Categoría: Machine Learning

Publicado el

¿Qué es la automatización robótica de procesos?

A medida que muchos trabajos modernos crecen en complejidad, lidiando con una economía que se escala rápidamente y una escasez significativa de talento capacitado, numerosas compañías han empezado a utilizar el software y otras soluciones tecnológicas con mayor fervor para mantener los niveles de productividad consistentes.

El stock actual de tecnología disponible para las empresas, desde sofisticado software de inteligencia empresarial hasta inteligencia artificial, análisis del habla y más, ofrece un nuevo medio para lograr lo anterior a la vanguardia: los bots.

Estos bots no son robots físicos literales, sino creaciones programáticas capaces de realizar innumerables tareas y operaciones.

Dichos bots se utilizan cada vez más como parte de una forma de automatización de procesos de negocio que se fortalece constantemente, pero este tipo de automatización presenta beneficios únicos además de una serie de desafíos especiales.

Continuar leyendo «¿Qué es la automatización robótica de procesos?»

Publicado el

Matrices y NumPy

En matemática, una matriz es un arreglo bidimensional de números. Dado que puede definirse tanto la suma como el producto de matrices, en mayor generalidad se dice que son elementos de un anillo. Una matriz se representa por medio de una letra mayúscula(A,B..) y sus elementos con la misma letra en minúscula (a,b…), con un doble subíndice donde el primero indica la fila y el segundo la columna a la que pertenece.

Continuar leyendo «Matrices y NumPy»

Publicado el

Regresion Lineal

En estadística, la regresión lineal es un enfoque lineal para modelar la relación entre una variable dependiente escalar y una o más variables explicativas (o variables independientes) denotadas como X. El caso de una variable explicativa se llama regresión lineal simple. Para más de una variable explicativa, el proceso se llama regresión lineal múltiple. (Este término es distinto de la regresión lineal multivariable, donde se predicen variables dependientes correlacionadas múltiples, en lugar de una sola variable escalar).

y = mx + b

El modelo arrojó una serie de predicciones, una predicción para cada matriz de entrada. La primera entrada, [127], obtuvo una predicción de 438.94308857. La entrada de segundos, [248], obtuvo una predicción de 127.14839521. La razón para predecir en una matriz como [127] y no solo 127, es porque puede tener un modelo que hace una predicción usando múltiples características. Vamos a repasar el uso de múltiples variables en regresión lineal más adelante en esta lección. Por ahora, mantengamos un solo valor.

Continuar leyendo «Regresion Lineal»