porque aprende de los datos históricos que se le introducen y construyó sus algoritmos de predicción para predecir la salida de un nuevo conjunto de los datos determinarán la exactitud de los modelos. Si depende de la calidad y cantidad de datos de entrada, le das una gran cantidad de datos, se va a construir un mejor modelo y producir con mayor precisión. Por lo que espero ahora quita algo del misterio del aprendizaje automático. Entonces vayamos a la siguiente sección y veamos los diferentes tipos de aprendizaje automático que son. Gracias chicos. 8. Tipos de aprendizaje automático: Hola chicos. Bienvenido a esta sección, que en la que vamos a entrar en los diferentes tipos de aprendizaje automático. Por lo que el aprendizaje automático es un objeto complejo en sí mismo. Y eso no lo es, Se ha dividido en dos áreas principales, que es el aprendizaje supervisado y el aprendizaje no supervisado. Por lo que cada uno tiene un propósito y una acción específicos. Ya sabes, dentro del aprendizaje automático, producen diferentes resultados y utilizan diferentes tipos de datos. Yo diría que aproximadamente el 70 por ciento del aprendizaje automático suele ser un aprendizaje supervisado. aprendizaje no supervisado oscila entre el 10 y el 20 por ciento. La principal diferencia entre los dos suele venir en los datos que se factoriza, cierto, los datos de la etiqueta o no etiquetados. Entonces, ¿cuál es la diferencia en los datos etiquetados? Yo, ya sabes, es bastante sencillo entender las salidas importantes. Entonces lo alimentas al modelo, sólidamente entendido. Entonces le dices a la máquina que esto es lo que son los datos y esto es lo que tú, qué salida estás extrayendo. Y cuando los datos no etiquetados y limitados ya que no tiene la salida, no tiene la línea de entrada en uno de los parámetros como faltante. Entonces lo bueno de la TI etiquetada ES que le digas a la computadora ya lo que estás esperando. Pero causará más esfuerzo humano porque ahora hay que etiquetar todos los datos. Y eso puede llevar bastante tiempo. Y en el aprendizaje sin supervisión, no tienes que decirle cuáles son los datos, por lo que puedes escupir en todo el esfuerzo humano. Pero el problema es, por supuesto, que causará soluciones más complejas. Entonces hagámoslo. Vamos a entrar en detalle en el aprendizaje supervisado. Entonces quiero que entiendas suponiendo que estás haciendo una tarea y estás haciendo algo por primera vez y tienes un apoyo como parado sobre ti y es jetting si estás haciendo es algo que una cue on correctamente. Si no estaba conectado calor como se puede durante este tiempo, hágalo correctamente. Entonces esto es básicamente lo que es el aprendizaje supervisado, que ni la explicación está ahí y luego la imagen vende la máquina, lo hace bajo supervisión. Bueno, ¿qué significa eso? Le das un dato de etiqueta cuando lo estás girando. Y lo que pasa es básicamente el detalle que lo estás alimentando. Ya vuelve con la respuesta. El alcohol que Dalton debería inventar. Entonces una base de datos de etiquetas. Y tomemos un ejemplo. Tú, te estás alimentando en diferentes tipos de flores, ya sabes, tal vez rosas, margaritas, narcisos. Entonces cada vez que le estás dando los datos aquí, ¿qué hizo la flor? Ya está ahí en los datos. Entonces lo que pasa se beneficia un nuevo conjunto de datos e imaginas el modelo lo va a comparar con los ejemplos que ya le diste. Y para poner a predecir lo que la nueva imagen. Esto es básicamente aprendizaje supervisado, aprendizaje no supervisado. Es exactamente lo contrario. Se limpia la realidad a la perfección los datos de nivel no es tan fácil de conseguir. O si hay mucho esfuerzo humano que entra en ello. Entonces, y a veces eso es lo que la investigación muestra que al hacer las preguntas, no conozco la respuesta por sí mismos. Entonces este es el aprendizaje sin supervisión viene en chicos. En el aprendizaje no supervisado, al modelo de aprendizaje automático se le da un conjunto de datos sin instrucciones claras sobre qué hacer con él. Por lo que puede ser una serie de ejemplos de datos sin el resultado o la respuesta correcta. Entonces, ¿qué va a pasar? El modelo va a pasar estos datos en sí y es un poco encontrar los patrones. Va a encontrar estructuras en los datos extrayendo características. Por lo que te mostraré a detalle últimamente. Tengamos un flujo gráfico como lo hicimos antes para levantarnos ideas tempranas. Pero antes de irnos, me gustaría chicos, como les dije, como, 70 por ciento suele ser mucho Sheila pero supervisado aprendizaje y entonces yo diría de 10 a 20 por ciento es. Y supongamos que hubo otro también que se llama aprendizaje de refuerzo, que no se utiliza con tanta frecuencia. Pero sí quiero discutir contigo en caso de que tuvieras al respecto, reforzada. El aprendizaje de refuerzo es más sobre el ensayo y el error. Entonces básicamente es una forma de entrar como podrías jugar a un videojuego, ya sabes, primera vez que juegas con el nivel, no sabes qué hacer, ¿verdad? Estás vagando por ahí, estás haciendo esto, haciendo ese juicio y error, cometes errores y entiendes esos. Esto es básicamente lo que es el aprendizaje de refuerzo. Les da hacer cosas, cometer errores, y entender lo que está pasando. Y se encuentra. Esta técnica se suele utilizar para entrenar robots. Ya sabes, hace una serie de tareas de decisión como Venecia, haciendo un vehículo autónomo como si estuvieran conduciendo por sí mismo, o gestionando inventario. Entonces aquí es básicamente donde entra el aprendizaje de refuerzo, pero no entraremos en demasiados detalles porque se enfocó en supervisados y no supervisados. Entonces ahora que entendemos estos dos modelos principales que se utilizan, Veamos una representación gráfica de los mismos para tener una mejor idea. Por lo que en primer lugar se supervisa el aprendizaje automático. Por lo que en el aprendizaje supervisado, como les dije, utilizamos datos conocidos o etiquetados. Y como se conocen los datos, al aprendizaje de la fosforilasa le gusta decir, ya sabes qué es la salida, te daré un ejemplo sencillo. Entonces suponiendo que tengas un hijo contigo, ¿verdad? Les muestras una foto de un perro y él dijo que esto es un perro y se le muestra una foto de un gato y la encontrarías, Hey, es un gato. Ahora le muestras suficientes fotos. El showman sede, nuevo cuadro. Ahora va a saber que va a reconocer que va a aprender a diferenciar entre ellos porque lo que ha pasado, hay que conocerlo y es capaz de reconocer diferentes razas de perros. Es porque aunque no hayas visto eso, porque sabe cuáles son sus características básicas de un perro. Está bien. Espero que lo entiendas. Entonces vamos a ver. Por lo que ahora tienes una serie de fotos. Tienes esta tasa de datos. Has puesto una etiqueta de perro. Y si no teníamos el modelo de aprendizaje automático y el cambio de algoritmo, qué lo hace ahora tienes un modelo de aprendizaje supervisado. Por lo que ahora tienes este dato. Vamos a alimentarle algunos datos desconocidos. Entonces vas a encajar una foto de un perro nuevo es algo que no había estado viviendo antes. De qué va va va a recoger acción. Sí, es médico, así que entiendo que es bastante sencillo. Eso es lo que se supone que aprenden son chicos, entrenas lo suficiente al modelo. Entiende mundo móvil, lo que hace va a entrar en él. Entonces, y ahora veamos el aprendizaje no supervisado. Ahora, como dijimos antes, se aprendió sin supervisión. El dato no está etiquetado, no se sabe. Le das al modelo absolutamente más saludable, pero los datos van a venir sin supervisión en absoluto. Entonces le alimentas algunos datos, como por ejemplo, gatos y perros y fotos, pero no lo dices, no le dices al modelo qué es. Por lo que estos datos se van a alimentar en el algoritmo de aprendizaje automático que se va a utilizar para limpiar el modelo. Entonces, ¿qué crees que va a hacer la modelo? Va a buscar patrones. Se va a ver OK. Amanda, los gatos y los perros se ven diferentes. Tienen diferentes actividades van a pasar los datos y lo va a clasificar. Estos dos animales se ven similares entre sí, pero va a ver las diferencias entre esos. Entonces los algoritmos, el aprendizaje automático por sí mismo y descubre un patrón en una estructura. Y como está trabajando con datos no etiquetados, tiene que averiguar por sí mismo cuáles son las características comunes y separarlas. Entonces sí, va a separar el carro por separado y va a separar al perro por separado. Entonces entiendes cuál es la ventaja del aprendizaje automático no supervisado. Es, tiene la capacidad de ir a los datos no etiquetados. Tan humanamente, pues no se adquiere y etiquetando todo esto, hacer que todos los datos antes legibles permita un ecosistema mucho mayor sobre la factura porque puede saltarse toda la mano de obra humana. Pero lo que es la cosa, se vuelve mucho más compleja. Por lo que espero que entendieran ahora cosechar libros de aprendizaje automático supervisados y no supervisados. Y así voy a pasar a la siguiente sección en esta demo es uno de estos algoritmos porque a veces la gente sí pregunta, bueno cómo funcionan estos algoritmos. Entonces necesito escena la siguiente sección, chicos, gracias. Espero saber que has entendido que funcionan todos estos diferentes modelos. 9. Algoritmo KNN: Hola chicos. Bienvenido a esta sección completamente opcional. Depende de ti. Puedes saltarte si quieres. Entonces esto se trata básicamente de, porque mucha gente sí me pregunta a veces sobre estos algoritmos de aprendizaje automático. Ya sabes, ¿cómo funcionan? Al igual que ¿qué puede la mecánica detrás de algunos de estos algoritmos? Si quieres conocer los detalles de esto, he elegido un simple algoritmo de aprendizaje automático. Es uno de los más fáciles y sencillos de implementar, que es un algoritmo de aprendizaje automático, que se llama la clave de vecino más cercano Kim. Y un algoritmo para abreviar. Se trata de un algoritmo de aprendizaje automático supervisado. Y lo que hace, lo, se basa en el simple principio de que cosas similares existen en las proximidades. Es decir, ustedes los vecinos William son, básicamente eres así. Eso deja a es B, Es a nombre también el vecino más cercano. O es muy sencillo y fácil de entender. Entonces lo que pasa es que agrupa los datos existentes y lo que lo hace cuando le das nuevos datos, pone los datos en la misma categoría, si son cosas similares. Y en base a eso, hace que una predicción tipos culpables distinguen probabilidad que. Entonces tomemos un ejemplo de lo que es este diagrama. Supongamos que tienes una imagen de una criatura elegida gato o perro, ¿verdad? Entonces lo que pasa es que has alimentado al modelo, los datos sobre gatos y perros en función de la altura y el peso. Por lo que tiene grupo que los datos suelen decidir sobre la calle y los bulbos o esta industria de las TIC. Entonces como tal vez quieras poner una nueva imagen ahí de un gato y un perro. Y no construiré el modelo, ya sea un gato o un perro. Yo sólo le digo que es de ancho elevado. Entonces, ¿qué va a pasar? Lo vas a agrupar y vas a revisar cuáles son sus vecinos más cercanos, iónicos ya sean gatos o perros. Y en base a eso, va a hacer una predicción. Entonces echemos un vistazo. Por lo que le doy una nueva imagen que tengo. No le digo qué es, ¿verdad? Lo que va a hacer es comprobar la altura y el peso. Vamos a caer en Italia tenía una captura, sus vecinos más cercanos así. Por lo que es más o menos lo mismo. Se vuelve a las 6 en punto. Cualquiera de ellos creé una foto de un perro sin decirle lo que va a pasar. Se va a revisar la altura y el peso, de acuerdo. Es para alguien, está cayendo en los vecinos más cercanos, que son perros. Entonces basado en eso va a decir, vale, esto definitivamente es un perro. Sí. Para que puedas entender la ventaja de esta estrategia de mortero para entender gente hace scripting Python de esto, puedes encontrar fácilmente modelos de esto en Internet. El inconveniente de esto como el, porque necesita una gran cantidad de datos que puedes entender para hacer predicciones correctamente porque va a tener que categorizar es modelo similar. La precisión aumentará en función del número de datos que tenga. El inconveniente de los visitantes se vuelve más lento a medida que aumenta el volumen de datos. Ya sabes, porque si tienes lo que llamó un medio ambiente, necesitas hacer predicciones rápidamente. Knn podría no ser el modelo más óptimo conseguido para ti. Pero suponiendo que tengas algunos recursos informáticos suficientes, ya sabes, tus, tus computadoras son tan poderosas que en realidad puede manejar todos los datos que vas a usar, entonces puede ser un muy buen modelo para uso. Entonces espero que hayas entendido ahora algo de lo poco elegante fondo de la enorme cantidad electoralmente de algoritmos. No voy a pasar por todos ellos. Solo quería mostrarles que este es el back-end de cómo suelen funcionar los algoritmos. Está bien chicos, Gracias. Al igual que usted en la siguiente sección. 10. Resumen: Hola chicos, vimos que llegamos al final de esta muy importante sección sobre machine learning y los conceptos clave detrás de la IA. Espero que hayas entendido los conceptos básicos del aprendizaje automático de IA. Tomamos, nos dimos una profunda inmersión en aprendizaje automático y aprendimos diferentes tipos de él. Los diferentes tipos de modelos que subarrays y sin supervisión. Y también echamos un vistazo a uno de los algoritmos, que se llama el vecino k-más cercano. Entonces como dije, esta fue la sección más importante de los costos directos. Entonces lo bueno de esto es que ahora se acabó la teoría. Se acabó la parte teórica de este curso ahora tienes suficiente información, conocimientos suficientes para empezar a crear tus propios proyectos de machine learning, lo cual no estás por hacer. Entonces esto son chicos realmente emocionantes. Te voy a ver en la siguiente sección. Gracias. 11. Es hora de construir un modelo de aprendizaje automático: Está bien chicos. Así que bienvenido. Me alegra decirles que cerca terminó la parte conceptual 1, 2, 3. Hola chicos. Bienvenido a esta sección. Y me alegra decirles que hemos terminado la parte conceptual. Por supuesto. Y ahora estamos listos para ponernos crujidos en la construcción servicios reales basados en inteligencia artificial. Entonces ya que el aprendizaje automático es pasión mía, así que pensé que sería buena idea, Construyamos un modelo de aprendizaje automático supervisado para nosotros mismos. Entonces, ¿qué vas a hacer? Vamos a entrenar una máquina para reconocer imágenes liberales y luego presentarla con datos frescos para comprobar si el modelo que hicimos fue exitoso o no exactamente como lo discutimos antes. Entonces toda la teoría de que discutimos un dios, lo vas a poner en acción. Entonces la buena noticia es que no te vamos a dar no necesitas hacer ninguna programación ya que están bajo las Herramientas presentes, que pueden manejar toda la bolsa en complejidad para nosotros. Es algo que no podríamos haber imaginado posible hace unos años. Entonces para hacerlo, Echemos un vistazo a una de mis herramientas favoritas que es máquina enseñable por Google. Ahora máquina enseñable, es, ¿qué es exactamente? Está encendida. Se trata de una herramienta que hace que la creación de modelos de aprendizaje automático sea muy, muy fascinante, fácil que cualquiera pueda hacerlo. No hay barrera técnica que superar. Fue lanzado en 2017. Y lo que hace, hace que el aprendizaje automático sea accesible para todos. Es rápido, es fácil y es muy fácil de hacer. Puedes crear, ya sabes, modelos de aprendizaje automático para tus conocimientos y experiencia de aplicación. Según como un tranquilo, incluso podrías explorar los modelos que creas para tus proyectos y solo donaste para que yo estudie. Entonces déjame solo mostrarte déjame ir ahí. El enlace para esto está en la sección de recursos, chicos. Hola chicos. Entonces esta es máquina enseñable. Pero cuando te estaba hablando, entonces aquí es donde puedes crear modelos que puedes crear. Ahora usando esto, puedes crear modelos que puedan, digamos que puedes identificar imágenes usando archivos de una cámara web. Puedes enseñarles qué estanco y si sueno muestras, incluso mi favorito es que incluso lo puedes enseñar a clasificar el movimiento corporal. Supongamos un interruptor que golpeas frente a tu webcam. Entonces solo para mostrarte, sí, puedes ver. Entonces esto es para imágenes, sonidos, puedes hacer algo incluso pausas. Entonces todo esto lo puedes hacer. Entonces, empecemos con los laicos de primera tendencia. Pero cada espectáculo que recibes, si lo ves en acción, lo entendemos mucho mejor. Empecemos, chicos. Y hagamos un producto de imagen. ¿ De acuerdo? Entonces, ¿qué vamos a hacer? Vamos a básicamente lo que dijo, Así es como es el machine learning más complejo, lo siento, máquina enseñable consigue estos otros clase de clase Lanisha a este otro tipo de datos, vamos a refutándolo. Entonces hagamos una cosa. Vamos a crear un modelo de aprendizaje automático para identificar diferentes tipos de frutas. Entonces lo van a entrenar para algunos datos en vivo y luego ver cómo lo hace, qué tan bien puede identificar diferentes tipos de imágenes que le presentas y lo que él llama. Entonces esto es todo lo que necesitas para hacerlo. Entonces hagamos una cosa. Empecemos, chicos. Vamos a crear como de primera clase, Se llama Apple. De acuerdo, segunda clase, hagámoslo. Añadamos una conjetura más. Eso sería yo creo que lo consiguió. Está bien. De acuerdo, entonces ahora que hemos creado estas pocas clases diferentes, lo que necesitamos hacer es darle algunos datos. Tan pesado, necesitamos darle de comer algunas imágenes para que realmente pueda entender. Entonces cuando nos presenten datos en vivo, así que hagamos una cosa. Déjame encender su webcam y presentarme para algunas imágenes. Está bien chicos. Entonces este soy yo. Voy a aguantar una manzana y 2008 tanto como sea posible. Entonces ven esto, esto en realidad es reunir todos los datos. Parecía que Apple presentaba para vol, tanto como fuera posible. Voy a darle la mayor cantidad de datos posible para que reconozca. Entonces tienes un tío 25 y Wendy's, creo que eso debería ser suficiente. Está bien. Eso es todo para Napa. Está bien. Lo mismo ahora para los chicos del plátano. De acuerdo, así que vamos a sostenerlo. Esto es sólo para darle la mayor cantidad de datos posible. ¿ De acuerdo? Está construyendo toda esta biblioteca de imágenes. ¿ De acuerdo? Creo que eso más o menos de la misma manera que lo hicimos por eso. Está bien. Uno más. Está bien. Vamos a grabarlo. Deja que mantenga toda la alerta de datos, intenta rotarla tanto como sea posible. Entonces hace tanto como datos para construir ¿qué tasa? Ok. Eso es más o menos lo creo tanto con sí. Está bien. Entonces ahora hemos trastornado datos como lo hicimos. Aprendemos un aprendizaje automático supervisado, hemos trastornado datos reales ahora necesitamos entrenar el modelo. Entonces, vamos a dar click en esto. Sí. Entonces ahora ¿qué está haciendo? Va a reclamar comenzar a construir sus máquinas, modelo de aprendizaje automático supervisado, golfista mal manejado. Y en base a los datos que hemos trastornado, no chicos, cosa muy importante para Nazgul lejos de esta página porque entonces se detiene. Entonces no lo está corriendo por ahí. Sí, exactamente. A esto me refería. Entonces, ¿ahora qué está haciendo? Está encendiendo su algoritmo de aprendizaje automático supervisado. Y está limpiando el modelo para reconocer los datos en vivo cuando sucede. Por lo que ya casi se hace. De acuerdo, Bueno, entonces ya está la búsqueda lista ahora, ¿ aceptamos datos? Para que no te preocupes por eso. Entonces ven esto, lo hicieron encoger el nivel de confianza. Entonces el público no se preocupe porque es así que déjame levantar la mano. ¿ Ves la nieve? No es entender lo que es la mano. Sólo piensa que es una manzana. Eso es bastante gracioso porque no hemos financiado murió, pero lo hizo y vamos a predecir algunos datos reales y ver qué pasa, ¿de acuerdo? De acuerdo, honestamente sólo bien. Y veamos una manzana con amplios conocimientos. Se ve esto un 100 por ciento. Está diciendo que esto es una app y ves que no la confunde. ¿ De acuerdo? Y lo sabríamos ¿qué pasa? Creo que te va a salvar a ver si estoy moviendo mano pensando que eso pasó atrás, ¿eso es diferente? Sí, creo que mantiene un poco menos divertido. Tan bien. Ves el plátano y presentaba las cosas importan. Entonces te ves solo reconociendo que todavía hay algunos dobleces a la herramienta Clasificador. Se puede ver que está mirando al back-end y por alguna razón marcando es una audiencia porque algunos de los datos capturados, no lo hemos definido completamente. Pero ya ves cómo estas ideas ahora, si pongo un momento de manzana diciendo que es una manzana, de poner en plátano un bono del 100 por ciento de firma. Veo al marido sobre los datos. Entonces ese fue un caso bastante emocionante. Por lo que ahora has creado un modelo. ¿ Qué podemos hacer con ello, chicos? Entonces esto es solo para mostrarte, si vamos al modelo de exportación, en realidad ahora puedes exportar este modelo. Si haces click en subir mi modelo, lo que pasa es que en realidad te da un enlace en vivo. caso afirmativo, hace este enlace, puedes usarlo'll ¿QUIÉN dijo este enlace gratis? O si quisieras gustarla descargarla, en realidad puedes descargar un archivo zip con toda la codificación hecha. Entonces ya ves cuánto levantamiento pesado ha hecho Google por ti detrás de escena chicos. Entonces esto es, solo quería mostrarte lo fácil que es ahora crear modelos de aprendizaje automático. Y viste una aplicación real de la pureza que aprendimos en el curso anterior. Por supuesto, hay mucho pulido que podemos hacer con este modelo. Mi objetivo es solo mostrarte lo fácil que es. Entonces tengo una tarea para ustedes chicos. Quiero que vayas y hagas un audio o un post-proceso y juegues con este increíble servicio por ti mismo. No vas a creer que la gente ha construido algunas herramientas increíbles que crees máquina enseñable. Y de verdad quiero que lo experimentes por ti mismo en lugar de solo verme hacerlo, hazlo por ti mismo. Entonces una vez que lo hayas hecho y has jugado por ahí con los nerviosos en la siguiente sección. Gracias. 12. Servicios de AI AI en AWS: Hola chicos. Bienvenido a esta sección. Ahora espero que hayas disfrutado de la última lección con realmente creado un muy primer modelo de aprendizaje automático. Por lo que ahora estamos listos para probar algunos servicios de inteligencia artificial de noticias, pero esta vez no con Google, sino con ese Amazon. Ahora Amazon ofrece algunos de los servicios de machine learning más increíbles o propios absolutamente gratuitos, como Google, quieren que el machine learning sea accesible para todos. Entonces, antes de que empecemos, una cosa que necesito que hagas es que te indiques para crear un tratado gratuito de AWS a cuenta. Si no lo tienes, si no lo tienes ya, es muy fácil de hacer. Simplemente ve a la sección Recursos y pongo el enlace ahí, dios allá. Y por favor rellena el formulario y lo tendrías si no lo has hecho, por favor ve ahí y haz eso primero. El qué es, básicamente da a los clientes la capacidad de explorar y probar que una gran cantidad de servicios de AWS completamente gratuitos hasta límites especificados para cada servicio. Ahora, lo hace en este limitado servicios se brindan en los básicamente contra cada servicio en la página. Si tu aplicación que utilizas excede los elementos 3D jugarás como simplemente jugarás un servicio estándar de pago por uso, que están presentes para cada uno de nosotros tiene pero la buena noticia es que no estaremos rebasando ellos. No vamos a estar usando esos servicios tanto. Entonces si aún no lo has hecho, por favor adelante y crea tu 50 o servicio. En esta página se puede ver esto es lo que sea la base a Amazon.com slash pocos tales machine learning este linkage, no hay sección de recursos. Estos son los tres Servicios de Machine Learning que puedes hacer en AWS en el nivel gratuito. Entonces es divertido, tienes texto a voz, calle a texto o traducción de aprendizaje automático que vas a hacer, estás tomando tres de los servicios más destacados y usándolos. Entonces puedes ver que tenemos a Amazon Polly, que básicamente convierte texto en discurso. ¿ De acuerdo? Lo que sea que tome su cobertura en realidad puede hacer que viva una vida así. ¿ De acuerdo? Al igual que lo que llamas, si tienes como algunos guisantes o blog, en realidad puedes apuntar polígono amazónico se va a convertir en como un completamente hacer que sea audio. Y Amazon Transcribe, que es opuesta para sólo discurso a texto. ¿ De acuerdo? Se puede entender esta idea en realidad tomar el habla y la textura mixta. Tienes un video, se va, se puede transcribir por completo y anotarlo. Parece que McLean es en realidad modelos de aprendizaje automático, pero este es un servicio completamente administrado, por lo que no tienes que hacer nada de la complejidad poco complicada. Backend. Amazon Lex es un chatbox, ya sabes. Por lo que en realidad puedes crear tu propio cuadro de gráfico, cual ves en sitios web que dejaron de estar en lenguaje natural y entender lo que quieres. automatizado de imagen y video Análisisautomatizado de imagen y videointegrales montones de ellos ahí dentro. Vas a estar escogiendo tres de estos servicios más destacados, que es Amazon Polly, Text-to-Speech. Amazon Transcribe sólo discurso a texto. Y Amazon Lex, IA conversacional para chatbox. Y vamos a tratar de hacer tres de estos servicios. Entonces esto es bastante emocionante. Adelante en la siguiente sección. Empezó a construirlo. Gracias. 13. AWS Transcribe: Hola chicos. Está bien. Entonces lo primero, el primer servicio, quiero que ustedes echen un vistazo a esta transcripción de Amazon AWS. Entonces, ¿qué transcribe AWS en una frase, es discurso a texto. Lo que hace es usos básicos, deep learning, que si recuerdas de antes, es como un subconjunto de machine learning. De lo que hace convierte el habla en texto, su proceso llamado reconocimiento automático de voz. Entonces lo que hace, abre muchas posibilidades emocionantes. Si eres desarrollador, quiero decir, puedes tener alguna funcionalidad muy poderosa a las aplicaciones como subtítulos de video. Si tienes una aplicación de e-learning, puedes agregarle subtítulos. Todos. Puedes transcribir grabación constante o peor para que puedas buscarlos como tú cualquier texto. O puedes automatizar tomando minutas de reuniones. Ya sabes, quiero decir, las posibilidades son bastante increíbles. Por lo que AWS transcribe, está impulsado por la plataforma AWS Machine Learning. Entonces, ¿qué significa eso? En realidad se vuelve más inteligente con el tiempo. A medida que aprende en el aprendizaje, se vuelve más inteligente con el tiempo. Entonces hagámoslo en acción en realidad. Entonces, ya has creado tu cuenta de AWS como quiero que lo hagan ustedes mismos en lugar de solo verme haciendo cosas. Que la mejor manera de hacer algo es hacerlo tú mismo. Entonces esto es un pequeño lo hacemos dados días que he tomado esto, lo encontrarás como un archivo MP3 en la sección de recursos también. Entonces voy a conscriptar disomía. Entonces escuchemos, en 1520 segundos de ello comenzó con una pregunta. Por lo que los equipos parecen hacer un objeto compuesto en el universo. Tiempo síncrono. Hola, no está cambiando. Inteligencia artificial. La mayoría sobre. De acuerdo, así que fueron días bastante interesantes. Es decir, este es pequeño clip midi no formal de BBC sobre inteligencia artificial. Entonces como un doble do, esto es bueno en la sección de recursos también, esto es bastante interesante. Puedes escuchar todo el clip MP3 si quieres saber, quiero que tengas, quiero convertir este video en texto como habilidades de inglés. Entonces hagamos esto usando AWS transcribe de nuevo IS, así que esta es la idea con la consola. Entonces vamos a transcribir transporte de glucosa. Abramos este caso. De acuerdo, Entonces hay múltiples formas de hacer eso. Es decir, si quieres, Hay algo llamado transcripción en tiempo real. Entonces podemos realmente, como usted está hablando al micrófono, puede transcribirlo, pero no quiero hacerlo a través de eso. Hagámoslo usando un trabajo de transcripción. Entonces queríamos transcribir ese archivo MP3 que acabamos de escuchar. Entonces para hacer eso primero, necesitas ponerlo en un cubo S3. Es decir, si no sabes qué es S3, es como una carpeta en AWS. Es como Dropbox o OneDrive, unas diapositivas antes de que tengas que crear esa carpeta y subir en Embry el archivo ahí. Entonces ya lo he hecho. Pero sólo para mostrarles chicos, ella no lo sabría, ir a S3. Por lo que ya tengo un cubo llamado S3 demo, Udemy, demo AI, y he puesto día, los puedes ver pero el archivo ya ahí. Entonces si todo lo que tienes que hacer es ir aquí, crea un cubo. Tienes nombre para tu cubo. Tiene que ser chicos únicos, solo para que sepas y puedes prácticamente mantener el, todas las opciones verticales por defecto que hay ahí. Y eso es archivo de empatía subido ahí. Entonces supongo que si tenemos un cubo S3 y hemos puesto el archivo ahí. Entonces volvamos a ello al menos transcrito. De acuerdo, entonces vamos a conseguir un trabajo para transcribirlo. Entonces llamémoslo también azul. Podemos, podemos usar todas las opciones por defecto, chicos, esto es foco, al menos lenguaje específico, inglés. Entonces esto es, sí, esto es muy agotador donde está el archivo. Entonces, vamos a navegar por la historia. Sí, elijamos éste. Sí, este es el archivo que queremos transcribir elige. Está bien. Entonces, sí, es genial. A continuación, hay algunas otras opciones que vas a contratar de un mundo. Básicamente, no necesitamos meternos en esto. Básicamente puede mantener todas las opciones por defecto. De acuerdo, así que ahora puedes ver nuestras demos de transcripción corriendo para que ese clip esté alrededor como unos minutos de iluminación. Por lo que puede tomar alrededor de 15 a 20 treinta segundos de esfuerzo en transcribir. Entonces sí. Lo que vas a hacer es darnos lo que él llamó trabajo transcrito ha sido veámoslo en acción y veamos cuán preciso fue. O sea, ¿ lo hizo transcribió los primeros 30 segundos los cuales se sienten escuchados y viven con cualquier error que quisiera un poco, vamos a ver cuánto precisa fue. Vamos a refrescarlo y ver stock. Está bien. Está en progreso, chicos, a veces lleva unos minutos, tasa de lapso. De acuerdo, chicos, vamos a terminar. De acuerdo, así que pinchemos sobre ellos y veamos qué pasó. Vamos a bajar. Aquí. Hace bien. Hablador. Entonces esto es en realidad, aquí es donde ocurrió la transcripción, chicos. Entonces vamos a ver. Echemos un vistazo al nobby tiene que operar frente a nosotros. Y si recuerdas lo que los videos, entonces ¿qué hace AIA? Tenía una frase con ella puso un espacio conmigo. Oye, empecemos con una pregunta ahora mismo puedes ver, así que es sorprendentemente preciso justo hasta las pausas en oraciones. Yo recomendaría, recomendaría leer esto y luego escucharlos lado a lado. Y luego comparando los dos para tener una idea de ello, lo preciso que era. lo que en disponible, por supuesto, programarías los trabajos para ejecutar eventos específicos de negocios o periodos de tiempo o no harías EPS de otros servicios. Te recomendaría que jueguen con ella con algunos otros archivos aún, entiendan cómo funciona y avísame. Entonces espero que tengas una buena idea de cómo funciona y qué tan precisa es. Al igual que un do loop. Abre muchas posibilidades. Es decir, se pueden transcribir los centros de llamadas. Ya sabes, la gente quiere buscar sus grabaciones de call center o quiere automatizar minutos de reuniones, todas aquellas que puedas hacer. Es una densidad muy poderosa. Se puede ver lo fácil que es. Entonces espero que esto les haya sido útil a ustedes chicos. Te veré en la próxima demo. Gracias. 14. AWS Lex: Hola chicos, bienvenidos a nuestra última demo de Amazon Machine Learning Services. Entonces vamos a estar haciendo una demo de amazon Lex, este temporizador, que es un poco más complejo que los dos últimos. Entonces, hasta ahora hemos hecho texto a discurso y discurso a texto. Entonces hagamos algo más dinámico esta vez, lo que hace muchas de estas cosas juntas. Yo estoy, estoy absolutamente un 100 por ciento seguro que debiste haber interactuado con chatbots a la vez. Y debajo cuando visitas un sitio web, ya sabes, lo que es un bot de chat es básicamente un programa de aprendizaje automático que estimula una conversación que podrías tener por teléfono, en el mostrador con la persona, pero no es una persona a la que estás interactuando con máquinas virtuales. Por lo que amazon Lex, utiliza el aprendizaje automático que reconoce el habla o el texto, y puede tomar acciones. Puede cumplir pedidos en base a lo que el cliente ha hablado o escrito. Es la misma tecnología que sigue al elixir de Amazon también. Y puedes construir chatbots extremadamente potentes para ti de obstetricia habilidades técnicas mínimas. Entonces, en realidad vayamos a la consola de Amazon y empecemos a trabajar en ella. Y allí te veré. Está bien chicos. Entonces ahora el cabello en la consola, Vamos a amazona, Lex. De acuerdo, aquí vamos. De acuerdo, entonces esto no lo va a regenerar. Por lo que a veces los servicios que estás viendo, no está en las regiones. Por lo que actualmente estoy en EU Eastern Ohio y vamos a Londres. Está bien. Entonces este es Amazon Lex. Empecemos ahora. Está bien. Entonces podrías ver aquí algunas cosas que podrías parecer confusas inicialmente, amigo, te explicaré. Entonces zoom quiere pelar, supongamos que queremos crear una pizarra a otras hamburguesas, ¿verdad? Entonces, lo que pretende un guión es básicamente lo que quería hacer. Yo quiero pedir falsas. Quiero reservar un vuelo o reservar un viaje. Está bien. Eso es lo que es la intención. La asistencia es lo que dice el usuario. Tipos, como nuestro cuaderno, quiero pedir una hamburguesa, quiero reservar un hotel, quiero reservar un vuelo. Las ranuras son básicamente los parámetros que le das, van a dar un video en vivo. ¿ Qué tipo de hamburguesa, a qué hora? Ese tipo de cosas. El cumplimiento ocurre al final. Esto es lo que después de todo se ha hecho, coloca al otro. ¿ De acuerdo? Entonces esto es básicamente solo nombres diferentes para cosas, pero es bastante lo mismo. Entonces, ya sabes, Amazon ya ha predefinido una gran cantidad de esas cajas de muestra. Para que en realidad no tengas que hacer nada. Simplemente puedes hacer algo predefinido, pero yo quiero hacerlo nosotros mismos. Entonces hagámoslo como lev, simples creadores varios comprados que no pueden, vamos a tomar orden para hamburguesas más estudiante o las hamburguesas, eso es un MFA, pero tomemos inglés, Reino Unido. De acuerdo, Ella es salidas formas. Podemos continuar Amy. Hola, me llamo Amy. Está bien. Ese es el tiempo de espera de sesión después de que Richard levante su usuario no es vertical. Aquí no hay respuestas, lo restablecerá. Entonces estas son todas las opciones por defecto, copaga básicamente, si estás tomando alguna información sensible sobre menores y todo eso. Entonces no, no lo es. El umbral de confianza se está elevando básicamente sangrando. Cuánta inteligencia es fácil discernir qué es lo mismo del usuario con el legado agustiniano. Es básicamente cuánta confianza en detectados lo usan como regla. ¿ Está diciendo el usuario, es, está cerca de lo que pensamos? ¿ Está diciendo? Básicamente la inteligencia que utiliza. De acuerdo, entonces ¿qué queda ahora? Vamos a desplegarnos. De acuerdo, ¿qué queda ahora? Creo que ponemos todo aquí. Tiempo de espera de sesión. Está bien. Cinco minutos. Sí, lo siento, olvidé poner el temporizador de sesión. De acuerdo, vamos a seguir adelante y crearlo ahora. De acuerdo, así que como dije, lo primero es crear la tarifa prevista. Hemos creado esta frontera o ¿qué quieres hacer? Como dije, queremos pedir hamburguesas. Tu párpado expandió la escala. Entonces hagámoslo. Crear contenido. Sí, quiero crear una intención. Por lo que el documento del mismo nombre del pedido de botella. ¿ De acuerdo? Y bien. Entonces está bien, aquí te preguntas qué el usuario pero habitación. ¿ Qué crees que el usuario tipeará un novato con el fin de iniciar el tablero? Entonces lo que sea que estés detectando lo que hacen, algún nitrato o asesinato. Yo quiero que sí, puedes seguir agregándolo tanto como quieras. Señorita OK. Ok. Ok. Y ahora un lado de desalojo, qué hicieron los miliwatts, la información que vas a estar haciendo tictac del usuario en realidad. Entonces, pensemos en el compromiso. ¿Qué es lo que quieres? Si el tipo dice, quiero una hamburguesa primera hora, ¿qué le vas a preguntar? ¿ Te vas a preguntar qué tipo de programa? Eso es lo que le voy a preguntar sobre eso para que el bot se va a preguntar. Entonces esto es básicamente lo que es el tipo de datos. Por lo que sólo vamos a hacer clic alfanumérico. Tiene una gran cantidad de Amazon predefinido. Se puede ver correo electrónico, números telefónicos, hora , fecha, es bonito es muy bueno en Mr. Gardner. Está bien. ¿ Qué tipo de hamburguesa? Perdón. Perdón, sólo para ser hamburguesa. Hamburguesa. Este es un, este es en realidad el nombre de la ranura, no prompt. Este es el prompt. Está bien. Entonces está bien, después de que hayas tomado el tipo de cabrón, podemos preguntar sí, la tarifa de ubicación. No sabemos dónde está el tipo. Entonces tomemos la ciudad. Eso es lo que va a preguntar. Está bien. 99. Una cosa más. Está bien. Has tenido el escurrimiento directo o entregado todos los días. Entonces creo que Amazon ya tiene una tasa de datos API o desviación. Sí, muriendo. Lo siento. ¿ A qué hora? Entrega? Sí. Creo que esto es una pierna sólo para una simple auditoría. Creo que esto es más que suficiente para no ponerse demasiado técnico al respecto. Ahora todos estos adecuados más adelante, veo sólo uno se revisa ahora queremos a todos ellos. Sí, el primero será ¿qué tipo de vulgar? El segundo sería la prioridad. Si nos fijamos en las proteínas es la secuencia en la que dura dos preguntas. En primer lugar, la prioridad es un tipo de segundos falseos, la ubicación. Tercero es ese momento. ¿De acuerdo? confirmación. Esto es básicamente sí, seguro que quieres pedir. Entonces básicamente ¿estás seguro de que quieres restaurar el orden? Sí. Consejo, si el usuario dice que no. Está bien. Ahora para el filamento es básicamente una vez que has tomado todo como te dije, colocando el pedido, ahora no vamos a estar mirando tu lógica de negocio. Obviamente. Simplemente lo vamos a guardar y arriba en biomarcadores volver al usuario. Pero no nos limitemos a montar aquí algún mensaje genético de lado izquierdo. De acuerdo, Entonces cuando se vaya Deja Gracias. Tu orden de vamos a ver, entonces has roto números cubos y básicamente lo que estás tomando de la ranura aquí, estás bajo poblado dinámicamente. Ranura. Para la primera ranura ha sido lista, entregar ubicación en la literaria abajo. Está bien. Entonces creo que esto es más que suficiente. Mirar en tan solo hacer click. A ver. Esperemos no engordado algún método. Construyamos su fondo. A ver qué pasa. Sí, construyamos un bot. A ver. Ups. No hay valor para las sentencias de rechazo curva y rechazo statement.me, no válido. Está bien. A ver que pasó va. Está bien. Tu pedido ha sido contestado. Creo que esto es creo que me olvidé de poner el radical. Si estas cuentas como hija. Allí no hubo otra declaración. Vamos a construirlo de nuevo. Está bien. Se está construyendo para algunas cosas así, ¿qué está pasando? Es como si has construido algún programa o un programa de computadora básicamente está compilando el fondo, bien, todo se puso ahí dentro. Básicamente es construirlo en el back-end y crear el bot listo. Está bien. ¿Hay algún no. De acuerdo, Así que ahora en realidad puedes agregar la pantalla correcta. Se puede ver esto es lo que llamó el bot ahora está listo para que nosotros interactuemos con sólo completar los proyectos de ley que llevó a construir completos. Y entonces en realidad se pueden conversar de escritorio con él. A ver. Por lo que deberíamos poder hacer un pedido de una hamburguesa y conseguir que se refleje de nuevo al cliente si lo has configurado correctamente. De acuerdo, entonces ya está listo. Chicos, vamos a verlo. Está bien. A ver. Pongámoslo quiero bien. ¿ Qué tipo de hamburguesa? Ya puedes ver ahora puedes ver que hay ranuras abajo. Es comprobar lo que quiero decir. Está bien. ¿ Dónde vives? Vivo en el cuerpo. ¿ A qué hora quieres entregar que bm? Sí. Esto es lo de la conformación que ponemos, sí. Sí. Está bien. Por esto sucedió pero no mostraron los mensajes de confirmación. Pones un interesante bastante Vamos a ver qué pasó. Respuesta. Creo que creo que no guardé esto, desafortunadamente. Ok, Mi error chicos. Se me olvidó decir eso porque este es un mensaje muy genérico que quieres. No hay Ok. Gracias. Su Señoría. Para que solo pongamos una lista de tipos. Está bien. Está bien. Sí. Porque queremos este mensaje a cada uno en distribuidor local. Gracias por pedido para tipo nos ha bendecido con dieléctrico. Creo que es sensible a mayúsculas y minúsculas, también enumeró cada int y establecer la vista previa. Por lo que ahora la respuesta a los fondos del cliente al cáliz, pero que se muestre no sólo uno genético. Trabajemos bien. No quiero esto. Yo quiero que sea como personalizado para el usuario porque no va a usar un fungicida. Pero cada vez que hagas un caso de cambio, tienes que construirlo de nuevo solo para que te lo sepas. A ver si me estoy beneficiando en el módulo de lustre insípido. Está bien. Empecemos de nuevo. De acuerdo, entonces es el límite otra vez, básicamente detectan por esos divertidos poco de tiempo porque está compilando la corteza desde cero otra vez y básicamente revisan para que todo el fondo no haga nada. Justo a la izquierda. Está bien. Amor en Londres. ¿Y BM? Sí. Está bien. Bien. Ahora puedes ver el patrocinador del cliente no dio el lenguaje genético que no queríamos. Entonces esto no son chicos, has creado tu propio bot y es muy, muy poderoso. Puedes, puedes personalizarlo tanto como quieras. Por supuesto, la webcam de fuerza de voluntad te convencerá integrarla con alguna lógica empresarial elección debe escoger desorden y básicamente tomar todos estos parámetros y colocar un líquido a un sistema de restaurante y por lo tanto el pedido viene directamente. Pero ahora has creado tu propio bot. Debe haber sido recogido con ella bastante hoy. Y si ves esto, puedes ponerlo en Facebook. Puedes ponérselo a Slack. Estos dos no han usado, pero es realmente sólo se puede monitorear esta caja también cuántas solicitudes han entrado y hay un problema. Entonces este es el poderoso sobre que ELLA usando todo el procesamiento del lenguaje natural para básicamente interactuar con los usuarios. Y si pones a veces por suerte realmente puedes comprobar, quiero que revises cómo el bot intelectualmente, si solo pones algo que como confuso, si solo pongo algo que no he metido. Sí. ¿Se puede ver eso? Entonces diciendo lo siento, ¿pueden por favor repetir eso, menos claro esto otra vez. Pongamos algo en realidad no voy a revisar el contexto de lo que estoy haciendo. ¿ De acuerdo? Sí, ya ves, en realidad está en, no puse uno de estos enunciados, puse algo más, pero lo Entendido. Entonces esto es muy poderoso. Yo quería realmente glaseado, quiero que ustedes lo echen un vistazo, entiendan cómo funciona y creen su propia caja. Eso es de cualquiera, esto es mucho más complejo de lo que usamos antes. Por lo que espero que hayan disfrutado y contemplen y OPIA, le quita algo de la confusión que sucedió antes con la caja de herramientas dioses. Por ahora, quiero que creéis vuestro propio tablero personalizado. Hazme saber. Gracias. 15. AWS Polly: Hola chicos, Bienvenidos a la segunda demo de AWS Machine Learning. Entonces esta familia vamos a ver en otro servicio que se llama Amazon Polly, que es exactamente lo contrario de AWS transcribe. Entonces, en lugar de discurso a texto, estaremos haciendo texto en discurso realista. Entonces lo que este polítopo police machine learning podría sintetizar el habla suena muy natural y puedes hacer aplicaciones que básicamente hablan al usar sintaxis de poli eso, pero la puntuación en un texto podrías ser como si tuvieras lo que llamó comas o alimentos que en realidad se usa para tacos para analizadores y libros Uso Casos laminar para esto es demasiado para mencionar. Es decir, si tú, si hiciste un sitio web o un blog, básicamente puedes tener polyploid odd que sí llevaste a tus visitantes. O si tienes un e-learning up, puedes convertir material divergente del curso en un costo completamente impulsado por pedidos. O tal vez eres una tasa bancaria. Se puede tener poliploidía y respuesta de voz interactiva. Entonces cuando el cliente solicitó sobre polígono equilibrado recibió que no reprodujo automáticamente a su cliente, sino la interacción humana. Entonces espero que te consigas la idea. Entonces vamos a crear algo de texto para esto y comprobarlo cómo funciona. Entonces esto es sólo algo que escribí chicos y quiero decir, se puede prácticamente. Yo sólo pensé esto ahora mismo sobre la marcha. Yo solo quiero poner esto en Amazon, Polly, y comprobarlo. Flexiguridad, extremadamente sencilla. Te veré en la consola de AWS. Ok chicos, tan pesados. Entonces, a diferencia de la atención transcrita, no necesitamos tener un cubo S3 o algo que debería ser bastante sencillo con volumen porque mi intención es solo mostrarte cómo funciona. Entonces vamos a Amazon. Polly, Aquí vamos. Ahora, bien, tan fácilmente, como dije, aquí es muy, muy sencillo. Simplemente puedes poner las cosas aquí y lo que él lo llama reprodujo servicios. Me llamo John Allen Wilson libro de texto. Hola. Mi nombre es Joanna. Voy a leer cualquier texto que escriba aquí. De acuerdo, eso fue bastante bonito. Y se puede ver realmente se puede cambiar esto de masculino a femenino y todo eso. Hola, soy Matthew. Voy a leer cualquier texto que escriba aquí. Está bien. Entonces pongamos arquitectura. Hola a todos. Esta es una demo de Amazon Polly para tu curso de Udemy. Polya está convirtiendo este texto a voz en función los parámetros que has establecido para mostrarte cómo funcionan los servicios de IA de Amazon. Puede usar esto para crear respuesta de voz interactiva para call centers y otras aplicaciones en función de su caso de uso. O puedes usar Amazon Polly para crear archivos de audio a partir de blogs o sitios web. Espero que esto haya sido útil. Adiós. De acuerdo, tomémoslo a través de los residuos humanos femeninos. Hola a todos. Este es un gentil de Amazon Polly, para tu curso de Udemy, Polya está convirtiendo este texto a voz en función de los parámetros que has establecido para mostrarte cómo funcionan los servicios de Amazon AI. Puede usar esto para crear respuesta de voz interactiva para call centers y otras aplicaciones en función de su caso de uso. O puedes usar Amazon Polly para crear archivos de audio a partir de blogs o sitios web. Espero que esto haya sido útil. Adiós. De acuerdo, se ve de repente se puede comprobar qué tan precisos son dos empates tasa. Y a pesar de que se puede poner léxico, lo que yo lexicons tal vez en alguna pronunciación, algunas aves me pronuncié de manera diferente. Hay algunas palabras que no se pronuncian de la forma en que quieres tener argot y vocabulario, en realidad puedes subir las aquí y lo leerá y cambiará esas virtuales como quieres que sea pronunciado. Entonces es bastante sencillo, chicos. Es como si fuera mucho más simple de lo que la transcripción es directa. Yo quiero que juegues con él, lo revises, y veas cómo funciona. Está bien. Gracias. 16. Resumen: Hola chicos. Por lo que finalmente llegamos al final de esta sección, y espero que lo hayan disfrutado. Encontramos lo aplicado lo que hemos aprendido en teoría en la práctica la tierra implementó esos conceptos también. Por lo que creamos una máquina de aprendizaje modelado Google máquina enseñable, que entre diferenciar entre diferentes tipos de objetos, imágenes. Y te doy algunos deberes para hacer el, usar algo de audio, usar simple como este y ver, ¿ eres capaz de conseguir un buen modelo de aprendizaje automático? Un modelo. Y por último, utilizamos un Amazon 50 o servicios para aprendizaje automático para transcribir datos de audio, reconocimiento de voz, y crear chatbots conversacionales, que utilizan procesamiento de lenguaje natural para tomar órdenes, van a utilizar todos esos servicios gratuitos. ¿ En realidad implementa algunos servicios básicos de la IE? Espero que esto haya ayudado a solidificar los conceptos que has aprendido antes y ahora tienes una mejor comprensión del A1 antes. Ahora pasemos a la última sección que tienes app todo arriba. Gracias. 17. ¿Por qué es necesario gobernar la gobernanza?: Hola chicos. Bienvenidos a la sección que es una parte extremadamente importante de las esporas, que pertenece a la inteligencia artificial, gobernanza y las normas, y más específicamente cómo se puede hacer mal uso de la IA. Ahora bien, esto podría parecer un poco confuso porque ¿cómo se puede hacer mal uso? Podrías estar preguntando, bueno, el triste hecho es que el ojo es la IA es como cualquier otra tecnología en este sentido. Siempre habrá personas que tratarán de explicar la tecnología y la música para actividades poco éticas. Y tomemos el ejemplo de digamos, Internet. Ahora el internet es como un salto tecnológico masivo para la humanidad. Millones y millones de vidas de personas se han cambiado a diagonal. Pero solo, ya sabes, cuántos ciberdelincuentes se han llevado. Todo su concepto de ciberdelincuentes que realmente despegó por Internet y cómo se llevaron con ellos, lo aprovecharon. Entonces, al igual que cualquier otra tecnología, IA también es así y se puede hacer mal uso. Y así para que estas cosas sean de control y necesitamos tener algún tipo de regulación sonidos de nuestros estándares para la IA. Entonces, ¿por qué crees que necesito ir o no? Seamos honestos. A nadie le gustan las regulaciones, ¿verdad? Estoy pensando, sobre todo en tecnología de la información. Por lo general parece ser un bloqueador para la generación. Parece algo que se destituye el crecimiento y la innovación y la tecnología. Y la IA históricamente fue una industria autorregulada. Había, no había tanta regulación. Los gobiernos no escogieron tanto. Costeó al principio. Y lo que pasó fue cuando suceden muchas cosas, adopción masiva de AIS de repente comenzó realmente. Covid-19 fue un cambio de juego para muchas empresas de todo el mundo. Y angula a uno de ellos. Muchas empresas, lo que hicieron fue acelerar la tasa de hoja de ruta tecnológica. Se acelerarán la adopción a la Nube. En realidad aceleró la adopción también de la digitalización, el comercio electrónico y la IA. Y la empresa está realmente relacionada. No puede ser como, igual que la elección nórdica del Salvaje Oeste está presente y liberan para que los sistemas de IA sean confiados por los clientes, necesita tener un amplio marco normativo para ser presente. Y esto es en lo que entra la pregunta. Ahora, confianza, ¿cómo se mide confiar en él y sistema VA? Porque el mixto Mike parece ser alguna especie de paradoja aquí, ¿verdad? Sí, No es como los humanos, como el huevo no tiene emociones como dice un imperio. Entonces ahí mismo, concepto de mando de confianza. Ahora es aquí donde surge lo interesante. Ahora dame algún sesgo. Esa es una buena pregunta que hacer porque los humanos tienen sesgo, ¿no? Humanos o prejuicios, no humano es completamente objetivo. Eso es lo que puede conseguir algún tipo de subjetividad, mantiene honestos, y por eso necesitamos cheques y equilibrios. Entonces el triste hecho es, recuerdas qué, cómo funciona la IA como necesitas dar un dato de entrenamiento más allá de la base de la cual empieza a recolectar datos y entender todos los conjuntos de datos que lo estás alimentando. No sesgos durante la recolección de datos de humanos. Maldita sea, quédate en Belgrado, se reduce a que si, tomemos un ejemplo, tú, estás creando un algoritmo para el reconocimiento facial. Y los datos de trading que lo alimentas. No está representando a todos los grupos. Entonces digamos los datos de entrenamiento que le diste, sus 75, 75 por ciento caras masculinas y solo 25 por ciento femeninas. Y de todas ellas, 80% del total de caras encuentras una demo por parte gente y solo el 20 por ciento son negras. Ahora, ¿qué crees que pasará? ¿ Crees que el modelo reconocerá mejor a la gente blanca y a los varones? Por supuesto, una buena luz porque esos datos de limpieza no eran uniformes, no era justo. No le diste el completo todos los datos que se necesitaban. Entonces tomemos un ejemplo. Ahora esto no duele nada. Fue como Kim y yo pusimos en los enlaces de abajo y puedes comprobarlo. Los anuncios de Facebook son muchos de ellos. Se descubrió que era discriminante por género y raza. Entonces lo que estaba pasando fue como cuando se trata relacionar empleos de enfermeras y Secretario perdido. Estaba apuntando a un nodo descendente, de familia a mujer. Y si era localmente en empleos, no, como taxistas de algo, principalmente lo estaba enviando a minorías. Y eran trabajos bien remunerados como, ya sabes, como vender una casa o algo así. Estaba apuntando a la gente blanca. Entonces lo que había pasado fue, como dije, esos son los sesgos en mi algoritmo ese reptil febrero por los datos de entrenamiento que se llenaron. Ahora esto también fue algo muy bastante asombroso. el sesgo racial para ellos y mejor cuidado de la salud Vieneel sesgo racial para ellos y mejor cuidado de la saludbar musical y lo que no pasó sabe este hospital estaba tratando de encontrar personas que necesitaran atención médica más dirigida. Estaban en mayor riesgo. Y lo que no fue la focalización en base a lo mucho que estaban gastando. este momento, lo que pasó fue los negros eran en realidad tenían más problemas médicos, pero estaban gastando menos. blancos, blancos, blancos estaban gastando más. Entonces sobre la base de eso, ese algoritmo decidió que negros necesitan tanta atención médica como los blancos. Y no empezó, y empezó, creo que la gente blanca se basaba en eso. Entonces se ve cómo sucedió, correcto, con condenar la desigualdad de ingresos. Esa cosa pasó. Y este fue un caso muy famoso y fue donde estaba en las noticias predominantemente también, un sistema de justicia estadounidense bastante famoso llamado brújula, que descubrimos en realidad estaba sesgado hacia los negros. Y esto te más detalles en las diapositivas venideras, pero espero que esto te dé una idea. Ai puede ser prejuiciado en realidad, no es completamente objetivo si no lo tratas adecuadamente. Entonces, ¿cuántos son estos? Este es un ejemplo del que estaba hablando. Ese sistema se llamaba brújula. Entonces este es un ejemplo real donde sesgos y la inteligencia artificial pueden causar daños. Para relajar a las personas realmente les gusta daño dejamos consecuencias a las personas que pueden tener un impacto duradero en sus vidas. Compass era un sistema que se estaba utilizando en Estados Unidos. ¿ De qué sirve ser útil? Estaba siendo utilizado por la consulta, por el sistema de justicia para pronosticar qué humanistas era probable que reincidieran. De acuerdo, como recordemos ¿cuál era la probabilidad de que cometieran crímenes? Nuevamente, con base en evaluaciones juez haría que los jueces tomaran decisiones cuando todo desde la cantidad de GLD la gente compra, la cantidad de fianza. Entonces te imaginas como si la vida de la gente estuviera siendo impactada y ¿qué pasó? Bueno, descubren que había un sesgo en contra de los negros mejor que este algoritmo. Por lo que la gente negra, al darles, dando puntos más altos que fueron, había una mayor probabilidad de que sean mayor riesgo de reofender a pesar de que, que de igual manera, me gusta personas blancas que tenían historias delictivas mucho más altas, se les daba puntuaciones bajas y bajas. Como se puede ver aquí de la izquierda, que esta persona, Bernard Papa, tenía muy pocos beneficios, es muy pequeña, lo que significa ofensivo, pero el blanco, sin embargo como antecedentes penales bastante significativos. Y se puede ver, pero el nivel de riesgo está completamente sesgado. Y al negro se le ha dado un alto riesgo a diferencia del blanco. Lo mismo del lado derecho. Durante la temprana Robert Kennedy puede ver. Por lo que Robert Kennedy había estado suplicando ofensa, pero Becky triptófanos y no ofensas posteriores le hacen su voz era de seis. Si bien parece que realmente estaba cargada porque camarilla para que puedas ver cómo estaba pasando. Lo que había pasado fue que los datos estaban siendo atados a los interrogantes. Se les estaban haciendo 137 preguntas en base a las cuales el sistema estaba dando la puntuación. Y no fue tomando en cuenta todas las cosas diferentes que por su consejo y todo eso. Por lo que en base a esto, en realidad había, creo que había una organización sin fines de lucro llamada ProPublica. Destacaron esto y también se convirtió en un gran escándalo para esta empresa. Y el informe está públicamente, está disponible públicamente. Puedes descargarlo. Por lo que ya puedes ver ahora espero que puedas ver cuáles son las diferencias. No si eres juez y estás evaluando un T, ¿verdad? Y si un tipo se te acerca, aunque el tipo no haya hecho nada significativo antes, pero si obtiene un alto riesgo de 10, ¿ no crees que eso te impactará inconscientemente, ese sesgo vendrá y podrías darles una sentencia como una pena de cárcel más alta o algo así. Ahora espero que esto te dé una comprensión de lo peligroso que es y de lo mucho que te puede impactar. Entonces vamos a ver qué podemos hacer al respecto, de acuerdo. 18. Tipos de regulaciones de AI: Hola chicos. Entonces en esta sección, como discutimos antes y mostré cómo los sistemas podrían tener accidentalmente prejuicios como un arrastrado hacia ellos por los datos de trading y los sesgos que representaban los datos que aspiran a eso. Entonces la pregunta ahora es ¿cómo creamos confianza? Ni la sociedad siempre debemos estar esforzándonos por desarrollar tecnología de IA que sea completamente justa para todos. Y aun en cuanto a las empresas, como a medida que te conviertes en más tierra o en máquina aprendizaje de inteligencia artificial, tienes que abordar esto. Entonces vas a dibujar, puedes imaginar lo que pasaría si estás usando un y los trajeras en el sistema de IA. Y resulta que está discriminando a ciertos clientes. Entonces eso será una enorme repetición de espalda para ti y devolver gente o informarte. Entonces, ¿qué necesitamos para crear confianza? Ahora bien, ¿cómo creamos confianza? Bueno, la corteza se basa en cuatro cosas que es integridad, explicabilidad, equidad, y recientemente no lo es. Veamos qué pasó. Bueno, ¿qué significa esto? El primer término es integridad. ¿ A qué te refieres integridad de tu sistema en pocas palabras, esto es igual que revisamos un hogar, verdad? Si compras una casa, necesitaba tener un cheque para revisar los cimientos para asegurarme de que sea fuerte y robusta. Lo mismo que esto. Es necesario revisar ¿qué alimenta la definición de datos de capacitación al sistema? ¿ Cuáles son los controles sobre esta rodilla espalda? ¿ Cómo se construyó? Oye, ¿cómo te va? Bondad, algo de principio a fin para que no se estén produciendo cambios en un algoritmo no se está cambiando y monitoreo continuo del mismo. Entonces eso es integridad, explicabilidad. Bueno, eso es bastante sencillo. ¿ Qué significa que deberías poder explicar? El motivo es que un modelo hace una producción en particular y se debe poder entender los resultados no debe ser una caja negra para que nadie sepa cómo hice eso. Tengo una decisión conmutativa pero particular. Y eso es esencialmente por costarlo, sobre todo si vas a tomar decisiones basadas en esos actos, Richard Gibbs. Por lo que hay que poder explicar por qué y cómo un lema produjo una salida. Y debería poder hacer como se nos presenta en esto, esto es muy explotabilidad surge. La equidad, no esto se llama viento atrás y Oracle rebanada de tejido o ¿quieres confiar en alguna tarifa sistémica si no son justas? Entonces lo es, debe construirse para estar lo más libre de sesgos posible para que sepas cuáles son los datos que alimentas. Tiene que ser relevante, apropiado, y debe ser permitido por la gente para ser corto. Entonces tomemos un ejemplo. Si eres EIA comprado Occam es como dar escuelas a gente y basado en un curso para coordinar ya que no, lo siento, digitalizador cognitivo pobre y no podrán pagar préstamo. Entonces eso es un sesgo, ¿verdad? Por lo que es necesario tener que dibujarlos con y tener que estar monitoreándolo continuamente para asegurarse que no tenían sesgos arrastrándose a los datos de entrenamiento. Y resiliencia. resiliencia es la robustez técnica y el cumplimiento en otra seguridad, la gestión de riesgos. Nadie está tratando de comprometer el algoritmo y fangoso de todos modos, alguien está tratando de gustarle qué efectos controla, ya sabes, los sistemas de IA deberían ser lo suficientemente fuertes como para resistir tal que x, es decir y fue contra complejo. Entonces estos son los cuatro atributos de los que estamos hablando. Entonces espero que entiendas si tu sistema AIE está coincidiendo con los requisitos deportivos, entonces puedes ver, si ves que lo hace, debería retroceder. Ahora cómo conseguimos, ¿Cuál es el mecanismo? Pero en todo el mundo, gente está consiguiendo regulaciones en todo el mundo. Y por lo general se basan como si fueran cosas que EAU, cosas en EU y al otro lado de la frontera, se ven muchos y muchos gobiernos limpiando sus colecciones. Entonces una cosa nosotros a pesar de significativo el 23 de abril de 2021, lo que ha pasado, la primera propuesta concreta, EIA ha sido santa como un borrador que fui creado por la Unión Europea. Y esto es, esto es probable que realice la efectivamente la espalda y el debate sobre la inteligencia artificial y la ley. Toda una gran cantidad de empresas, ya sean pequeñas y grandes empresas, difícilmente estarán usando inteligencia artificial como se puede pasar por ella. Entonces si estás familiarizado, GDPR, el RGPD era un Reglamento de Protección de Datos. Y una vez que fue en gran medida, rápidamente se convirtió en el estándar mundial cómo otras naciones lo miraban como un plano. Por lo que también sucederá aquí lo mismo. Eso es para casi esperado porque el GDPR marca la pauta para todo el mundo. De igual manera, este reconocimiento podría marcar la pauta para todo el mundo. Esto probablemente entrará en vigor en un segundo después de 2022 en un periodo de transición. Por lo que se puede imaginar para la segunda mitad de decir, 2 mil créditos para eso es, se puede empezar a entrar en vigor y a realizar si les gusta, el mecanismo de esta cosa entrando en juego. Entonces, ¿qué, qué sueña con hacer exactamente este? Por lo que básicamente divide los sistemas que podrían tomar categorías mezcladas personas con alto riesgo y limitado y los sistemas de atención ilimitados en los dos últimos, me gusta más o menos lo mismo. Y así es como quieren ser cuando llamó a clasificar y tratar con los I-Systems. Por lo que tres niveles principales que han dividido, descuidado cierto riesgo aceptable, alto riesgo, y limitado con interminable. Un riesgo aceptable son básicamente los sistemas que se consideran como una amenaza para la seguridad y el sustento y los derechos de las personas que simplemente bancarias regulación de simplemente bateo promedio, que es como una tolerancia cero, ese tipo de cosas. Y lo limitado y lo mínimo fue gay. Simplemente son cosas pequeñas que están usando Gately manteniendo tu carpeta de spam, ya sabes, usa el aprendizaje automático para saber cuántas imágenes vienen en solo lapso. No se trata de que el foco principal sea la hidrosfera. Lo que también me gustaría básicamente, es una definición de alto nivel como un sistema's entre evaluar para ver al cliente, digeridad de crédito al consumidor o la crítica mágica blaze identificación biométrica, como ese tipo de cosas. Y esos estarán sujetos a obligaciones muy estrictas que antes de que puedan ser puestos en el mercado, tendrás que hacer evaluaciones de riesgos. Los conjuntos de datos que necesitamos para sanar realmente. Es necesario proporcionar información para ser utilizada, cómo está sucediendo. necesario tener una supervisión humana sobre él y destacó la robustez de la seguridad y la precisión. Entonces, ¿cómo llamarías a qué? Bueno, si desarrollas un sistema de IA, necesita mirarlo como algo llamado evaluación de conformidad. Entonces básicamente lo que hace, deja a alguien con documentación técnica y la calidad del sistema para que se esté conformando a volver nación. Y si lo hace, se registra y ¿qué te van a poner en el mercado? Y así suponiendo que algo cambie, algo cambia empatía un sistema de lo que necesitas volver completamente atrás y lo certificamos por este li, todas las cosas que mencionaste sobre la equidad y integridad y todas esas cosas, serían en realidad se convierte en mecanista. Por lo que se puede ver esta regulación morada en el secretorio a nivel mundial. Entonces espero que entiendan ahora chicos, cómo lo que llamó los riesgos que actualmente son un sistema y qué tan dominantes en todo el mundo y el pudín y medidas y ponerlo en el pasos para asegurarse de que se pueda confiar en los ecosistemas. Gracias. 19. Es avanzar para ti: Hola chicos. lo que ahora por fin hemos llegado al final de este curso y esta es nuestra sección final. Espero que signifique que solo viaje. Y has ganado como una comprensión minuciosa de los fundamentos de la inteligencia artificial y el aprendizaje automático. Entonces ahora la pregunta de un millón de dólares es ¿qué? No, ¿A dónde van ustedes desde ahí y construyen sobre lo que han aprendido en este curso. Entonces si quieres seguir una carrera, un pozo, la buena noticia es que has elegido a una persona profesional, lo cual no es una enorme demanda. Incluso con la pandemia destruyendo millones de empleos. Tienes un gran gigante invirtiendo fuertemente en IA. Tienes globins invirtiendo tus startups indistintas. Se espera para 2030 que 1 tercio de ese libro en EU sea reemplazado por la automatización y los robots. Entonces quiero decir, esto es como si hubiera algo que tomé de LinkedIn. Es decir, el trabajo número uno más demandado fue especialista en inteligencia artificial contratado como un crecimiento anual del 74 por ciento, lo cual es absolutamente increíble. Entonces otra vez, algún análisis de doctrina. Gardner, como dije, ni siquiera 2030, que como me gusta 2024 como 32 cuartas partes de empresa y operacionalizan a. Entonces la buena noticia es si quieres seguir una carrera en EIA, la buena noticia es que has elegido una profesión que significa demanda. ¿ De acuerdo? Y en la sección de recursos, he puesto en un enlace a un estudio reciente del gobierno del Reino Unido sobre cómo el, cómo hacer crecer la industria de la inteligencia artificial en el Reino Unido. Y no es solo que te das cuenta de que esto está sucediendo más o menos a escala global desde Europa hasta Oriente Medio. Adicionalmente, solo conozcas que la Unión Europea es puerto para la propuesta de regulación del EIA, que es el primer marco legal de la a, que aborda los riesgos de la capacidad de AI cuando yo CA no va en cualquier lugar, los chicos son buenos. Esa es una buena noticia. Estamos viendo cuál es la mala noticia? Bueno, las malas noticias, no sé si se le puede llamar malas noticias, pero sólo algo que hay que tener en cuenta. Se trata de un campo muy técnico y necesitarás profundizar en algunos temas técnicos como programación y la ciencia de datos. Si quieres crear tus propios modelos de aprendizaje automático , y honestamente, si quieres hacer algo de valor NEA, esa es la naturaleza de la bestia, esa es la IA. Y no hay forma de saltarse de ella. Ya sea que quieras convertirte en ingeniero de IA o en científico de datos. Pongo en qué, en mi experiencia, qué tipo de habilidades necesitas perseguir. Ver la pantalla, sí. Después numerosos programas de posgrado, licenciatura y maestría disponibles de universidades e instituciones acreditadas, que te pueden llevar desde cero y realmente puedes construir sobre las habilidades. Entonces si te interesa la habilidad y eso es genial, ya sabes, muchos de estos programas no están disponibles. Si bien hace tenías que realmente era como un programas realmente especializados con el conocimiento se vuelven mucho más comunes. Por lo que es mucho más fácil perseguir una carrera adecuada. Y ahora mencioné el lenguaje de programación. Entonces esa es la pregunta que me hacen mucho que decir. Si me va bien, sí quiero perseguir la IA y quiero recoger un lenguaje de programación y ¿en cuál debería enfocarme? Bueno, hay numerosas opciones disponibles para la inteligencia artificial, pero mi recomendación es casi siempre comprar. Hay una razón por la que es el lenguaje de codificación más popular para el aprendizaje automático. El motivo de eso es que está lleno de 316 pasivos. Por lo que ya se ha hecho mucho trabajo y te puede ayudar a que empieces corriendo. Y es muy sencillo de entender por Ethan siempre ha sido popular, seré honesto, pero con IA y machine learning, realmente despegó. Definitivamente, van a ser como no. Otro es la lista. Pero es una opción, pero toda el agua, la mayoría honestamente no está presente en Python. No es tan fácil de usar como Python. Es todo no tiene el rico número de pasivos que tiene exciton. Java también es bastante popular y es un fuerte contendiente contra Python. También será como valores y fácil de usar. Creo que cualquiera que haya trabajado en una organización grande ha experimentado un dólar. Y el último, si eres un cruncher numérico, entonces r, que es un lenguaje emergente. Podría ser para ti. Se volvió muy apropiadamente con ellos porque es bueno para el análisis estadístico. Y aún mejor que Python cuando se trata de crujir números. Cuenta con un soporte muy potente para la minería de datos y análisis avanzado de datos. Hay otro lenguaje también como C plus prólogo y puedo seguir y seguir al respecto. Pero si honestamente quieres mis dados de opinión, entonces realmente no puedes equivocarte con Python. Y hay una buena razón, no es un rastro de momento para los profesionales de IA. Y luego numerosos cursos disponibles, puedes tomarlo hasta arriba y puedes conseguir una base muy buena, sólida para iniciar una carrera en ai. De acuerdo, eso fue sólo una guía. Solo para ayudarte a conseguir un arranque de carrera en el ion iniciando tu Acharya, ¿qué hacer? Entonces creo que habíamos llegado a una conclusión. Ahora. Te veré ahí. Gracias. 20. ¡El final!: Hola a todos, y felicitaciones, Gracias por completar el curso y espero que hayan aprendido algo ahora sobre IA y machine learning. Y ya no es un tema tan aterrador como parecía ser al inicio. Entonces sólo un alguien rápido, quiero decir, estas otras cosas, estos otros logros que ahora has hecho, has entendido los conceptos básicos del machine learning. Has creado tus propios modelos de machine learning y AI, y suena increíble, pero sí, lo has hecho. Y también te has dado cuenta de lo peligroso del mal uso de la IA. Invita a buen gobierno y algunos marcos de gestión de riesgos que ponemos en su lugar. Y también entendiste, espero haberte dado las herramientas que necesitas para tener en su lugar. Si de verdad quieres llevar adelante tu carrera. Y como un realmente invertir en inteligencia artificial. Es decir, el cielo son los chicos del límite. De verdad, no hay parada de EA. Y él es como, te estás invirtiendo para el futuro. Entonces espero que esto realmente me haya ayudado y por favor me den sus comentarios y comentarios. Me encantaría tener una retroalimentación honesta que te ayude a crear más cursos y encontrarás este curso más. Entonces solo una autopromoción rápida otra vez, sí tengo un canal de YouTube, el chico de seguridad Cloud. Esta es mi página de Facebook y un blog en el que publicar adecuadamente. Por lo que te deseo lo mejor absoluto en tus carreras y buena suerte en tu Acharya y te veo en el futuro. Adiós.