Las aplicaciones de Inteligencia Artificial como Machine Learning y Deep Learning se han convertido en parte importante en nuestras vidas. Los productos que compramos, si somos o no aptos para un préstamo bancario, las películas o series que Netflix nos recomienda, coches autoconducidos, reconocimiento de objetos, etc; toda esa información es dirigida hacia nosotros por estos algoritmos. En la actualidad, estos campos de estudio son los más apasionantes y retadores en computación debido a su alto nivel de complejidad y gran demanda en el mercado. En esta presentación vamos a conocer y aprender a diferenciar estos conceptos, ya que son herramientas inevitables para el mejoramiento de la vida humana. A continuación, te presentamos algunos de los temas específicos que se expondrán: - Contexto de ML y DL en Inteligencia Artificial. - Machine Learning. - Supervised Learning. - Unsupervised Learning. - Deep Learning. - Artificial Neural Network. - Convolutional Neural Networks. - Aplicaciones en ML y DL.

2. Nuestras
locaciones

3. Nuestros
Panelistas
Marvin Abisrror
Data Scientist, CoE en Belatrix
Jans Álvarez
Marketing Analyst

4. Agenda
• Context of ML and DL in Artificial Intelligence.
• Machine Learning.
• Deep Learning.
• Artificial Neural Network.
• Convolutional Neural Networks.
• Applications in ML and DL.
¿QUESTIONS?
#MachineLearningBSF

5. Context of ML and DL

6. ¿QUESTIONS?
#MachineLearningBSF
Artificial Intelligence

7. ¿QUESTIONS?
#MachineLearningBSF
Artificial Intelligence
Machine Learning

8. ¿QUESTIONS?
#MachineLearningBSF
Artificial Intelligence
Machine Learning
Big Data

9. ¿QUESTIONS?
#MachineLearningBSF
Artificial Intelligence
Machine Learning
Big Data
Deep Learning

10. Approaches of Machine Learning ¿QUESTIONS?
#MachineLearningBSF
MACHINE LEARNING
SUPERVISED REINFORCEMENTUNSUPERVISED

11. Supervised Learning - Linear Regression ¿QUESTIONS?
#MachineLearningBSF

12. Linear Regression ¿QUESTIONS?
#MachineLearningBSF

13. Linear Regression ¿QUESTIONS?
#MachineLearningBSF

14. Linear Regression ¿QUESTIONS?
#MachineLearningBSF

15. Gradient Descent ¿QUESTIONS?
#MachineLearningBSF

16. Gradient Descent ¿QUESTIONS?
#MachineLearningBSF

17. Gradient Descent ¿QUESTIONS?
#MachineLearningBSF

18. Supervised Learning - Classification ¿QUESTIONS?
#MachineLearningBSF

19. Supervised Learning - Classification ¿QUESTIONS?
#MachineLearningBSF

20. Unsupervised Learning: Clustering ¿QUESTIONS?
#MachineLearningBSF

21. Unsupervised Learning - Recommended
Systems
¿QUESTIONS?
#MachineLearningBSF

22. Unsupervised Learning - Recommended
Systems (Matrix Factorization)
¿QUESTIONS?
#MachineLearningBSF

23. Reinforcement Learning ¿QUESTIONS?
#MachineLearningBSF
Agent
Environment
ActionState Reward

24. DeepMind - AlphaGO ¿QUESTIONS?
#MachineLearningBSF

25. Deep Learning

26. Fully Connected Neural Network
¿QUESTIONS?
#MachineLearningBSF

27. Perceptron - Single Layer
Feedforward Neural Network
¿QUESTIONS?
#MachineLearningBSF
X1
X2
1
∑
W1
b
h f(h) yW2

28. Mathematically ¿QUESTIONS?
#MachineLearningBSF

29. Neural Networks ¿QUESTIONS?
#MachineLearningBSF

30. Convolutional Neural Network
(CNN)
¿QUESTIONS?
#MachineLearningBSF

31. Convolutional Neural Network
(CNN)
¿QUESTIONS?
#MachineLearningBSF

32. Convolutional Neural Network
(CNN)
¿QUESTIONS?
#MachineLearningBSF

33. Convolutional Neural Network (CNN) ¿QUESTIONS?
#MachineLearningBSF

34. Would you cross this Bridge? ¿QUESTIONS?
#MachineLearningBSF

35. DEMO

36. Examples of ML and DL
https://github.com/Marvinsky/machine_learning_vs_deep_learning

37. Bibliography
• Dmytro Mishkin and Nikolay Sergievskiy and Jiri Matas. Systematic evaluation of {CNN} advances on the ImageNet. (2016).
https://arxiv.org/pdf/1606.02228.pdf
• Andrej Karpathy and Justin Johnson and Fei{-}Fei Li. Visualizing and Understanding Recurrent Networks. (2015).
https://arxiv.org/pdf/1506.02078.pdf
• Jun-Yan Zhu, Philipp Krähenbühl, Eli Shechtman, Alexei A. Efros. Generative Visual Manipulation on the Natural Image Manifold.
(2016). https://arxiv.org/pdf/1609.03552.pdf
• Jun-Yan Zhu, Taesung Park, Phillip Isola, Alexei A. Efros. Unpaired Image-to-Image Translation using Cycle-Consistent
Adversarial Networks. (2017). https://arxiv.org/pdf/1703.10593.pdf
• Xudong Mao, Qing Li, Haoran Xie, Raymond Y.K. Lau, Zhen Wang, and Stephen Paul Smolley. Least Squares Generative Adversarial
Networks. (2017). https://arxiv.org/pdf/1611.04076.pdf
• Tianqi Chen, Carlos Guestrin. XGBoost: A Scalable Tree Boosting System. (2016). https://arxiv.org/pdf/1603.02754.pdf
• Hado van Hasselt, Arthur Guez, David Silver. Deep Reinforcement Learning with Double Q-learning.
(2015).https://arxiv.org/pdf/1509.06461.pdf
¿QUESTIONS?
#MachineLearningBSF

38. Bibliography
• Yoshua Bengio. Practical recommendations for gradient-based training of deep architectures. (2012).
https://arxiv.org/pdf/1206.5533.pdf
• Nitish Srivastava, Geoffrey Hinton, Alex Krizhevsky, Ilya Sutskever, Ruslan Salakhutdinov. Dropout: a simple way to prevent neural
networks from overfitting. (2014). https://www.cs.toronto.edu/~hinton/absps/JMLRdropout.pdf
• Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio.
Generative Adversarial Networks. (2014). https://arxiv.org/pdf/1406.2661.pdf
• Xiaohan Jin, Ye Qi, Shangxuan Wu. CycleGAN Face-off. (2017). https://arxiv.org/pdf/1712.03451.pdf
• Sergey Ioffe and Christian Szegedy. Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate
Shift. (2015). https://arxiv.org/pdf/1502.03167.pdf
• Alec Radford, Luke Metz, Soumith Chintala. Unsupervised Representation Learning with Deep Convolutional Generative
Adversarial Networks. (2015). https://arxiv.org/pdf/1511.06434.pdf
¿QUESTIONS?
#MachineLearningBSF

39. Preguntas

40. ¡Muchas Gracias!
www.belatrixsf.com