{"id":22136,"date":"2021-04-07T09:24:32","date_gmt":"2021-04-07T15:24:32","guid":{"rendered":"https:\/\/otech.uaeh.edu.mx\/noti\/?p=22136"},"modified":"2021-04-07T09:24:51","modified_gmt":"2021-04-07T15:24:51","slug":"los-conceptos-de-machine-learning-y-deep-learning-en-la-industria","status":"publish","type":"post","link":"https:\/\/otech.uaeh.edu.mx\/noti\/machine-learning\/los-conceptos-de-machine-learning-y-deep-learning-en-la-industria\/","title":{"rendered":"Los conceptos de Machine Learning y Deep Learning en la industria"},"content":{"rendered":"

\u00bfQu\u00e9 es Machine Learning?<\/span><\/span><\/h3>\n
\n

En la ciencia que estudia los datos, un algoritmo es una secuencia de pasos de procesamiento estad\u00edstico. <\/span>En el Machine Learning, los algoritmos est\u00e1n ‘entrenados’ para encontrar patrones y caracter\u00edsticas en cantidades masivas de datos con el fin de tomar decisiones y hacer predicciones basadas en nuevos datos. <\/span>Cuanto mejor sea el algoritmo, m\u00e1s precisas ser\u00e1n las decisiones y predicciones a medida que procese m\u00e1s datos.<\/span><\/span><\/p>\n

Hoy en d\u00eda, los ejemplos de Machine Learning est\u00e1n por todas partes. <\/span>Los asistentes digitales buscan en la web y tocan m\u00fasica en respuesta a nuestras \u00f3rdenes de voz. <\/span>Los sitios web recomiendan productos, pel\u00edculas y canciones basadas en lo que compramos, vimos o escuchamos antes. <\/span>Los robots aspiran nuestros pisos mientras hacemos algo mejor con nuestro tiempo. <\/span>Los detectores de spam impiden que los correos electr\u00f3nicos no deseados lleguen a nuestros buzones. <\/span>Los sistemas de an\u00e1lisis de im\u00e1genes m\u00e9dicas ayudan a los m\u00e9dicos a detectar tumores que podr\u00edan haber pasado por alto. <\/span>Y los primeros coches que se autoconducen est\u00e1n ya saliendo a la carretera.<\/span><\/span><\/p>\n

\u00bfPodemos esperar a\u00fan m\u00e1s? <\/span>A medida que los grandes datos sigan creciendo, que la inform\u00e1tica sea m\u00e1s potente y asequible, y que los cient\u00edficos de los datos sigan desarrollando algoritmos m\u00e1s capaces, el aprendizaje autom\u00e1tico impulsar\u00e1 una eficiencia cada vez mayor en nuestras vidas personales y laborales.<\/span><\/span><\/p>\n<\/div>\n

\u00bfC\u00f3mo funciona el Machine Learning?<\/span><\/span><\/h3>\n
\n

El kit de la cuesti\u00f3n no es saber para qu\u00e9 sirve el Machine Learning, sino que saber c\u00f3mo funciona y c\u00f3mo poder implementarlo en la industria para aprovechar sus beneficios. <\/span>Se podr\u00eda decir que hay una serie de 4 pasos b\u00e1sicos para crear una aplicaci\u00f3n o modelo de Machine Learning. <\/span>Estos son t\u00edpicamente realizados por cient\u00edficos de los datos que trabajan en estrecha colaboraci\u00f3n con los profesionales de los negocios para los que se est\u00e1n desarrollando el modelo.<\/span><\/span><\/p>\n<\/div>\n

\n

Paso 1: Seleccionar y preparar un conjunto de datos de entrenamiento<\/span><\/span><\/strong><\/p>\n

Los datos de entrenamiento son un conjunto de datos representativos de los datos que el modelo de Machine Learning ingerir\u00e1 para resolver el problema que est\u00e1 dise\u00f1ado para resolver. <\/span>En algunos casos, los datos de entrenamiento se etiquetan como datos ‘etiquetados’ para llamar a las caracter\u00edsticas y clasificaciones que el modelo necesitar\u00e1 identificar. <\/span>Otros datos no est\u00e1n etiquetados, y el modelo necesitar\u00e1 extraer esas caracter\u00edsticas y asignar clasificaciones por su cuenta.<\/span><\/span><\/p>\n

En cualquier caso, los datos de capacitaci\u00f3n deben prepararse adecuadamente: aleatorizados, desdoblados y comprobados en busca de desequilibrios o sesgos que pueden afectar a la capacitaci\u00f3n. <\/span>Tambi\u00e9n deben dividirse en dos subconjuntos: el subconjunto de capacitaci\u00f3n, que se utilizar\u00e1 para entrenar la aplicaci\u00f3n, y el subconjunto de evaluaci\u00f3n, que se utilizar\u00e1 para probarla y perfeccionarla.<\/span><\/span><\/p>\n<\/div>\n

\n

Paso 2: Elegir un algoritmo para ejecutarlo en el conjunto de datos de entrenamiento<\/span><\/span><\/strong><\/p>\n

Este puede que sea un conjunto de pasos de procesamiento estad\u00edstico, ya que debe elegir qu\u00e9 algoritmo utilizar, siendo este un conjunto de pasos de procesamiento estad\u00edstico. <\/span>El tipo de algoritmo dependiente del tipo (con o sin etiqueta) y la cantidad de datos del conjunto de datos de entrenamiento y del tipo de problema que se debe resolver. <\/span>Entre los tipos comunes de algoritmos de aprendizaje autom\u00e1tico que se utilizan con los datos etiquetados se incluyen los siguientes:<\/span><\/span><\/p>\n

1.\u00a0Algoritmos de regresi\u00f3n:\u00a0<\/em><\/u>la regresi\u00f3n lineal y log\u00edstica son ejemplos de algoritmos de regresi\u00f3n utilizados para comprender las relaciones en los datos. La regresi\u00f3n lineal se utiliza para predecir el valor de una variable dependiente bas\u00e1ndose en el valor de una variable independiente. La regresi\u00f3n log\u00edstica puede utilizarse cuando la variable dependiente es de naturaleza binaria: A o B. Por ejemplo, un algoritmo de regresi\u00f3n lineal podr\u00eda entrenarse para predecir las ventas anuales de un vendedor (la variable dependiente) bas\u00e1ndose en la experiencia del t\u00e9cnico de ventas (la variable independiente). Otro tipo de algoritmo de regresi\u00f3n llamado m\u00e1quina de vector de apoyo es \u00fatil cuando las variables dependientes son m\u00e1s dif\u00edciles de clasificar.<\/p>\n

2.\u00a0\u00c1rboles de decisi\u00f3n o \u2018Decision Trees\u2019:<\/em><\/u>\u00a0los \u00e1rboles de decisi\u00f3n utilizan datos clasificados para hacer recomendaciones basadas en un conjunto de reglas de decisi\u00f3n. Por ejemplo, un \u00e1rbol de decisi\u00f3n que recomienda elegir a un vendedor en particular, usar\u00eda la informaci\u00f3n de dicho vendedor (por ejemplo, las valoraciones de su p\u00e1gina web o el n\u00famero de ventas) y aplicar las reglas a esos factores para recomendar una acci\u00f3n o decisi\u00f3n.<\/p>\n

3.\u00a0Algoritmos basados en instancias:<\/em><\/u>\u00a0un buen ejemplo de un algoritmo basado en instancias es K-Nearest Neighbor, com\u00fanmente conocido como K-NN. Utiliza la clasificaci\u00f3n para estimar la probabilidad de que un punto de datos sea miembro de un grupo u otro en funci\u00f3n de su proximidad a otros puntos de datos.<\/p>\n

Entre los algoritmos que se pueden utilizar con datos no etiquetados se encuentran los siguientes:<\/p>\n

4.\u00a0Algoritmos de agrupaci\u00f3n:<\/em><\/u>\u00a0los cl\u00fasteres hay que considerarlos como grupos. La agrupaci\u00f3n se centra en la identificaci\u00f3n de grupos de registros similares y en el etiquetado de los registros seg\u00fan el grupo al que pertenecen. Esto se hace sin conocimiento previo de los grupos y sus caracter\u00edsticas. Los tipos de algoritmos de agrupaci\u00f3n incluyen la agrupaci\u00f3n de K-means, TwoStep y Kohonen.<\/p>\n

5.\u00a0Algoritmos de asociaci\u00f3n:\u00a0<\/em><\/u>los algoritmos de asociaci\u00f3n encuentran patrones y relaciones en los datos e identifican relaciones frecuentes \u2018if-then\u2019 llamadas reglas de asociaci\u00f3n. Estas son similares a las reglas usadas en la miner\u00eda de datos.<\/p>\n

6.\u00a0Redes neuronales:\u00a0<\/em><\/u>una red neuronal es un algoritmo que define una red en capas de c\u00e1lculos con una capa de entrada, donde se ingieren los datos; al menos una capa oculta, donde se realizan los c\u00e1lculos y se sacan diferentes conclusiones sobre la entrada; y una capa de salida, donde a cada conclusi\u00f3n se le asigna una probabilidad. Una red neuronal profunda define una red con m\u00faltiples capas ocultas, cada una de las cuales refina sucesivamente los resultados de la capa anterior.<\/p>\n<\/div>\n

\n

Paso 3: Entrenamiento del algoritmo para crear el modelo<\/strong><\/p>\n

El entrenamiento del algoritmo es un proceso iterativo: implica correr las variables a trav\u00e9s del algoritmo, comparar el resultado con los resultados que deber\u00eda haber producido, ajustar los pesos y los sesgos dentro del algoritmo que podr\u00edan dar un resultado m\u00e1s exacto, y correr las variables de nuevo hasta que el algoritmo devuelva el resultado correcto la mayor\u00eda de las veces. El algoritmo resultante, entrenado y preciso, es el modelo de Machine Learning, una distinci\u00f3n importante que hay que tener en cuenta, porque el \u2018algoritmo\u2019 y el \u2018modelo\u2019 se utilizan incorrectamente de forma intercambiable, incluso por los expertos en Machine Learning.<\/p>\n<\/div>\n

\n

Paso 4: Usar y mejorar el modelo<\/strong><\/p>\n

El paso final es utilizar el modelo con nuevos datos y, en el mejor de los casos, para que mejore en precisi\u00f3n y eficacia con el tiempo. De d\u00f3nde procedan los nuevos datos depender\u00e1 del problema que se resuelva. Por ejemplo, un modelo de Machine Learning dise\u00f1ado para identificar el spam ingerir\u00e1 mensajes de correo electr\u00f3nico, mientras que un modelo de Machine Learning que maneja una aspiradora robot ingerir\u00e1 datos que resulten de la interacci\u00f3n en el mundo real con muebles movidos o nuevos objetos en la habitaci\u00f3n.<\/p>\n<\/div>\n

\u00bfQu\u00e9 tipo de enfoques ofrece el Machine Learning?<\/h3>\n
\n

Otra clasificaci\u00f3n que se hace dentro del Machine Learning es el tipo de enfoque que se aplica, pudiendo ser este: supervisado, parcialmente supervisado o no supervisado. Esto hace referencia a s\u00ed hay que dar pistas al algoritmo o no, en funci\u00f3n de qu\u00e9 enfoque se use servir\u00e1 para una aplicaci\u00f3n u otra.<\/p>\n

1.\u00a0Machine Learning supervisado:\u00a0<\/em><\/u>este se entrena con un conjunto de datos etiquetados. Es decir, los datos est\u00e1n etiquetados con informaci\u00f3n que el modelo de Machine Learning est\u00e1 construyendo para determinar y que incluso puede ser clasificada de manera que el modelo se supone que clasifique los datos. Por ejemplo, un modelo de visi\u00f3n computarizada dise\u00f1ado para identificar herramientas de corte desgastadas podr\u00eda ser entrenado en un conjunto de datos de varias im\u00e1genes de herramientas etiquetadas. El Machine Learning supervisado requiere menos datos de entrenamiento que otros m\u00e9todos de Machine Learning y facilita el entrenamiento porque los resultados del modelo pueden compararse con los resultados reales etiquetados. Pero, los datos etiquetados adecuadamente son caros de preparar, y existe el peligro de que se sobreajusten, o de crear un modelo tan estrechamente ligado y sesgado a los datos de entrenamiento que no maneje con precisi\u00f3n las variaciones de los nuevos datos.<\/p>\n

2.\u00a0Machine Learning no supervisado:\u00a0<\/u><\/em>este m\u00e9todo ingiere datos no etiquetados -muchos y muchos- y utiliza algoritmos para extraer caracter\u00edsticas significativas necesarias para etiquetar, clasificar y ordenar los datos en tiempo real, sin intervenci\u00f3n humana. El aprendizaje no supervisado no tiene tanto que ver con la automatizaci\u00f3n de decisiones y predicciones, sino con la identificaci\u00f3n de patrones y relaciones en los datos que los humanos no ver\u00edan. Tomemos la detecci\u00f3n de spam, por ejemplo: la gente genera m\u00e1s correo electr\u00f3nico que lo que un equipo de cient\u00edficos de datos podr\u00eda esperar etiquetar o clasificar en su vida. Un algoritmo de aprendizaje no supervisado puede analizar grandes vol\u00famenes de correos electr\u00f3nicos y descubrir las caracter\u00edsticas y los patrones que indican el spam (y seguir mejorando en la se\u00f1alizaci\u00f3n del spam con el tiempo).<\/p>\n

3.\u00a0Machine Learning semisupervisado:\u00a0<\/em><\/u>este enfoque ofrece una alternativa entre el supervisado y el no supervisado. Durante el entrenamiento, utiliza un conjunto de datos etiquetados m\u00e1s peque\u00f1o para guiar la clasificaci\u00f3n y la extracci\u00f3n de caracter\u00edsticas de un conjunto de datos m\u00e1s grande y sin etiquetar. El Machine Learning semisupervisado puede resolver el problema de no tener suficientes datos etiquetados (o no poder permitirse etiquetar suficientes datos) para entrenar un algoritmo de aprendizaje supervisado.<\/p>\n

4.\u00a0Machine Learning por refuerzo:<\/em><\/u>\u00a0el Machine Learning por refuerzo es un modelo de Machine Learning de comportamiento que es similar al aprendizaje supervisado, pero el algoritmo no se entrena usando datos de muestra. Este modelo aprende sobre la marcha mediante el uso de ensayo y error. Se reforzar\u00e1 una secuencia de resultados exitosos para desarrollar la mejor recomendaci\u00f3n o pol\u00edtica para un problema determinado.<\/p>\n<\/div>\n

\"foto\"<\/div>\n
Figura 1: Aplicaciones del Machine Learning.<\/div>\n

\u00bfQu\u00e9 es el Deep Learning?<\/h3>\n
\n

El Deep Learning es un subconjunto del Machine Learning en el que las redes neuronales de m\u00faltiples capas \u2014modeladas para funcionar como el cerebro humano\u2014 aprenden a partir de grandes cantidades de datos. Dentro de cada capa de la red neural, los algoritmos de Deep Learning realizan c\u00e1lculos y hacen predicciones repetidamente, aprendiendo progresivamente y mejorando gradualmente la precisi\u00f3n del resultado a lo largo del tiempo.<\/p>\n

De la misma manera que el cerebro humano absorbe y procesa la informaci\u00f3n que entra en el cuerpo a trav\u00e9s de los cinco sentidos, el Deep Learning ingiere informaci\u00f3n de m\u00faltiples fuentes de datos y la analiza en tiempo real.<\/p>\n

El Deep Learning impulsa muchas aplicaciones y servicios de inteligencia artificial (IA) que mejoran la automatizaci\u00f3n, realizando tareas anal\u00edticas y f\u00edsicas sin intervenci\u00f3n humana. La tecnolog\u00eda de Deep Learning se encuentra detr\u00e1s de los productos y servicios cotidianos (como los asistentes digitales, los mandos a distancia de televisi\u00f3n con capacidad de voz y la detecci\u00f3n de fraudes con tarjetas de cr\u00e9dito), as\u00ed como de las tecnolog\u00edas emergentes (como los coches que se conducen solos).<\/p>\n<\/div>\n

Deep Learning vs Machine Learning<\/h3>\n
\n

Si el Deep Learning es un subconjunto del Machine Learning, \u00bfen qu\u00e9 se diferencian? En los t\u00e9rminos m\u00e1s simples, lo que diferencia al Deep Learning del resto del Machine Learning son los datos con los que trabaja y c\u00f3mo aprende.<\/p>\n

Mientras que todo el Machine Learning puede trabajar y aprender de datos estructurados y etiquetados, el Deep Learning tambi\u00e9n puede ingerir y procesar datos no estructurados y no etiquetados. En lugar de basarse en etiquetas dentro de los datos para identificar y clasificar objetos e informaci\u00f3n, el Deep Learning utiliza una red neural de m\u00faltiples capas para extraer las caracter\u00edsticas de los datos y mejorar cada vez m\u00e1s la identificaci\u00f3n y clasificaci\u00f3n de los datos por s\u00ed mismo.<\/p>\n

Por ejemplo, las aplicaciones de voz a texto de hace 10 a\u00f1os (en las que los usuarios ten\u00edan que entrenarse pronunciando decenas de palabras en la aplicaci\u00f3n y, en el proceso, etiquetar sus propios datos de voz) son ejemplos de Machine Learning. Las aplicaciones de reconocimiento de voz actuales (entre ellas Siri de Apple, Amazon Alexa y Google Assistant), que pueden reconocer los comandos de voz de cualquier persona sin necesidad de una sesi\u00f3n de entrenamiento espec\u00edfica, son ejemplos de Deep Learning.<\/p>\n

En t\u00e9rminos m\u00e1s t\u00e9cnicos, mientras que todos los modelos de Machine Learning son capaces de un aprendizaje supervisado (que requiere la intervenci\u00f3n humana), los modelos de Deep Learning tambi\u00e9n son capaces de un aprendizaje no supervisado. Pueden detectar caracter\u00edsticas o patrones previamente no detectados en datos que no est\u00e1n etiquetados, con el m\u00ednimo de supervisi\u00f3n humana. Los modelos de Deep Learning tambi\u00e9n son capaces de reforzar el aprendizaje: un proceso de aprendizaje no supervisado m\u00e1s avanzado en el que el modelo \u2018aprende\u2019 a ser m\u00e1s preciso bas\u00e1ndose en la retroalimentaci\u00f3n positiva de los c\u00e1lculos anteriores.<\/p>\n<\/div>\n

\"foto\"<\/div>\n
Figura 2: Comparativa visual entre el Deep Learning y el Machine Learning.<\/div>\n

\u00bfC\u00f3mo funciona el Deep Learning?<\/h3>\n
\n

Las redes neuronales de Deep Learning (llamadas Deep Neural Networks o redes neuronales profundas) est\u00e1n modeladas seg\u00fan la forma en que los cient\u00edficos creen que funciona el cerebro humano. Procesan y reprocesan los datos, refinando gradualmente el an\u00e1lisis y los resultados para reconocer, clasificar y describir con precisi\u00f3n los objetos dentro de los datos.<\/p>\n

Las redes neuronales profundas consisten en m\u00faltiples capas de nodos interconectados, cada una de las cuales utiliza un algoritmo de aprendizaje profundo cada vez m\u00e1s complejo para extraer e identificar caracter\u00edsticas y patrones en los datos. A continuaci\u00f3n, calculan la probabilidad o la confianza de que el objeto o la informaci\u00f3n puedan clasificarse o identificarse de una o m\u00e1s maneras.<\/p>\n

Las capas de entrada y salida de una red neuronal profunda se denominan capas visibles. La capa de entrada es donde el modelo de aprendizaje profundo ingiere los datos para su procesamiento, y la capa de salida es donde se calcula la identificaci\u00f3n, clasificaci\u00f3n o descripci\u00f3n final.<\/p>\n

Entre las capas de entrada y salida hay capas ocultas en las que los c\u00e1lculos de cada capa anterior son ponderados y refinados por algoritmos cada vez m\u00e1s complejos para llegar a cero en el resultado final. Este movimiento de los c\u00e1lculos a trav\u00e9s de la red se denomina propagaci\u00f3n hacia adelante.<\/p>\n

Otro proceso llamado propagaci\u00f3n hacia atr\u00e1s identifica los errores en las predicciones calculadas, les asigna pesos y sesgos y los empuja de vuelta a las capas anteriores para entrenar o refinar el modelo. Juntos, la propagaci\u00f3n hacia adelante y la propagaci\u00f3n hacia atr\u00e1s permiten a la red hacer predicciones sobre la identidad o la clase del objeto, al tiempo que se aprende de las inconsistencias en los resultados. El resultado es un sistema que aprende a medida que trabaja y se vuelve m\u00e1s eficiente y preciso con el tiempo al procesar grandes cantidades de datos.<\/p>\n

Lo anterior describe el tipo m\u00e1s simple de red neuronal profunda en los t\u00e9rminos m\u00e1s sencillos. En la pr\u00e1ctica, los algoritmos de aprendizaje profundo son incre\u00edblemente complejos. Y se han desarrollado muchos m\u00e9todos y modelos complejos de aprendizaje profundo para resolver ciertos tipos de problemas, incluyendo los siguientes ejemplos:<\/p>\n

1.\u00a0Las redes neuronales convolucionales (CNN)<\/strong>, utilizadas principalmente en aplicaciones de visi\u00f3n por computadora, pueden detectar caracter\u00edsticas y patrones dentro de una imagen compleja y, en \u00faltima instancia, reconocer objetos espec\u00edficos dentro de la imagen. En 2015, una CNN super\u00f3 por primera vez a un humano en un desaf\u00edo de reconocimiento de objetos.<\/p>\n

2.\u00a0Las redes neuronales recurrentes (RNN)<\/strong>\u00a0se utilizan para modelos de aprendizaje profundo en los que las caracter\u00edsticas y los patrones cambian con el tiempo. En lugar de ingerir y producir instant\u00e1neas de datos, las RNNs ingieren y producen secuencias de datos. Las RNNs impulsan aplicaciones emergentes como el reconocimiento de voz y los coches sin conductor.<\/p>\n<\/div>\n

Aplicaciones del Deep Learning<\/h3>\n
\n

Las aplicaciones de Deep Learning en el mundo real forman parte de nuestra vida cotidiana, pero en la mayor\u00eda de los casos est\u00e1n tan bien integradas en los productos y servicios que los usuarios no son conscientes del complejo procesamiento de datos que tiene lugar en segundo plano. Algunos de estos ejemplos son los siguientes:<\/p>\n

Aplicaci\u00f3n de la ley<\/strong><\/p>\n

Los algoritmos de Deep Learning pueden analizar y aprender de los datos de las transacciones para identificar patrones peligrosos que indiquen una posible actividad fraudulenta o delictiva. El reconocimiento del habla, la visi\u00f3n por computadora y otras aplicaciones de Deep Learning pueden mejorar la eficiencia y la eficacia del an\u00e1lisis investigativo al extraer patrones y pruebas de grabaciones de sonido y v\u00eddeo, im\u00e1genes y documentos, lo que ayuda a las fuerzas del orden a analizar grandes cantidades de datos con mayor rapidez y precisi\u00f3n.<\/p>\n

Servicios financieros<\/strong><\/p>\n

Las instituciones financieras utilizan regularmente el an\u00e1lisis predictivo para impulsar el comercio algor\u00edtmico de acciones, evaluar los riesgos empresariales para la aprobaci\u00f3n de pr\u00e9stamos, detectar el fraude y ayudar a gestionar las carteras de cr\u00e9dito e inversi\u00f3n de los clientes.<\/p>\n

Servicio de atenci\u00f3n al cliente<\/strong><\/p>\n

Muchas organizaciones incorporan la tecnolog\u00eda de aprendizaje profundo en sus procesos de servicio al cliente. Los robots de chat, utilizados en una variedad de aplicaciones, servicios y portales de atenci\u00f3n al cliente, son una forma sencilla de IA. Los chatbots tradicionales utilizan un lenguaje natural e incluso reconocimiento visual, que se encuentra com\u00fanmente en los men\u00fas de los centros de llamadas. Sin embargo, las soluciones m\u00e1s sofisticadas de los chatbots intentan determinar, a trav\u00e9s del aprendizaje, si hay m\u00faltiples respuestas a preguntas ambiguas. Bas\u00e1ndose en las respuestas que recibe, el chatbot intenta entonces responder a esas preguntas directamente o agilizar la transici\u00f3n del di\u00e1logo a un usuario humano.<\/p>\n

Los asistentes virtuales como Siri de Apple, Amazon Alexa o Google Assistant a\u00f1aden una tercera dimensi\u00f3n al concepto de chatbot al combinar las capacidades de aprendizaje profundo con la tecnolog\u00eda subyacente. Estas innovaciones de la ciencia de los datos permiten el reconocimiento de voz y respuestas personalizadas, dando como resultado una experiencia personalizada para los usuarios.<\/p>\n

Asistencia sanitaria<\/strong><\/p>\n

La industria de la salud se ha beneficiado enormemente de la capacidad de aprendizaje profundo desde la digitalizaci\u00f3n de los registros e im\u00e1genes de los hospitales. Las aplicaciones de reconocimiento de im\u00e1genes pueden servir de apoyo a los especialistas en im\u00e1genes m\u00e9dicas y a los radi\u00f3logos, ayud\u00e1ndoles a analizar y evaluar m\u00e1s im\u00e1genes en menos tiempo.<\/p>\n<\/div>\n

\n

Curso de Machine Learning y Deep Learning en la EIB<\/strong><\/p>\n

Los d\u00edas 7-8-11-12 de enero se impartieron unas clases de introducci\u00f3n al Machine Learning y al Deep Learning en la escuela de Ingenier\u00eda de Bilbao por parte de los profesores Josu Ceberio Uribe del departamento de Ciencia de la Computaci\u00f3n e Inteligencia Artificial y Leticia Hernando Rodr\u00edguez del departamento de Matem\u00e1ticas. Estas clases fueron promovidas y organizadas por el CFAA, ya que no se quiere quedar atr\u00e1s en las nuevas tecnolog\u00edas de tratamiento de datos. Es por ello que a estas clases acudieron distintos trabajadores del centro para formarse tanto en el conocimiento de esas tecnolog\u00edas como en la implementaci\u00f3n de dichos algoritmos. A su vez, aparte de los miembros del CFAA, tambi\u00e9n acudieron miembros de ITP Aero e IDEKO a las clases.<\/p>\n

Cada d\u00eda del curso se trataron temas distintos todos ellos englobados dentro del Machine Learning. En primer lugar, se realiz\u00f3 una peque\u00f1a introducci\u00f3n relativa a conceptos globales para poder despu\u00e9s ahondar m\u00e1s en concreto en cada tema. El primer d\u00eda del curso se imparti\u00f3 una clase sobre clasificaci\u00f3n supervisada, mostrando los distintos tipos de algoritmos que se pueden emplear, y tambi\u00e9n se habl\u00f3 sobre el preprocesamiento de los datos, algo esencial antes de aplicar el Machine Learning. Despu\u00e9s, el segundo d\u00eda, la clase gir\u00f3 en torno a la clasificaci\u00f3n no supervisada, haciendo hincapi\u00e9 en el caso de las series temporales. El ante\u00faltimo d\u00eda del curso se trat\u00f3 el tema de la optimizaci\u00f3n, quiz\u00e1s uno de los temas m\u00e1s empleados en el sector industrial, donde cada detalle cuenta y una peque\u00f1a mejora supone una gran victoria. Por \u00faltimo, el curso termin\u00f3 con la lecci\u00f3n de Deep Learning.<\/p>\n

Cabe destacar que este curso no ha sido s\u00f3lo te\u00f3rico, sino que tambi\u00e9n se han puesto en pr\u00e1ctica los conocimientos adquiridos con ejercicios pr\u00e1cticos orientados a un caso real del CFAA. Para ello, se ha usado la plataforma de Google Collaboratory, la cual permite ejecutar c\u00f3digos de Python sin necesidad de descargarse ning\u00fan programa. El objetivo que se ha seguido a lo largo de las pr\u00e1cticas ha sido el de desarrollar un modelo\/algoritmo de Machine Learning para predecir el grosor de la pieza que se est\u00e1 cortando en tiempo real en base a los par\u00e1metros de corte que recoge la maquina a partir de sus sensores.<\/p>\n<\/div>\n

\"foto\"<\/div>\n
Figura 3. Asistencia a las clases de Machine Learning y Deep Learning de los miembros del CFAA, ITP Aero e Ideko.<\/div>\n
\"foto\"<\/div>\n
Fuente:<\/div>\n
https:\/\/www.interempresas.net\/MetalMecanica\/Articulos\/347471-Los-conceptos-de-Machine-Learning-y-Deep-Learning-en-la-industria.html<\/span><\/span><\/div>\n","protected":false},"excerpt":{"rendered":"

\u00bfQu\u00e9 es Machine Learning? En la ciencia que estudia los datos, un algoritmo es una secuencia de pasos de procesamiento estad\u00edstico. En el Machine Learning, los algoritmos est\u00e1n ‘entrenados’ para encontrar patrones y caracter\u00edsticas en cantidades masivas de datos con el fin de tomar decisiones y hacer predicciones basadas en nuevos datos. Cuanto mejor sea […]<\/p>\n","protected":false},"author":1,"featured_media":22137,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[409],"tags":[],"class_list":["post-22136","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-machine-learning"],"yoast_head":"\nLos conceptos de Machine Learning y Deep Learning en la industria - Observatorio Tecnol\u00f3gico de Hidalgo<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/otech.uaeh.edu.mx\/noti\/machine-learning\/los-conceptos-de-machine-learning-y-deep-learning-en-la-industria\/\" \/>\n<meta property=\"og:locale\" content=\"en_US\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Los conceptos de Machine Learning y Deep Learning en la industria - Observatorio Tecnol\u00f3gico de Hidalgo\" \/>\n<meta property=\"og:description\" content=\"\u00bfQu\u00e9 es Machine Learning? En la ciencia que estudia los datos, un algoritmo es una secuencia de pasos de procesamiento estad\u00edstico. En el Machine Learning, los algoritmos est\u00e1n ‘entrenados’ para encontrar patrones y caracter\u00edsticas en cantidades masivas de datos con el fin de tomar decisiones y hacer predicciones basadas en nuevos datos. Cuanto mejor sea […]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/otech.uaeh.edu.mx\/noti\/machine-learning\/los-conceptos-de-machine-learning-y-deep-learning-en-la-industria\/\" \/>\n<meta property=\"og:site_name\" content=\"Observatorio Tecnol\u00f3gico de Hidalgo\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/observatoriouaeh\" \/>\n<meta property=\"article:published_time\" content=\"2021-04-07T15:24:32+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2021-04-07T15:24:51+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/otech.uaeh.edu.mx\/noti\/wp-content\/uploads\/2021\/04\/ia_ml_otros.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"500\" \/>\n\t<meta property=\"og:image:height\" content=\"327\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"admin\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@OBSERVATORIOEH\" \/>\n<meta name=\"twitter:site\" content=\"@OBSERVATORIOEH\" \/>\n<meta name=\"twitter:label1\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data1\" content=\"admin\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data2\" content=\"19 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/machine-learning\/los-conceptos-de-machine-learning-y-deep-learning-en-la-industria\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/machine-learning\/los-conceptos-de-machine-learning-y-deep-learning-en-la-industria\/\"},\"author\":{\"name\":\"admin\",\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/#\/schema\/person\/95263d004158ffabcd98137e1d0abc1c\"},\"headline\":\"Los conceptos de Machine Learning y Deep Learning en la industria\",\"datePublished\":\"2021-04-07T15:24:32+00:00\",\"dateModified\":\"2021-04-07T15:24:51+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/machine-learning\/los-conceptos-de-machine-learning-y-deep-learning-en-la-industria\/\"},\"wordCount\":3751,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/#organization\"},\"image\":{\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/machine-learning\/los-conceptos-de-machine-learning-y-deep-learning-en-la-industria\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/otech.uaeh.edu.mx\/noti\/wp-content\/uploads\/2021\/04\/ia_ml_otros.jpg\",\"articleSection\":[\"Machine Learning\"],\"inLanguage\":\"en-US\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\/\/otech.uaeh.edu.mx\/noti\/machine-learning\/los-conceptos-de-machine-learning-y-deep-learning-en-la-industria\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/machine-learning\/los-conceptos-de-machine-learning-y-deep-learning-en-la-industria\/\",\"url\":\"https:\/\/otech.uaeh.edu.mx\/noti\/machine-learning\/los-conceptos-de-machine-learning-y-deep-learning-en-la-industria\/\",\"name\":\"Los conceptos de Machine Learning y Deep Learning en la industria - Observatorio Tecnol\u00f3gico de Hidalgo\",\"isPartOf\":{\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/machine-learning\/los-conceptos-de-machine-learning-y-deep-learning-en-la-industria\/#primaryimage\"},\"image\":{\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/machine-learning\/los-conceptos-de-machine-learning-y-deep-learning-en-la-industria\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/otech.uaeh.edu.mx\/noti\/wp-content\/uploads\/2021\/04\/ia_ml_otros.jpg\",\"datePublished\":\"2021-04-07T15:24:32+00:00\",\"dateModified\":\"2021-04-07T15:24:51+00:00\",\"breadcrumb\":{\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/machine-learning\/los-conceptos-de-machine-learning-y-deep-learning-en-la-industria\/#breadcrumb\"},\"inLanguage\":\"en-US\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/otech.uaeh.edu.mx\/noti\/machine-learning\/los-conceptos-de-machine-learning-y-deep-learning-en-la-industria\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/machine-learning\/los-conceptos-de-machine-learning-y-deep-learning-en-la-industria\/#primaryimage\",\"url\":\"https:\/\/otech.uaeh.edu.mx\/noti\/wp-content\/uploads\/2021\/04\/ia_ml_otros.jpg\",\"contentUrl\":\"https:\/\/otech.uaeh.edu.mx\/noti\/wp-content\/uploads\/2021\/04\/ia_ml_otros.jpg\",\"width\":500,\"height\":327},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/machine-learning\/los-conceptos-de-machine-learning-y-deep-learning-en-la-industria\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Inicio\",\"item\":\"https:\/\/otech.uaeh.edu.mx\/noti\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Los conceptos de Machine Learning y Deep Learning en la industria\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/#website\",\"url\":\"https:\/\/otech.uaeh.edu.mx\/noti\/\",\"name\":\"Observatorio Tecnol\u00f3gico de Hidalgo\",\"description\":\"\",\"publisher\":{\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/otech.uaeh.edu.mx\/noti\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"en-US\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/#organization\",\"name\":\"Observatorio Tecnol\u00f3gico de Hidalgo\",\"url\":\"https:\/\/otech.uaeh.edu.mx\/noti\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/otech.uaeh.edu.mx\/noti\/wp-content\/uploads\/2025\/11\/Logo-circulo.png\",\"contentUrl\":\"https:\/\/otech.uaeh.edu.mx\/noti\/wp-content\/uploads\/2025\/11\/Logo-circulo.png\",\"width\":250,\"height\":250,\"caption\":\"Observatorio Tecnol\u00f3gico de Hidalgo\"},\"image\":{\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/#\/schema\/logo\/image\/\"},\"sameAs\":[\"https:\/\/www.facebook.com\/observatoriouaeh\",\"https:\/\/x.com\/OBSERVATORIOEH\"]},{\"@type\":\"Person\",\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/#\/schema\/person\/95263d004158ffabcd98137e1d0abc1c\",\"name\":\"admin\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\/\/otech.uaeh.edu.mx\/noti\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/secure.gravatar.com\/avatar\/08dd17208ee6a9e87c5a01c0a5f4c96c8ed24bf05e625630929b5b6a7c1ffa5f?s=96&d=mm&r=g\",\"contentUrl\":\"https:\/\/secure.gravatar.com\/avatar\/08dd17208ee6a9e87c5a01c0a5f4c96c8ed24bf05e625630929b5b6a7c1ffa5f?s=96&d=mm&r=g\",\"caption\":\"admin\"},\"url\":\"https:\/\/otech.uaeh.edu.mx\/noti\/author\/admin\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Los conceptos de Machine Learning y Deep Learning en la industria - Observatorio Tecnol\u00f3gico de Hidalgo","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/otech.uaeh.edu.mx\/noti\/machine-learning\/los-conceptos-de-machine-learning-y-deep-learning-en-la-industria\/","og_locale":"en_US","og_type":"article","og_title":"Los conceptos de Machine Learning y Deep Learning en la industria - Observatorio Tecnol\u00f3gico de Hidalgo","og_description":"\u00bfQu\u00e9 es Machine Learning? En la ciencia que estudia los datos, un algoritmo es una secuencia de pasos de procesamiento estad\u00edstico. En el Machine Learning, los algoritmos est\u00e1n ‘entrenados’ para encontrar patrones y caracter\u00edsticas en cantidades masivas de datos con el fin de tomar decisiones y hacer predicciones basadas en nuevos datos. Cuanto mejor sea […]","og_url":"https:\/\/otech.uaeh.edu.mx\/noti\/machine-learning\/los-conceptos-de-machine-learning-y-deep-learning-en-la-industria\/","og_site_name":"Observatorio Tecnol\u00f3gico de Hidalgo","article_publisher":"https:\/\/www.facebook.com\/observatoriouaeh","article_published_time":"2021-04-07T15:24:32+00:00","article_modified_time":"2021-04-07T15:24:51+00:00","og_image":[{"width":500,"height":327,"url":"https:\/\/otech.uaeh.edu.mx\/noti\/wp-content\/uploads\/2021\/04\/ia_ml_otros.jpg","type":"image\/jpeg"}],"author":"admin","twitter_card":"summary_large_image","twitter_creator":"@OBSERVATORIOEH","twitter_site":"@OBSERVATORIOEH","twitter_misc":{"Written by":"admin","Est. reading time":"19 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/otech.uaeh.edu.mx\/noti\/machine-learning\/los-conceptos-de-machine-learning-y-deep-learning-en-la-industria\/#article","isPartOf":{"@id":"https:\/\/otech.uaeh.edu.mx\/noti\/machine-learning\/los-conceptos-de-machine-learning-y-deep-learning-en-la-industria\/"},"author":{"name":"admin","@id":"https:\/\/otech.uaeh.edu.mx\/noti\/#\/schema\/person\/95263d004158ffabcd98137e1d0abc1c"},"headline":"Los conceptos de Machine Learning y Deep Learning en la industria","datePublished":"2021-04-07T15:24:32+00:00","dateModified":"2021-04-07T15:24:51+00:00","mainEntityOfPage":{"@id":"https:\/\/otech.uaeh.edu.mx\/noti\/machine-learning\/los-conceptos-de-machine-learning-y-deep-learning-en-la-industria\/"},"wordCount":3751,"commentCount":0,"publisher":{"@id":"https:\/\/otech.uaeh.edu.mx\/noti\/#organization"},"image":{"@id":"https:\/\/otech.uaeh.edu.mx\/noti\/machine-learning\/los-conceptos-de-machine-learning-y-deep-learning-en-la-industria\/#primaryimage"},"thumbnailUrl":"https:\/\/otech.uaeh.edu.mx\/noti\/wp-content\/uploads\/2021\/04\/ia_ml_otros.jpg","articleSection":["Machine Learning"],"inLanguage":"en-US","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/otech.uaeh.edu.mx\/noti\/machine-learning\/los-conceptos-de-machine-learning-y-deep-learning-en-la-industria\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/otech.uaeh.edu.mx\/noti\/machine-learning\/los-conceptos-de-machine-learning-y-deep-learning-en-la-industria\/","url":"https:\/\/otech.uaeh.edu.mx\/noti\/machine-learning\/los-conceptos-de-machine-learning-y-deep-learning-en-la-industria\/","name":"Los conceptos de Machine Learning y Deep Learning en la industria - Observatorio Tecnol\u00f3gico de Hidalgo","isPartOf":{"@id":"https:\/\/otech.uaeh.edu.mx\/noti\/#website"},"primaryImageOfPage":{"@id":"https:\/\/otech.uaeh.edu.mx\/noti\/machine-learning\/los-conceptos-de-machine-learning-y-deep-learning-en-la-industria\/#primaryimage"},"image":{"@id":"https:\/\/otech.uaeh.edu.mx\/noti\/machine-learning\/los-conceptos-de-machine-learning-y-deep-learning-en-la-industria\/#primaryimage"},"thumbnailUrl":"https:\/\/otech.uaeh.edu.mx\/noti\/wp-content\/uploads\/2021\/04\/ia_ml_otros.jpg","datePublished":"2021-04-07T15:24:32+00:00","dateModified":"2021-04-07T15:24:51+00:00","breadcrumb":{"@id":"https:\/\/otech.uaeh.edu.mx\/noti\/machine-learning\/los-conceptos-de-machine-learning-y-deep-learning-en-la-industria\/#breadcrumb"},"inLanguage":"en-US","potentialAction":[{"@type":"ReadAction","target":["https:\/\/otech.uaeh.edu.mx\/noti\/machine-learning\/los-conceptos-de-machine-learning-y-deep-learning-en-la-industria\/"]}]},{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/otech.uaeh.edu.mx\/noti\/machine-learning\/los-conceptos-de-machine-learning-y-deep-learning-en-la-industria\/#primaryimage","url":"https:\/\/otech.uaeh.edu.mx\/noti\/wp-content\/uploads\/2021\/04\/ia_ml_otros.jpg","contentUrl":"https:\/\/otech.uaeh.edu.mx\/noti\/wp-content\/uploads\/2021\/04\/ia_ml_otros.jpg","width":500,"height":327},{"@type":"BreadcrumbList","@id":"https:\/\/otech.uaeh.edu.mx\/noti\/machine-learning\/los-conceptos-de-machine-learning-y-deep-learning-en-la-industria\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Inicio","item":"https:\/\/otech.uaeh.edu.mx\/noti\/"},{"@type":"ListItem","position":2,"name":"Los conceptos de Machine Learning y Deep Learning en la industria"}]},{"@type":"WebSite","@id":"https:\/\/otech.uaeh.edu.mx\/noti\/#website","url":"https:\/\/otech.uaeh.edu.mx\/noti\/","name":"Observatorio Tecnol\u00f3gico de Hidalgo","description":"","publisher":{"@id":"https:\/\/otech.uaeh.edu.mx\/noti\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/otech.uaeh.edu.mx\/noti\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"en-US"},{"@type":"Organization","@id":"https:\/\/otech.uaeh.edu.mx\/noti\/#organization","name":"Observatorio Tecnol\u00f3gico de Hidalgo","url":"https:\/\/otech.uaeh.edu.mx\/noti\/","logo":{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/otech.uaeh.edu.mx\/noti\/#\/schema\/logo\/image\/","url":"https:\/\/otech.uaeh.edu.mx\/noti\/wp-content\/uploads\/2025\/11\/Logo-circulo.png","contentUrl":"https:\/\/otech.uaeh.edu.mx\/noti\/wp-content\/uploads\/2025\/11\/Logo-circulo.png","width":250,"height":250,"caption":"Observatorio Tecnol\u00f3gico de Hidalgo"},"image":{"@id":"https:\/\/otech.uaeh.edu.mx\/noti\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/observatoriouaeh","https:\/\/x.com\/OBSERVATORIOEH"]},{"@type":"Person","@id":"https:\/\/otech.uaeh.edu.mx\/noti\/#\/schema\/person\/95263d004158ffabcd98137e1d0abc1c","name":"admin","image":{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/otech.uaeh.edu.mx\/noti\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/08dd17208ee6a9e87c5a01c0a5f4c96c8ed24bf05e625630929b5b6a7c1ffa5f?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/08dd17208ee6a9e87c5a01c0a5f4c96c8ed24bf05e625630929b5b6a7c1ffa5f?s=96&d=mm&r=g","caption":"admin"},"url":"https:\/\/otech.uaeh.edu.mx\/noti\/author\/admin\/"}]}},"_links":{"self":[{"href":"https:\/\/otech.uaeh.edu.mx\/noti\/wp-json\/wp\/v2\/posts\/22136","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/otech.uaeh.edu.mx\/noti\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/otech.uaeh.edu.mx\/noti\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/otech.uaeh.edu.mx\/noti\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/otech.uaeh.edu.mx\/noti\/wp-json\/wp\/v2\/comments?post=22136"}],"version-history":[{"count":2,"href":"https:\/\/otech.uaeh.edu.mx\/noti\/wp-json\/wp\/v2\/posts\/22136\/revisions"}],"predecessor-version":[{"id":22139,"href":"https:\/\/otech.uaeh.edu.mx\/noti\/wp-json\/wp\/v2\/posts\/22136\/revisions\/22139"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/otech.uaeh.edu.mx\/noti\/wp-json\/wp\/v2\/media\/22137"}],"wp:attachment":[{"href":"https:\/\/otech.uaeh.edu.mx\/noti\/wp-json\/wp\/v2\/media?parent=22136"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/otech.uaeh.edu.mx\/noti\/wp-json\/wp\/v2\/categories?post=22136"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/otech.uaeh.edu.mx\/noti\/wp-json\/wp\/v2\/tags?post=22136"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}