Comprender la IA. Big data y aprendizaje estadístico automático
Septiembre 2025
Daniel Peña
La creciente expansión de aplicaciones y modelos de Inteligencia Artificial (IA) en distintos ámbitos de la actividad humana hace cada vez más necesaria la capacidad de valorar su alcance, reconocer sus limitaciones y aprovechar óptimamente sus posibilidades. Con este propósito, esta serie de vídeos divulgativos se presenta como una guía clara y accesible, pero rigurosa, para quienes deseen comprender los fundamentos, procesos y herramientas en los que se basa la IA, así como la forma en que genera contenidos y respuestas.
La serie, dividida en dos partes, está dirigida y presentada por Daniel Peña, profesor emérito del departamento de Estadística de la UC3M y director del área de Big Data e IA de Funcas.
PARTE I. Big data. Aprendizaje estadístico automático e inteligencia artificial
Los primeros cinco videos de la serie se centran en los fundamentos técnicos en los que se sustenta la IA. Exploramos los métodos con los que se captura y organiza la inmensa cantidad de datos de la que se nutre, desgranamos los objetivos que se pretenden alcanzar con su uso y explicamos las principales herramientas que se emplean en su desarrollo.
1.1 La IA ya está aquí
Las funciones que desempeña la IA y los pilares en los que se basa: el big data o datos masivos, su almacenamiento y tratamiento gracias a la capacidad de procesado de los ordenadores y la extracción, mediante métodos estadísticos y matemáticos, de la información que contienen.
1.2 ¿Cómo se organizan los datos?
Analizamos la extracción de datos para poder ser operados digitalmente y el uso de indicadores e introducimos los tres objetivos del análisis de los mismos: la predicción, la clasificación supervisada y la clasificación no supervisada.
1.3 Reglas de predicción y redes neuronales
Vemos los principios de selección de las reglas de predicción describimos algunas de las más usadas, específicamente la regresión lineal y las redes neuronales. También explicamos el uso combinado de distintos modelos para mejorar las predicciones.
1.4 Clasificación y discriminación
Partiendo de ejemplos sencillos de la vida diaria, mostramos algunos métodos de clasificación supervisada —a partir de clases prefijadas—, una de las técnicas más empleadas ya por la IA para dar respuesta a todo tipo de necesidades por su precisión y facilidad de implementación.
1.5 Construcción de grupos o clusters
Describimos los métodos más importantes de clasificación no supervisada, es decir, la determinación de grupos de datos en categorías o clases sin necesidad de etiquetas predefinidas.
PARTE 2. Comprender la IA
La inteligencia artificial forma ya parte de nuestro día a día. Nos asiste cuando escribimos un mensaje, cuando organizamos nuestras fotos o cuando comparamos productos financieros. Sin embargo, a menudo utilizamos estas herramientas sin saber cómo funcionan realmente por dentro. En estos cuatro nuevos videos aprendemos qué sucede en segundo plano cuando pedimos una recomendación, cuando una aplicación reconoce una voz o cuando una imagen es etiquetada automáticamente.
2.1 Introducción al reconocimiento de voz
Los sistemas de reconocimiento de voz tienen numerosas aplicaciones, desde la seguridad bancaria a la atención telefónica. Con este video comprenderemos la forma en que “entienden” e “identifican” las palabras y cómo el uso big data y la potencia de cálculo de los ordenadores les permiten determinar la frecuencia relativa de cada término en un idioma, lo que resulta clave para su funcionamiento.
2.2 La generación del lenguaje natural
El proceso de vectorización es el método inicial que se sigue para que los sistemas puedan reconocer las palabras de un lenguaje y determinar su frecuencia relativa en un idioma. Esa información es la que emplean los modelos de generación de lenguaje como chatGPT, Gemini y otros para proporcionar respuestas y contenidos a petición de los usuarios.
2.3 IA y reconocimiento de imágenes
Al igual que sucede con los textos, los sistemas pueden crear imágenes a partir de otras existentes previamente. Previamente, los sistemas de IA deben ser capaces de reconocerlas mediante técnicas de digitalización y la conversión de la información extraída en numérica. El reconocimiento de imágenes emplea redes neuronales para su identificación y sistemas de clasificación para catalogarlas.
2.4 Sistemas de recomendación
Los sistemas de recomendación son uno de los principales usos que se le está dando actualmente a la IA. Veremos las técnicas que posibilitan dos tipos de sistemas de recomendación (reconocimiento por contenido y filtros colaborativos, así como su uso combinado) y comprenderemos los beneficios que reportan, pero también las críticas que reciben por el uso de información confidencial.