1.1 Introducción al Aprendizaje Automático

El Aprendizaje Automático (ML) es un campo de estudio y una subdisciplina de la inteligencia artificial (IA). Proporciona a los sistemas la capacidad de aprender y mejorar automáticamente a partir de la experiencia sin ser programados explícitamente. Ha revolucionado muchas industrias, incluyendo la atención médica, las finanzas y el transporte, y ha llevado a avances significativos en el procesamiento de lenguaje natural, el reconocimiento de imágenes y voz, y los vehículos autónomos.

Como subconjunto de la IA, el ML se centra en el desarrollo de programas informáticos que pueden acceder a datos y utilizarlos para aprender por sí mismos. Esto significa que los algoritmos de ML pueden identificar patrones y conocimientos en grandes conjuntos de datos que serían difíciles o imposibles de reconocer para los humanos. Al hacerlo, pueden proporcionar ideas valiosas sobre problemas complejos y ayudar a las organizaciones a tomar decisiones basadas en datos.

Una de las principales ventajas del ML es su capacidad para mejorar continuamente con el tiempo. A medida que se alimenta más datos en un algoritmo de ML, puede refinar sus predicciones y volverse más preciso. Esto lo convierte en una herramienta valiosa para aplicaciones como la detección de fraudes, donde puede aprender a identificar nuevos patrones de comportamiento fraudulento y adaptarse a circunstancias cambiantes.

El ML es una herramienta poderosa que tiene el potencial de transformar una amplia gama de industrias y aplicaciones. A medida que los investigadores continúan desarrollando nuevos algoritmos y técnicas, podemos esperar ver aún más desarrollos emocionantes en los próximos años.

1.1.1 ¿Qué es el Aprendizaje Automático?

El Aprendizaje Automático es un campo en rápido crecimiento que ha avanzado significativamente en los últimos años. Es la ciencia de hacer que las computadoras aprendan y actúen como lo hacen los humanos, y mejoren su aprendizaje con el tiempo de manera autónoma, alimentándolas con datos e información en forma de observaciones e interacciones del mundo real.

El aprendizaje supervisado es uno de los tipos principales de aprendizaje automático, donde se proporciona a la computadora datos etiquetados para que aprenda y realice predicciones. El aprendizaje no supervisado, por otro lado, implica que la computadora encuentre patrones y relaciones en datos no etiquetados. El aprendizaje por refuerzo, el tercer tipo de aprendizaje automático, es un tipo de aprendizaje en el que la computadora aprende mediante ensayo y error, y se le recompensa o penaliza según sus acciones.

El aprendizaje automático tiene muchas aplicaciones prácticas en diversos campos, incluyendo la medicina, las finanzas y el transporte. En medicina, se puede utilizar para diagnosticar enfermedades y desarrollar planes de tratamiento. En finanzas, se puede utilizar para predecir precios de acciones y detectar fraudes. En transporte, se puede utilizar para desarrollar autos autónomos y optimizar el flujo de tráfico.

En resumen, el aprendizaje automático es un campo fascinante y valioso que tiene el potencial de revolucionar la forma en que vivimos y trabajamos. Con los avances continuos en tecnología y recopilación de datos, las posibilidades para el aprendizaje automático son infinitas y emocionantes.

1.1.2 Aprendizaje Supervisado

El aprendizaje supervisado es un tipo de aprendizaje automático en el que un conjunto de datos consta tanto de características como de etiquetas. El objetivo principal del aprendizaje supervisado es crear un estimador que pueda predecir la etiqueta de un objeto cuando se le proporciona el conjunto de características. Este es un paso crucial en el proceso de desarrollar un sistema inteligente que pueda aprender de los datos y hacer predicciones precisas.

Uno de los ejemplos más comunes de aprendizaje supervisado es la clasificación. En la clasificación, la etiqueta es una variable categórica, como determinar si un correo electrónico es spam o no. La regresión es otro ejemplo de aprendizaje supervisado, donde la etiqueta es una cantidad continua, como predecir el precio de una casa en función de sus características, como el número de habitaciones, baños y metros cuadrados. Al utilizar técnicas de aprendizaje supervisado, podemos desarrollar modelos que nos ayuden a tomar decisiones informadas basadas en los datos disponibles.

El aprendizaje supervisado es un aspecto crucial del aprendizaje automático y se utiliza ampliamente en diversas aplicaciones. Una de las principales ventajas del aprendizaje supervisado es que se puede utilizar para resolver una amplia variedad de problemas, incluyendo el reconocimiento de patrones, el reconocimiento de imágenes y voz, y el procesamiento de lenguaje natural. Al utilizar algoritmos de aprendizaje supervisado, podemos crear modelos que puedan reconocer automáticamente patrones y realizar predicciones precisas basadas en los datos disponibles.

Uno de los desafíos principales en el aprendizaje supervisado es seleccionar las características y etiquetas adecuadas. Esto se debe a que la calidad de los datos utilizados para entrenar el modelo juega un papel crítico en la precisión de las predicciones. Por lo tanto, es esencial asegurarse de que el conjunto de datos esté bien estructurado y contenga información relevante que se pueda utilizar para entrenar el modelo de manera efectiva.

Otro aspecto importante del aprendizaje supervisado es la selección del modelo. Hay muchos algoritmos y técnicas diferentes disponibles para el aprendizaje supervisado, y es esencial elegir el más adecuado para el problema en cuestión. Esto requiere una comprensión profunda de los principios subyacentes del aprendizaje automático, así como la capacidad de evaluar el rendimiento del modelo y seleccionar el mejor en función de los datos.

En conclusión, el aprendizaje supervisado es una herramienta poderosa que puede ayudarnos a resolver una amplia gama de problemas en diversos campos. Al comprender los principios del aprendizaje supervisado y utilizar los algoritmos y técnicas adecuados, podemos crear modelos precisos y efectivos que nos ayuden a tomar decisiones informadas basadas en los datos disponibles.

Ejemplo:

Aquí tienes un ejemplo simple de aprendizaje supervisado utilizando la biblioteca Scikit-learn de Python:

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn import svm

# Load dataset
iris = datasets.load_iris()

# Split dataset into training set and test set
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=42)

# Create a svm Classifier
clf = svm.SVC(kernel='linear')

# Train the model using the training sets
clf.fit(X_train, y_train)

# Predict the response for test dataset
y_pred = clf.predict(X_test)

Propósito del Código:

Este fragmento de código demuestra cómo construir y entrenar un clasificador SVM con scikit-learn para una tarea de clasificación utilizando el conjunto de datos de la flor Iris.

Desglose Paso a Paso:

Importar Bibliotecas:
- Se importan datasets y model_selection de sklearn para cargar conjuntos de datos y dividir datos, respectivamente.
- Se importa svm de sklearn para trabajar con Máquinas de Vectores de Soporte.
Cargar el Conjunto de Datos Iris:
- La función datasets.load_iris() se utiliza para cargar el conjunto de datos Iris incorporado, un ejemplo comúnmente usado en aprendizaje automático para clasificación. Este conjunto de datos contiene características de flores de iris pertenecientes a tres especies.
Dividir Datos (División de Entrenamiento-Prueba):
- La función train_test_split de sklearn.model_selection se utiliza para dividir los datos de iris cargados (iris.data) y las etiquetas objetivo (iris.target) en conjuntos de entrenamiento y prueba.
- El parámetro test_size (0.2 aquí) especifica la proporción de datos asignados para las pruebas (20% en este caso).
- Esta división asegura que el modelo sea evaluado en datos no vistos durante las pruebas para evaluar su generalización.
Crear un Clasificador SVM:
- Se crea un objeto de clasificador SVM (clf) usando svm.SVC().
- El parámetro kernel se establece en 'lineal' para un SVM lineal, que es adecuado para algunas tareas de clasificación. Puedes experimentar con diferentes kernels (por ejemplo, 'rbf') dependiendo del conjunto de datos y del problema.
Entrenar el Modelo:
- El método fit del clasificador (clf.fit(X_train, y_train)) entrena el modelo SVM en los datos de entrenamiento (X_train y y_train). Durante el entrenamiento, el modelo aprende un límite de decisión para separar los puntos de datos que pertenecen a diferentes clases basándose en sus características.
Hacer Predicciones:
- El método predict del clasificador entrenado (clf.predict(X_test)) se utiliza para predecir las etiquetas de clase para los datos de prueba no vistos (X_test). La salida (y_pred) es una lista que contiene las etiquetas de clase predichas para cada punto de datos en el conjunto de prueba.

Puntos Clave:

Las SVM son un algoritmo de aprendizaje automático potente para tareas de clasificación.
scikit-learn proporciona una forma conveniente de cargar conjuntos de datos, dividir datos, entrenar modelos y hacer predicciones usando SVM.
Dividir los datos en conjuntos de entrenamiento y prueba es crucial para evaluar el rendimiento del modelo en datos no vistos.
Elegir el kernel adecuado para la SVM puede impactar en su rendimiento.

1.1.3 Aprendizaje No Supervisado

En el aprendizaje no supervisado, solo tenemos las características pero no las etiquetas. Esto significa que no se nos proporciona ningún valor objetivo específico para predecir o clasificar nuestros datos. En cambio, nuestro objetivo es modelar la estructura subyacente o la distribución de los datos para aprender más sobre los datos. Una de las tareas comunes en el aprendizaje no supervisado es el agrupamiento, donde el objetivo es agrupar instancias similares.

Esto puede ser útil para identificar patrones o relaciones dentro de los datos. Otra tarea común es la reducción de dimensionalidad, donde el objetivo es simplificar las entradas sin perder demasiada información. Esto puede ser particularmente importante cuando se trabaja con datos de alta dimensionalidad, ya que puede facilitar la visualización y el análisis de los datos. En general, el aprendizaje no supervisado es una herramienta poderosa para obtener información y comprensión de los datos, incluso cuando no hay etiquetas disponibles.

El aprendizaje no supervisado se puede aplicar a muchos tipos diferentes de datos, como imágenes, texto y datos numéricos. Un ejemplo en el análisis de imágenes es la segmentación de imágenes, que implica dividir una imagen en regiones u objetos significativos basados en sus valores de píxeles. En el análisis de texto, el aprendizaje no supervisado se puede utilizar para la modelización de temas, donde el objetivo es identificar los temas subyacentes en un corpus de texto.

Esto puede ser útil para tareas como la agrupación y la síntesis de documentos. En el análisis de datos numéricos, el aprendizaje no supervisado se puede utilizar para la detección de anomalías, donde el objetivo es identificar patrones inusuales o valores atípicos en los datos.

Existen varios algoritmos utilizados en el aprendizaje no supervisado, que incluyen algoritmos de agrupamiento como k-means, jerárquicos y basados en densidad, y algoritmos de reducción de dimensionalidad como el análisis de componentes principales (PCA) y el t-distributed stochastic neighbor embedding (t-SNE). Cada algoritmo tiene sus fortalezas y debilidades, y seleccionar el algoritmo adecuado para un problema en particular requiere una cuidadosa consideración de los datos y los objetivos del análisis.

El aprendizaje no supervisado es un área importante del aprendizaje automático que tiene muchas aplicaciones prácticas. Además de los ejemplos mencionados anteriormente, el aprendizaje no supervisado se puede utilizar para la detección de anomalías, la compresión de datos y la extracción de características.

También se puede utilizar en combinación con el aprendizaje supervisado, donde los algoritmos de aprendizaje no supervisado se utilizan para preprocesar los datos antes de alimentarlos en un algoritmo de aprendizaje supervisado.

El aprendizaje no supervisado es una herramienta valiosa para obtener información y comprensión de los datos, y tiene el potencial de desbloquear nuevos descubrimientos en una amplia gama de campos. A medida que las tecnologías de recopilación y procesamiento de datos continúen mejorando, podemos esperar ver aún más desarrollos emocionantes en el campo del aprendizaje no supervisado en el futuro.

1.1.4 Aprendizaje por Refuerzo

El aprendizaje por refuerzo es un fascinante campo del aprendizaje automático que ha estado recibiendo mucha atención últimamente. Es un tipo de aprendizaje en el que un agente interactúa con un entorno tomando ciertas acciones y observando las consecuencias de esas acciones. A través de este proceso, el agente aprende a optimizar su comportamiento para lograr un objetivo específico. Este enfoque es particularmente útil en situaciones donde la acción óptima no es inmediatamente clara, o donde el entorno es complejo y difícil de modelar. En el aprendizaje por refuerzo, el agente recibe retroalimentación en forma de recompensas o penalizaciones, que utiliza para actualizar su comportamiento con el tiempo. Este ciclo de retroalimentación permite una mejora continua y adaptación, lo que hace que el aprendizaje por refuerzo sea una herramienta poderosa para una amplia gama de aplicaciones, desde robótica hasta juegos y gestión de recursos, entre otros.

El aprendizaje por refuerzo se utiliza ampliamente en robótica, donde un agente es entrenado para realizar ciertas tareas en un entorno físico. Por ejemplo, un robot podría ser entrenado para navegar por un laberinto o para recoger objetos y moverlos a una ubicación diferente. El aprendizaje por refuerzo también se puede utilizar en juegos, donde un agente es entrenado para jugar un juego y aprender la estrategia óptima para ganar. Esto ha tenido un gran éxito en juegos como el ajedrez y Go, donde los mejores jugadores humanos han sido vencidos por agentes de aprendizaje por refuerzo.

Otra área donde se utiliza el aprendizaje por refuerzo es en la gestión de recursos. Por ejemplo, en la gestión de energía, un agente puede aprender a optimizar el uso de recursos como la electricidad para minimizar los costos y reducir el desperdicio. El aprendizaje por refuerzo también se puede utilizar en finanzas, donde los agentes pueden aprender a realizar operaciones e inversiones basadas en las condiciones del mercado y los datos históricos.

Una de las principales ventajas del aprendizaje por refuerzo es su capacidad para aprender a través de ensayo y error. Esto significa que el agente puede explorar diferentes estrategias y aprender de sus errores, lo que le permite adaptarse a entornos cambiantes y lograr un mejor rendimiento con el tiempo. El aprendizaje por refuerzo también es escalable, lo que significa que se puede aplicar a problemas de diferentes complejidades, desde juegos simples hasta aplicaciones del mundo real.

Sin embargo, existen varios desafíos asociados con el aprendizaje por refuerzo. Uno de los principales desafíos es el problema de la exploración frente a la explotación. Para aprender la estrategia óptima, el agente debe explorar diferentes acciones y sus consecuencias. Sin embargo, esto puede ser costoso en términos de tiempo y recursos. Por otro lado, si el agente solo explota su conocimiento actual, puede perder mejores estrategias que aún no ha descubierto.

Otro desafío es el problema de la asignación de crédito. En el aprendizaje por refuerzo, el agente recibe recompensas o penalizaciones basadas en sus acciones. Sin embargo, puede ser difícil determinar cuáles acciones fueron responsables del resultado, especialmente en entornos complejos. Esto puede dificultar la tarea de aprender la estrategia óptima y puede resultar en tasas de aprendizaje más lentas.

A pesar de estos desafíos, el aprendizaje por refuerzo es una herramienta poderosa que se utiliza en una amplia gama de aplicaciones, desde robótica hasta juegos y gestión de recursos. A medida que los investigadores continúan desarrollando nuevos algoritmos y técnicas, podemos esperar ver desarrollos aún más emocionantes en el campo del aprendizaje por refuerzo en el futuro.

1.1.5 Importancia y Aplicaciones del Aprendizaje Automático

El aprendizaje automático es un campo en rápido crecimiento que está teniendo un impacto significativo en diversos sectores. Aquí hay algunas razones por las que el aprendizaje automático es importante:

Manejo de la Multidimensionalidad

Una de las principales ventajas de los algoritmos de aprendizaje automático es que son capaces de manejar datos con múltiples dimensiones y variedades, incluso en entornos dinámicos o inciertos. Esto significa que estos algoritmos pueden analizar y procesar conjuntos de datos complejos con los que los métodos tradicionales pueden tener dificultades.

Los algoritmos de aprendizaje automático pueden ayudar a identificar patrones y correlaciones en múltiples dimensiones, lo que puede proporcionar información valiosa sobre sistemas complejos. Al aprovechar el poder del aprendizaje automático, las organizaciones pueden obtener una comprensión más profunda de sus datos y tomar decisiones más informadas basadas en esa información.

Análisis Predictivo

Los modelos de aprendizaje automático pueden ayudar a realizar predicciones precisas mediante el análisis de patrones en los datos. Implica el uso de algoritmos para identificar tendencias y patrones en los datos y luego utilizar estos patrones para hacer pronósticos. En la atención médica, el análisis predictivo se puede utilizar para predecir la probabilidad de que un paciente desarrolle una enfermedad en función de su historial médico.

En marketing, se puede utilizar para predecir la pérdida de clientes mediante el análisis del comportamiento del consumidor. En finanzas, el análisis predictivo puede utilizarse para predecir los precios de las acciones basándose en las tendencias del mercado y los datos históricos. Al aprovechar el análisis predictivo, las organizaciones pueden tomar decisiones informadas y tomar medidas proactivas para mitigar riesgos y aprovechar oportunidades.

Automatización

El aprendizaje automático, una aplicación de la inteligencia artificial que permite a las máquinas aprender y mejorar automáticamente a partir de la experiencia sin ser programadas explícitamente, es una área fascinante y en rápido crecimiento de la tecnología que tiene el potencial de revolucionar muchas industrias.

Su capacidad para crear sistemas complejos que aprenden y mejoran con el tiempo se ha vuelto particularmente destacada en los últimos años, ya que ha llevado a una reducción significativa en la necesidad de intervención humana en una amplia gama de tareas y procesos.

Al reducir los errores humanos y aumentar la eficiencia, el aprendizaje automático está ayudando a crear sistemas más precisos y confiables, lo que conduce a mejores resultados tanto para las empresas como para los consumidores.

Personalización

Uno de los principales beneficios de utilizar algoritmos de aprendizaje automático es la capacidad de personalizar la experiencia del usuario en función de sus preferencias y comportamiento. Esto es particularmente importante en industrias como el comercio electrónico, el entretenimiento y las redes sociales, donde la participación y la satisfacción del usuario son críticas.

Al analizar los datos del usuario, como su historial de búsqueda, historial de compras y actividad en las redes sociales, los algoritmos de aprendizaje automático pueden hacer recomendaciones de productos personalizadas, sugerir contenido relevante e incluso adaptar la publicidad a usuarios individuales.

Esto no solo mejora la experiencia del usuario, sino que también ayuda a las empresas a mejorar la retención de clientes y aumentar los ingresos.

Aquí hay algunos ejemplos de aplicaciones del aprendizaje automático:

Salud

El aprendizaje automático se ha convertido en una parte integral de la industria de la salud en los últimos años. Sus aplicaciones son vastas y se utiliza en la detección de enfermedades, la atención al paciente, la investigación genética y muchas otras áreas.

En la detección de enfermedades, los algoritmos de aprendizaje automático pueden utilizarse para analizar vastas cantidades de datos de registros de pacientes, imágenes médicas e información genética para identificar patrones y predecir resultados de enfermedades. Esto no solo ayuda a los médicos a hacer diagnósticos más precisos, sino que también les permite proporcionar planes de tratamiento personalizados adaptados a las necesidades únicas de cada paciente. En la atención al paciente, el aprendizaje automático puede utilizarse para monitorear las señales vitales de los pacientes y detectar cambios que puedan indicar un deterioro en la salud.

Esto permite a los médicos intervenir temprano y prevenir complicaciones graves de salud. En la investigación genética, el aprendizaje automático se utiliza para analizar conjuntos masivos de datos e identificar marcadores genéticos que pueden estar asociados con ciertas enfermedades. Esto tiene el potencial de revolucionar la forma en que entendemos y tratamos las enfermedades genéticas.

Finanzas

El rápido avance de la tecnología ha tenido un profundo impacto en la industria financiera, desde acelerar las transacciones hasta mejorar la gestión de riesgos. Una de las aplicaciones más prometedoras de la tecnología en finanzas es el aprendizaje automático.

Los algoritmos de aprendizaje automático se utilizan para analizar vastas cantidades de datos y realizar predicciones que antes eran imposibles. En finanzas, el aprendizaje automático se utiliza con diversos fines, como la calificación crediticia, el trading algorítmico, la detección de fraudes y la segmentación de clientes.

Por ejemplo, los algoritmos de aprendizaje automático pueden analizar el historial crediticio de un cliente y otros datos para hacer una predicción más precisa y confiable de su solvencia. Además, el aprendizaje automático puede utilizarse para identificar patrones en los datos financieros que puedan indicar actividad fraudulenta.

El uso del aprendizaje automático en finanzas tiene el potencial de revolucionar la industria y mejorar la vida de millones de personas.

Transporte

Una de las aplicaciones más prometedoras del aprendizaje automático está en la industria del transporte, donde se ha utilizado ampliamente para diversos fines, como el mantenimiento predictivo, la planificación de rutas y los vehículos autónomos.

Con el uso del mantenimiento predictivo, los algoritmos de aprendizaje automático pueden identificar posibles problemas en los vehículos de transporte antes de que ocurran, reduciendo así el riesgo de tiempo de inactividad no planificado, aumentando la confiabilidad y reduciendo los costos de reparación. La planificación de rutas es otra área donde el aprendizaje automático se ha utilizado con gran efectividad, permitiendo a las empresas de transporte optimizar rutas y horarios para mejorar la eficiencia y reducir el consumo de combustible.

Además, el desarrollo de vehículos autónomos tiene el potencial de revolucionar la industria del transporte, con automóviles y camiones autónomos listos para transformar la forma en que movemos personas y mercancías en todo el mundo. Al integrar algoritmos de aprendizaje automático, estos vehículos pueden adaptarse a cambios en su entorno y tomar decisiones en tiempo real, lo que los hace más seguros, eficientes y confiables que los vehículos tradicionales conducidos por humanos.

Comercio Electrónico

En la era digital actual, el aprendizaje automático se ha convertido en una herramienta crucial para las empresas que buscan optimizar sus operaciones de comercio electrónico. Una de las aplicaciones más importantes del aprendizaje automático en el comercio electrónico es la recomendación personalizada, donde los algoritmos analizan el comportamiento y las preferencias del usuario para sugerir productos que es probable que les gusten. Pero el aprendizaje automático no se limita solo a las recomendaciones.

También se puede utilizar para segmentar a los clientes en función de su comportamiento, preferencias y demografía, lo que permite a las empresas adaptar sus estrategias de marketing y ventas a diferentes grupos. El aprendizaje automático también se puede utilizar para pronósticos de ventas, ayudando a las empresas a anticipar la demanda y optimizar su inventario y estrategias de precios en consecuencia. Con tantas aplicaciones y beneficios, está claro que el aprendizaje automático está cambiando el juego para el comercio electrónico.

En conclusión, el aprendizaje automático es una herramienta increíblemente poderosa que ha revolucionado la forma en que percibimos y analizamos los datos. Al aprovechar las vastas cantidades de datos que se generan todos los días, los algoritmos de aprendizaje automático pueden proporcionar información valiosa que antes era imposible de obtener. Estas ideas pueden ayudar a las empresas a tomar decisiones más informadas, mejorar la precisión de la investigación científica y aumentar la eficiencia de diversos procesos en una amplia variedad de industrias.

El aprendizaje automático tiene la capacidad de automatizar tareas complejas que de otra manera serían difíciles o imposibles de realizar manualmente. Por ejemplo, los algoritmos de aprendizaje automático pueden ser entrenados para reconocer patrones en los datos, clasificar elementos según ciertos criterios o predecir resultados basados en datos históricos. Al automatizar estas tareas, el aprendizaje automático puede ahorrar tiempo y recursos, al mismo tiempo que mejora la precisión y consistencia de los resultados.

Finalmente, el aprendizaje automático puede impulsar la toma de decisiones en diversos campos, desde la salud hasta las finanzas y el transporte. Con la capacidad de analizar grandes cantidades de datos de manera rápida y precisa, el aprendizaje automático puede ayudar a los tomadores de decisiones a identificar tendencias, predecir resultados y optimizar procesos. Al combinar el aprendizaje automático con otras tecnologías avanzadas, como la inteligencia artificial y la robótica, podemos desbloquear un mayor potencial de innovación y progreso.

A medida que profundizamos en el tema del aprendizaje automático, aprenderemos sobre las diferentes técnicas utilizadas en este campo, desde el aprendizaje supervisado y no supervisado hasta el aprendizaje profundo y las redes neuronales. También exploraremos cómo implementar estas técnicas utilizando lenguajes de programación como Python y bibliotecas populares de aprendizaje automático como TensorFlow. Al dominar estas técnicas y herramientas, podemos aprovechar todo el potencial del aprendizaje automático y utilizarlo para resolver algunos de los desafíos más apremiantes que enfrenta la sociedad hoy en día.