Historia del Data Science y la inteligencia artificial
west

Historia del Data Science y la inteligencia artificial

Tanto la ciencia de datos como la inteligencia artificial se han encontrado a lo largo de la historia en una constante evolución, de ahí que estas tecnologías sigan desempeñando un papel cada vez más importante en la sociedad y economía.


Nodd3r
24 de Mayo de 2022 . 5 min
 ...

La ciencia de datos o data science se encuentra estrechamente ligado con la inteligencia artificial, siendo dos de las tecnologías más revolucionarias de nuestra época.


Su evolución ha tenido un gran impacto en diferentes campos y sectores, desde la medicina hasta la publicidad online, teniendo en la actualidad un gran abanico de aplicaciones como: reconocimiento de voz, imágenes, sistemas de recomendación, etc.


Aunque no hay que dejar a un lado que tanto la ciencia de datos como la inteligencia artificial han planteado importantes cuestiones éticas y de privacidad, sobre todo en los últimos años.



¿Dónde está su origen?


Aunque parezca increíble, la historia de la ciencia de datos comienza en la década de 1940, gracias al matemático y estadístico John Tukey ya que se dedicaba a investigar nuevas formas de analizar grandes conjuntos de datos para encontrar patrones y tendencias, de ahí que acuñara el término "análisis exploratorio de datos".


En las décadas siguientes nacieron nuevas técnicas para analizar datos como el análisis de regresión, el análisis de componentes principales y el análisis de conglomerados.


En torno a 1950, los científicos comenzaron a trabajar con la tecnología de la inteligencia artificial.


J. McCarthy en 1956 organizó una conferencia en Dartmouth College (EE.UU.) en la que definió la inteligencia artificial como "la ciencia y la ingeniería de hacer máquinas inteligentes".


Fue cuando en 1962, John Tukey después de desarrollar algoritmos complejos y el diagrama de caja y bigotes, cuestiona el futuro de la estadística como ciencia empírica.




Tanto en la década de los 60 como los 70, la inteligencia artificial tuvo un gran impulso gracias al desarrollo de los ordenadores y los algoritmos.


Y no fue hasta 1974 cuando Peter Naur, un científico danés, acuñó el término de ciencia de datos a esa disciplina.


Unos años más tarde, la Asociación Internacional de Computación Estadística (IASC) en 1977 cuyo objetivo se centraba en vincular la metodología estadística tradicional con la tecnología informática moderna y el conocimiento de expertos en el dominio para convertir los datos en información y conocimiento se estableció como una sección del ISI (Institute for Scientific Information).


De ahí que la estadística comenzase a utilizarse para estudiar los datos y extraer información valiosa de los mismos.


Cabe destacar que durante los años 80, la inteligencia artificial experimentó una caída drástica en la popularidad debido a una serie de factores, entre ellos la falta de capacidad de procesamiento de los ordenadores y al dificultad que encontraban los profesionales para programar sistemas expertos.


Ya que hasta el momento sólo habían avanzado en lo que se conocía como "sistemas expertos", programas de ordenador diseñados para hacer tareas específicas que normalmente haría una persona en base al conocimiento humano para que pudiera tomar decisiones.


Por otro lado, cabe destacar que en la década de 1990 gracias al aumento de potencia de los ordenadores y al desarrollo de nuevas técnicas de aprendizaje automático, la inteligencia artificial recobró importancia.


El aprendizaje automático también se conoce como machine learning es un campo de la inteligencia artificial que se encarga de construir algoritmos capaces de aprender de los datos.


Este tipo de algoritmos utilizan estadística y matemáticas para poder encontrar patrones de comportamiento en los datos y poder así, hacer predicciones.


En Japón durante el 1996 se reúne la Federación Internacional de Sociedades de Clasificación (IFCS) donde se incluye en el título de la conferencia por primera vez el término de "ciencia de datos".


Ya en el 2000, con el deep learning o aprendizaje profundo se convierte en un campo de gran importancia dentro de la inteligencia artificial, ya que utiliza las redes neuronales artificiales.


Justo en 2001, William S. Cleveland, informático y estadístico estadounidense, presentó la ciencia de datos como una disciplina unificada y con independencia de la estadística. Y, al año siguiente, lanza Data Science Journal siendo la primera revista científica en lo referente a los datos.


A partir de esta década, la cantidad de datos que se generan diariamente han aumentado exponencialmente poniendo en el eje principal a la ciencia de datos y la inteligencia artificial.


La ciencia de datos se centra actualmente en la recolección, procesamiento y análisis de grandes conjuntos de datos.


Y la inteligencia artificial se encarga de la construcción de algoritmos que pueden aprender de los datos para poder realizar predicciones precisas.


Hoy por hoy, en la actualidad, ambas disciplinas están presentes en prácticamente cualquier sector o industria.



Listado de hitos relevantes de la ciencia de datos y la inteligencia artificial durante su evolución:


Algunos de los momentos más destacables de la historia de estas dos disciplinas son:


  • 1943: Warren McCulloch y Walter Pitts publican un artículo en el que describen el primer modelo matemático de una red neuronal.
  • 1956: John McCarthy, Marvin Minsky, Nathaniel Rochester y Claude Shannon organizan una conferencia en Dartmouth College en la que se acuña el término de "inteligencia artificial" por primera vez.
  • 1959: Arthur Samuel escribe el primer programa de aprendizaje automático para jugar al juego de mesa "checkers" (damas).
  • 1967: La empresa BNN desarrolla un sistema de procesamiento de lenguaje natural (NPL) "SHRDLU", capaz de responder preguntas y realizar tareas en un mundo virtual.
  • 1974: Paul Werbos introduce el concepto de "retropropagación" como un método para entrenar redes neuronales profundas.
  • 1981: Richard Sutton publica un artículo sobre el "aprendizaje por refuerzo", un enfoque en el que un agente aprende a través de la interacción con su entorno.
  • 1986: Geoffrey Hinton, David Rumelhart y Ronald Williams desarrollan el algoritmo de "aprendizaje por refuerzo", un enfoque en el que un agente aprende a través de la interacción con su entorno.
  • 1995: El software de minería de datos "WEKA" es lanzado por la Universidad de Waikato en Nueva Zelanda.
  • 1997: La computadora "Deep Blue" de IBM derrota al campeón mundial de ajedrez Garry Kasparov en una serie de partidas.
  • 2011: El sistema de inteligencia artificial "Watson" de IBM gana el concurso de televisión "Jeopardy!" al derrotar a dos campeones humanos.
  • 2012: El sistema de aprendizaje profundo "AlexNet" de Geoffrey Hinton gana el concurso anual de reconocimiento de imágenes "ImageNet".
  • 2014: La compañía de inteligencia artificial DeepMind de Google desarrolla el sistema de aprendizaje profundo "AlphaGo" que derrota al campeón mundial de Go, Lee Sedol.
  • 2016: El algoritmo de clasificación de imágenes de Google, "Inception-v3", gana el concurso anual de reconocimiento de imágenes "ImageNet".
  • 2018: La General Data Protection Regulation (GDPR) de la Unión Europea entra en vigor, estableciendo normas para la protección de datos personales de los ciudadanos.
  • 2019: La compañía OpenAI lanza su sistema de lenguaje natural "GPT-2", que genera texto de manera automática y es capaz de pasar la prueba de Turing.
  • 2020: La pandemia de COVID-19 impulsa el uso de la ciencia de datos y la inteligencia artificial en la investigación y la lucha contra la enfermedad.
  • 2022: OpenAI lanza su sistema versionado de lenguaje natural "GPT-3" como "ChatGPT" de forma gratuita para que cualquier usuario pueda hacer uso del mismo.



En resumen:


La ciencia de datos y la inteligencia artificial no es nada nuevo ya que sus orígenes se remontan a décadas atrás pero sí es cierto que en los últimos años han experimentado un gran crecimiento.


Esto sobre todo se debe a la creciente cantidad de datos que se generan y acumulan, ya que aportan información muy valiosa y por ende, se necesitan de estas disciplinas para sustraerla.

X

¿Quieres recibir el eBook de Conceptos básicos de Data Science?



¡Descargar aquí el eBook en PDF GRATIS!


También te puede interesar





...
Descubre el poder de Apache Spark

Practicar con Apache Spark y realizar proyectos por tu cuenta es fundamental si quieres convertirte en científico de datos.

...
Aprendizaje por refuerzo: La revolución de la Inteligencia Artificial.

Esta rama de la inteligencia artificial (IA) se ha convertido en una herramienta fundamental para abordar problemas complejos y tomar decisiones óptimas en una variedad de campos, desde la robótica hasta la toma de decisiones empresariales.

...
Tendencias emergentes en la ciencia de datos y la inteligencia artificial.

En este artículo exploraremos las tendencias emergentes en la ciencia de datos y cómo están dando forma al futuro de la inteligencia artificial.

...
¿Por qué es importante aprender estadística si quieres ser científico de datos?

Si aspiras a convertirte en un data scientist, no puedes dejar a un lado la importancia de la estadística en tu camino. En este artículo exploraremos por qué la estadística es una habilidad crítica que todo data scientist debe dominar.

...
¿Cómo formarte como científico de datos desde cero?

Si no sabes qué necesitas para formarte como profesional en la ciencia de datos, aquí te dejamos una infografía para que comprendas mejor visualmente todo el proceso de formación y las etapas por las que pasarás hasta consolidarte como profesional cualificado.

...
Impresionantes proyectos de ciencia de datos para destacar en tu portfolio

Si acabas de formarte como científico de datos (data scientistis) y estás buscando destacar dentro de este mundo laboral y construir un portafolio impresionante, este es tu sitio.

...
Los algoritmos más usados en machine learning

Dentro del aprendizaje automático o machine learning, destacan algunos algoritmos sobre otros a la hora de resolver problemas. Estos algoritmos se repiten muy a menudo.

...
10 habilidades necesarias para científicos de datos en 2023

Mantenerse actualizado constantemente resulta de vital importancia a la hora de destacar en cualquier carrera profesional y, como era de esperar, en ciencia de datos también se aplica.

...
La importancia de supervisar los modelos de machine learning

Teniendo en cuenta que el aprendizaje automático o machine learning, se ha convertido en una poderosa herramienta para muchas empresas y organizaciones, ¿sabes por qué no debes descuidar la supervisión de tus modelos?

...
Cómo limpiar datos para sacar su máximo partido

Aprender a limpiar los datos y sacarle su máximo partido cada vez cobra más peso, si no sabes qué pasos seguir para realizarlo correctamente, sigue leyendo este artículo.

...
Google reacciona a ChatGPT de OpenAI y saca Bard, su IA conversacional.

El propio CEO de Google y Alphabet, Sundar Pichai lanzó un comunicado en el Blog Oficial de Google sobre esto mismo. Para saber más sobre Bard, quédate leyendo este artículo.

...
Chat GPT y por qué está revolucionando el panorama actual

Seguramente hayas escuchado hablar sobre ChatGPT y cómo actualmente está revolucionando el panorama tal cual como lo conocemos, pero ¿a qué se debe esto?

...
Aprende a hacer un buen portfolio de proyectos y consigue empleo con estos tips.

¿Aún no has comenzado a crear tu propio portafolio de proyectos de data science e IA? Aquí encontrarás los pasos que necesitas seguir para tener un buen portafolio de proyectos y el por qué deberías de comenzar en cuanto antes.

...
¿Análisis de datos en tiempo real? Descubre su importancia y ventajas.

¿Has oído hablar del análisis de datos en tiempo real? En este post descubrirás qué es y por qué tiene tanta importancia en la actualidad.

...
¿Merece la pena estudiar Data Science?

Teniendo en cuenta que la ciencia de datos está considerada como una de las ciencias más destacadas de la actualidad, ¿merece la pena estudiar un máster en ciencia de datos? Quédate leyendo este post si quieres saber por qué.

...
TOP 12 IDEAS PROYECTOS DE PYTHON PARA PRINCIPIANTES

¿Quieres empezar a realizar proyectos de Python pero no tienes ideas o simplemente te parecen muy difíciles los proyectos que encuentras?

...
FORMAS FÁCILES DE OBTENER DATOS PARA ENTRENAR MODELOS DE IA Y MACHINE LEARNING

La calidad y cantidad de los datos influye notablemente en los resultados que se obtienen, ¿quieres saber de dónde puedes obtener datos para tus modelos?

...
¿Cuánto gana un Data Scientist?

El salario: Uno de los motivos por los que deberías de aprender Data Science, proyectos de Machine Learning y Deep Learning para convertirte en Data Scientist.

...
Qué son y diferencias entre bases de datos SQL y bases de datos NoSQL

Aquí encontrarás unas breves pinceladas sobre qué son verdaderamente las bases de datos y qué tipos hay, además de las diferencias entre las bases de datos SQL y NoSQL.

...
Keras vs TensorFlow vs PyTorch: Diferencias clave entre frameworks de Deep Learning

En las últimas décadas, el Deep Learning está ganando popularidad.

...
Ventajas de aprender a programar en Python

A día de hoy, Python es el lenguaje de programación más usado. Si aún estás dudando de sus múltiples ventajas, en este post encontrarás algunas de las razones por las que deberías aprender a programar en Python

...
¿Cómo elegir el mejor modelo de machine learning?

Si estás pensando en crear un proyecto de machine learning, tienes que tener en cuenta que no siempre tener un modelo con mejor rendimiento será tu mejor solución.

...
Test de Turing

Qué es, cómo funciona y limitaciones del Test de Turing

...
Tipos de redes neuronales

El futuro de la Inteligencia Artificial ha llegado.

...
Underfitting vs Overfitting

Qué es, causas, cómo detectarlo y solucionarlo

...
Data Science: qué es, qué se hace, qué se necesita y aplicaciones

Descubre qué es la ciencia de datos, para qué sirve y qué salidas tiene

...
Chatbot: ¿Qué es, para qué sirve y qué tipos existen?

Un chatbot es mucho más que un servicio de mensajería automática, pero... ¿sabes todo lo necesario sobre ellos?

...
¿Cómo funciona el algoritmo y el sistema de recomendación de Spotify?

En este artículo podrás encontrar desglosado el funcionamiento del sistema de recomendación de Spotify basado en el uso del deep learning.

...
Los errores más comunes en Python que debes evitar si eres principiante

Sabiendo sobre el gran auge que ha tenido Python en estos últimos años... Es interesante que conozcas los siguientes errores más comunes para que puedas evitarlos.

...
Guía de cómo hacer un proyecto de ciencia de datos para que destaque de forma eficiente.

Así es como debes de hacer un proyecto de ciencia de datos o inteligencia artificial de forma eficiente.

...
¿Qué es Git?

¿Conoces Git? ¿Sabes lo que es un sistema de control de versiones? Si te gusta la programación, desarrollar tus propios proyectos, el desarrollo de software, etc. seguro que has leído algo sobre Git. Hoy te contamos todos los detalles acerca de esta herramienta.

...
¿Por qué se utiliza Python en la ciencia de datos?

Python se ha convertido en uno de los lenguajes de programación más populares e incluso el preferido para los científicos y analistas de datos, por eso en este artículo explicaremos a qué se debe su popularidad dentro de esta disciplina.

...
Netflix utiliza la inteligencia artificial para personalizar sus recomendaciones

A través de su algoritmo de recomendación Netflix predice qué contenidos te van a gustar. Si quieres saber cómo funciona no te pierdas este blog.

...
Los 10 mejores proyectos de Machine Learning si eres Principiante

Probablemente una de las cosas más difíciles a la hora de practicar lo aprendido de machine learning sea encontrar proyectos para principiantes.

...
¿Cuál es la diferencia entre la Inteligencia Artificial y el Machine Learning?

¿Son la Inteligencia Artificial y el Machine Learning lo mismo? Si son dos conceptos distintos, ¿de qué forma están relacionados? Estas son algunas de las preguntas que mucha gente se hace, en el post de hoy veremos las diferencias entre ambos y la relación que tienen.

...
¿Qué es Inteligencia Artificial?

Últimamente oímos hablar de inteligencia artificial con mucha frecuencia pero, ¿sabes realmente qué es y qué usos tiene? Te lo contamos más en detalle en este artículo.

...
¿Cómo aplicar Data Science en áreas como Marketing, Biología, Justicia y Arqueología?

El uso de la ciencia de datos está muy extendido, en el blog de hoy vamos a ver cómo podemos usarla en distintas áreas.

...
Deep Learning y Redes Neuronales Artificiales

En este post encontrarás que es el deep learning y todo lo que necesitas para poder comprender su funcionamiento y sus utilidades.

...
Historia del Data Science y la inteligencia artificial

Tanto la ciencia de datos como la inteligencia artificial se han encontrado a lo largo de la historia en una constante evolución, de ahí que estas tecnologías sigan desempeñando un papel cada vez más importante en la sociedad y economía.

...
¿Qué es el Machine Learning y qué aplicaciones tiene?

En este artículo explicaremos qué es el machine learning, cómo funciona y algunas de las aplicaciones más comunes que tiene en diferentes áreas.

...
¿Cómo el data science y el big data puede ayudar a tu negocio?

En este post vamos a hablar sobre cómo la ciencia de datos puede ayudar a mejorar un negocio.

...
¿Qué se necesita saber para ser Data Scientist?

En este post te hacemos un resumen sobre los conocimientos necesarios para trabajar como científico de datos.

...
¿Por qué estudiar Data Science?

En este post, te damos las claves de la importancia de estudiar ciencia de datos.

...
¿Cómo proteger nuestros datos?

En este post, te dejamos alguna información y trucos que puedes hacer para proteger mejor tus datos

...
¿Qué es Data Science?

¿Alguna vez te has preguntado qué es exactamente el data science o la ciencia de datos? ¿Cómo se utiliza y para qué sirve? ¡Estás en el lugar adecuado!

...
¡Bienvenidos Nodd3rs!

¡Bienvenidos a nuestro blog!