Archivo del sitio

Programa de Fomento a las Vocaciones en el Área de IA


El día 6 de agosto del presente año participé en el Programa de Fomento a las Vocaciones en el Área de IA realizado por el Centro de Investigación en Inteligencia Artificial de la Universidad Veracruzana.

Me invitaron a presentar los temas Metodología para el Desarrollo de Proyectos y Herramientas de la IA, en el primero me enfoqué a hablarles de qué es una Startup, un pitch, cómo crear un Canvas y la metodología Lean Startup. Fue una experiencia enriquecedora, los estudiantes que nos acompañaron se notaron interesados en el tema y además los ayudó a delimitar sus ideas y posteriormente plasmarlas en un canvas. Lo que más me gustó fue su motivación y entusiasmo por temas nuevos, además de ver cómo sus ideas iban tomando forma hacia una idea de negocio.

Posteriormente les di la charla de Herramientas de IA dónde me enfoqué principalmente a hablarles de Amazon Rekognition, Tensor Flow y algunos frameworks que les ayudan a aplicar inteligencia artificial de una manera sencilla.

A lo largo de la semana los estudiantes formaron equipos de tres para al final presentar una idea de negocio a tres jurados que evaluaron innovación, factibilidad, integración de la IA, entre otras. Al final, fueron premiados los tres equipos con mayor puntaje y se les entregó un apoyo económico para que continúen con su propuesta.

En septiembre se efectuará la segunda etapa en la que presentarán las ideas con avances y mejoras de su prototipo, además de los equipos ganadores en la primera parte también concursarán por el gran premio.

En lo personal, estoy buscando apoyo y patrocinios para entregarles algunos regalitos como son stickers, membresías, descuentos en plataformas educativas, etc. Si tu quieres y puedes participar como patrocinador (no importa el monto o regalito) te lo voy a agradecer mucho, además que serás mencionado en redes sociales.

No tengo duda que es el inicio de muchos programas de fomento a las vocaciones.

 

 

 

Anuncios

¿Qué es OpenCV?


Actualmente estudio un doctorado en Inteligencia Artificial y aunque mi área de interés se enfoca al análisis de Redes Sociales, Minería Web y Big Data durante mi estancia se me ha preguntado de robótica, visión de computadoras, optimización, etc. Hace unas semanas llegó un nuevo reto y ese es reconocimiento facial y detección facial, los cuales deberé implementarlo para una aplicación móvil.

Investigando al respecto y el cuál había escuchado hablar de esta librería me estaré enfocando a aprender OpenCV, es una biblioteca libre que se utiliza para visión artificial, se ha usado para diseñar sistemas de seguridad con detección de movimiento, reconocimiento de objetos, etc.

Debido a que es multiplataforma en esta ocasión la usaré para Android, específicamente utilizando Android Studio. Lo más importante es llegar a comprender su amplia gama de métodos y áreas para los cuáles pueden ser usados como es el caso de calibración de cámaras, visión robótica, reconocimiento de objetos entre otros.

Imagino que hay muchos expertos y conocedores de OpenCV y agradecería me recomendaran algunos enlaces, y para aquellos que no lo conocen como yo les iré platicando y publicando videos de algunas implementaciones que vayan surgiendo.

En un siguiente post les explicaré la diferencia entre reconocimiento facial y detección facial, hasta pronto 🙂

Clasificador Naïve Bayes


El clasificador probabilístico Naive Bayes o Bayesiano ingenuo en español, tiene sus fundamentos en el Teorema de Bayes, es uno de los algoritmos de aprendizaje práctico más utilizados por su sencillez; entre sus ventajas está que su implementación es muy fácil y obtiene buenos resultados de clasificación en la mayoría de los casos.

Es una técnica de clasificación y predicción supervisada ya que necesita de ejemplos previos que nos ayuden a clasificar los datos a evaluar, Naïve Bayes nos permite construir modelos que predicen la probabilidad de resultados.

¿Dónde aplicarlo?

Hay muchas áreas y tareas cotidianas donde podemos usarlo, por ejemplo supongamos que deseas conocer la probabilidad de que un paciente tenga cáncer dado que fuma, lo importante aquí es tener una BD de otros pacientes y sus características (edad, sexo, hace ejercicio, etc) que nos den una probabilidad de otros futuros pacientes dado que cumplan ciertas características y dado que fuma.

¿En qué está basado?

Este clasificador está basado en el Teorema de Bayes o conocido también como teorema de la probabilidad condicionada, pues el porcentaje obtenido se verá condicionado o afectado por otro dato más, por ejemplo, ¿cuál es la probabilidad de que gane en el bingo? Este se ve afectado por varias condiciones como:

a) ¿Cuántas personas más van a jugar?. Es más probable que podamos ganar si el número de personas es menor, no es lo mismo competir contra 10 personas a 50.

b) ¿Cuántos cartones he comprado?. Mi probabilidad de ganar se incrementará si compro más cartones.

Es por eso que los resultados se ven afectados por otras variables, en este ejemplo por a) y b).

En otro post explicaré los pasos para llevar a cabo la clasificación.

Minería de Datos: ¿Qué es y para que sirve?


Internet es el más grande repositorio de hypertexto, donde se tienen enlaces, imágenes, videos, texto, documentos, etc. Es debido a esto que se ha incrementado la demanda en el desarrollo de aplicaciones que permitan mantener la información en orden y de rápido acceso; es decir, todo apunta a la necesidad de metodologías de análisis inteligente de datos.

Es así donde la Minería de Datos hace un intento de buscarle sentido al procesamiento de información que actualmente se tiene disponible en la nube. Pero, ¿qué es la minería de datos y para que me sirve? Trataré de explicarme de manera sencilla y resumida los principales conceptos de ésta área con la finalidad de que te intereses en el tema.

La minería de datos (Data Mining en inglés) es un área relativamente “nueva” y prometedora, se puede definir como el proceso de descubrir la información procesable de conjuntos enormes de datos, encontrando patrones y tendencias; puede hacer uso de estadística, Aprendizaje Automático (machine learning), Inteligencia Artificial y técnicas de visualización de datos.

Hay áreas que toman ventaja de los resultados de aplicar minería de datos a su información, como es el caso de la mercadotécnia, medicina, manufactura, química, economía, etc.

La idea principal es encontrar tendencias y patrones predictivos mediante el análisis de lo que ya tenemos y conocemos, por lo que la Minería de datos puede ser descriptiva (descubrir patrones interesantes o relaciones) o predictivas (clasificar nuevos datos).

Sus tareas más comunes son:

  • Clasificación. Organiza un dato dentro de una de las clases categóricas predefinidas.
  • Regresión. El propósito de este modelo es hacer corresponder un dato con un valor real de una variable.
  • Clustering. Es la agrupación de registros, observaciones o clases de objetos similares. Por lo que un cluster es una colección de registros que tienen similitudes y son distintos a cualquier otro cluster.
  • Generación de reglas. Se extraen o generan reglas de los datos, estas hacen referencia al descubrimiento de relaciones de asociación y dependencias funcionales entre los diferentes atributos.
  • Resumen. En esta tarea se proporcionan una descripción compacta de un subconjunto de datos.
  • Análisis de secuencias. Se generan patrones secuenciales, el objetivo es modelar los estados del proceso, extraer e informar de la desviación y tendencias en el tiempo.

En un siguiente post explicaré más acerca de estas tareas y cuales son sus ventajas :).

@silvercorp | Twitter
Silvercorp | Youtube

Interfaces Cerebro-Computadora (BCI)


Plática en vivo en el Open Education Week

A %d blogueros les gusta esto: