Machine Learning

Conferencia sobre Modelos de Analítica Predictiva empleando Machine Learning en Power BI.

Power BI democratiza Machine Learning (ML) usando AutoML en Dataflows para construir, entrenar y aplicar modelos predictivos sin necesidad de código. Estos modelos (clasificación binaria, regresión, etc.) enriquecen los datos y se convierten en entidades usables en cualquier informe. El visual de Factores de Influencia complementa esto, ya que automáticamente identifica y clasifica los drivers o segmentos clave que impactan en una métrica objetivo. Esta funcionalidad ofrece explicaciones causales directas y de fácil entendimiento sobre por qué la métrica sube o baja. Juntas, ambas características permiten a los usuarios obtener insights avanzados de su data de forma rápida y visual.

Algoritmos de Aprendizaje Reforzado

El aprendizaje por refuerzo es un tipo de aprendizaje automático donde un agente aprende a tomar decisiones basados en una recompensa esperada. Los algoritmos de este método se pueden clasificar en diferentes tipos, cada uno con un enfoque particular. Los algoritmos de aprendizaje por refuerzo son una rama del aprendizaje de máquina que se enfoca en cómo los agentes inteligentes deben tomar decisiones en un entorno para maximizar una recompensa. Su importancia radica en su habilidad para resolver problemas de toma de decisiones secuenciales, donde un agente aprende a través de la interacción directa con el entorno. Esto les permite entrenar modelos para tareas complejas como el control de robots, la conducción autónoma y los juegos, superando las limitaciones del aprendizaje supervisado y no supervisado.

Redes Neuronales Artificiales y Deep Learning

Las Redes Neuronales Artificiales tienen su origen en la década de 1940, inspiradas en el funcionamiento del cerebro humano, pero su interés resurgió en la década de 1980 con la invención del algoritmo de retropropagación que permitió el entrenamiento de redes neuronales con múltiples capas ocultas, luego denominadas redes neuronales convolucionales, superando la limitación del Perceptrón. A pesar de estos avances, las redes neuronales seguían siendo limitadas. El resurgimiento ocurrió a partir de la década de 2000 gracias a tres factores claves: primero el aumento de la capacidad de cómputo con la aparición de las unidades de procesamiento gráfico (GPU), segundo la aparición de la big data y tercero los avances en los algoritmos dando paso a arquitecturas como las Redes Neuronales Convolucionales para el procesamiento de imágenes, y las Redes Neuronales Recurrentes para datos secuenciales.

Métodos de Aprendizaje de Máquina

Los algoritmos de Machine Learning se caracterizan por su capacidad para aprender de los datos, automatizar tareas y mejorar su precisión con el tiempo. No están programados para realizar una tarea específica, sino que aprenden patrones y relaciones a partir de un conjunto de datos de entrenamiento. Esto les permite generar un modelo que puede hacer predicciones o tomar decisiones sobre datos nuevos y no vistos de una manera recursiva. La calidad y cantidad de los datos son cruciales para el rendimiento del algoritmo. Existen cuatro categorías principales de aprendizaje que definen cómo un algoritmo aprende. Estos son: Aprendizaje Supervisado. Aprendizaje No Supervisado. Aprendizaje por Refuerzo. Redes Neuronales y Deep Learning.

La estrategia de enseñanza de la I.A en las escuelas chinas

China, la segunda economía mundial en una medida audaz introducirá la Inteligencia Artificial en los colegios a partir de septiembre de 2025 desde los niveles primaria, secundaria y superior en un intento por impulsar la innovación en Inteligencia Artificial de los estudiantes. De acuerdo a lo planificado, se presentará a los escolares de primaria los conceptos básicos de la IA, como el reconocimiento de voz, la clasificación de imágenes y la interacción con dispositivos inteligentes, así como sus usos básicos y mejores prácticas. Al llegar a la secundaria, los estudiantes aprenderán a construir sus propios algoritmos y dispositivos inteligentes. El presidente chino Xi Jinping ya ha calificado en abril del 2025 a la Inteligencia Artificial como "una causa para los jóvenes" y los instó a fortalecer sus habilidades en este ámbito.

Analisis de sentimientos con Azure Cognitive Services en Power BI

Aplicar la IA en nuestra empresa para enriquecer nuestros datos y encontrar conocimiento, es sencillo con Azure Cognitive Services. Ya no requerimos de programación avanzada para integrar aplicaciones de reconocimiento de imágenes, análisis de sentimientos y procesamiento de lenguaje natural en nuestros procesos de negocios. En Power BI, las aplicaciones de Azure Cognitive se encuentran en el menú “Conclusiones de IA”. Aquí uno puede acceder a una colección de modelos de Machine Learning entrenados previamente que mejoran los contenidos de los modelos de datos. Se puede acceder a Conclusiones de I.A en el Editor de Power Query tanto en el menú “Inicio” como el de “Agregar Columna”.

La Analitica de Datos en las elecciones USA 2024

La analítica de datos es el proceso de examinar conjuntos de datos con el objetivo de extraer información significativa, patrones y tendencias que puedan ayudar a la toma de decisiones. Es una disciplina fundamental en la era digital, ya que las organizaciones utilizan datos para mejorar sus operaciones, optimizar procesos, identificar oportunidades de negocio y predecir comportamientos futuros. Donald Trump ha sido investido como el 47º presidente de los Estados Unidos, marcando su regreso a la Casa Blanca después de cuatro años. La ceremonia de investidura se llevó a cabo en la Rotonda del Capitolio debido a las bajas temperaturas en Washington D.C. Trump estuvo acompañado por su vicepresidente, J.D. Vance, y diversas figuras destacadas, incluyendo a los expresidentes Bill Clinton, George W. Bush y Barack Obama, así como al empresario Elon Musk.

Algoritmo de Clustering en Machine Learning con PowerBI

El clustering es un tipo de algoritmo de aprendizaje no supervisado en el campo de la inteligencia artificial y la minería de datos. Su objetivo principal es agrupar datos en conjuntos (clusters) basados en su similitud, de manera que los objetos dentro de un mismo grupo sean más similares entre sí que con los objetos de otros grupos.

Modelo de Factores de influencia con Power BI

El aprendizaje de máquina (o machine learning, ML) es un campo de la inteligencia artificial que se centra en desarrollar algoritmos y modelos que permiten a las computadoras aprender y hacer predicciones o decisiones basadas en datos. En lugar de ser explícitamente programadas para realizar tareas específicas, las máquinas aprenden de los datos y mejoran su desempeño con el tiempo. Los factores de influencia son elementos o condiciones que afectan o determinan el comportamiento, las decisiones o los resultados en un contexto determinado. Pueden ser internos (dentro de una persona u organización) o externos (provenientes del entorno).

Arbol de descomposicion jerarquica en Power BI

Un árbol de descomposición jerárquica es una herramienta gráfica que se utiliza para descomponer un problema, en partes más pequeñas. Su objetivo es facilitar el análisis de temas complejos al dividirlos en niveles jerárquicos que muestran relaciones y dependencias entre los componentes. El objeto visual del esquema jerárquico de Power BI permite visualizar datos en varias dimensiones. Agrega datos de manera automática y permite explorar en profundidad las dimensiones en cualquier orden. También es una visualización de inteligencia artificial (IA), por lo que se le puede pedir que busque la dimensión siguiente para explorar en profundidad en función de ciertos criterios.