Machine Learning para todos @OliverNabani

Uploaded August 2017 | Updated September 2026, 8 hours ago

Una explicación clara, precisa y concisa de cómo funciona el Machine Learning, pero sin caer en enrevesarlo innecesariamente.

En este vídeo voy a definirlo, explicar conceptos como algoritmos y me basaré en el caso del SPAM, para intentar dejar claro, cuál es la potencia de este sistema.

Veremos su relación a futuro con las Inteligencias Artificiales y cómo se utilizan a día de hoy.

Si quieres información más detallada sobre este sistema, he escrito un post bastante explicativo sobre este tema en el blog (fuentes incluidas):
olivernabani.com/?p=144

Puedes seguirme en otras redes sociales como:

twitter.com/elgranoli
instagram.com/elgranoli

Navegación Cuántica: el Sistema Anti-GPS

Microsoft presenta Dragon Copilot: más que un asistente de medicina

Cortical Labs - Ordenador de Neuronas Humanas por 35.000€ - ¿Vale la Pena?

Memoria Infinita en 2025: ¿Qué Esconde Microsoft?

$Google y MIT Crean IA que aprende SOLA - SEAL y ReasoningBank Cada vez que usas ChatGPT o Claude empiezas literalmente de cero. Los modelos de lenguaje actuales tienen una limitación fundamental: no aprenden de la experiencia ni mejoran con el uso. Además, hacer modelos más grandes ya no está funcionando - Sam Altman lleva más de un año advirtiendo que los costes se disparan mientras las mejoras son mínimas. En este video exploramos dos enfoques revolucionarios de Google y MIT que están cambiando las reglas del juego: SEAL (Self-Editing Language Models) y ReasoningBank. SEAL permite que los modelos se auto-entrenen modificando sus propios pesos neuronales, eliminando la necesidad de fine-tuning supervisado. ReasoningBank crea una memoria externa donde los agentes guardan lecciones aprendidas tanto de éxitos como de fracasos. Lo fascinante es que estos enfoques no compiten sino que se complementan: uno proporciona memoria externa consultable, el otro internaliza el conocimiento en la arquitectura neuronal. Combinados, representan un cambio de paradigma del escalado vertical (modelos más grandes) al aprendizaje horizontal (modelos más inteligentes). Analizamos resultados sorprendentes: SEAL multiplicó por 4 la precisión en SQuAD usando modelos pequeños que superaron a GPT-4, mientras ReasoningBank logró más de 50% de éxito en tareas de compra online reduciendo pasos innecesarios en 16%. También exploramos las limitaciones: el olvido catastrófico de SEAL, los desafíos de interpretabilidad, y los requerimientos computacionales. Esto nos acerca a agentes que verdaderamente aprenden y evolucionan, marcando el inicio de una nueva era en inteligencia artificial. 📚 CAPÍTULOS: 00:00 - Los LLMs empiezan de cero 01:36 - El problema del techo 02:45 - Dos estrategias complementarias 03:47 - SEAL: Modelos que se Auto-Entrenan (MIT) 05:15 - Self-Editing y el bucle de aprendizaje reforzado 06:40 - Resultados de SEAL 08:00 - ReasoningBank: Memoria Externa que Aprende de Errores (Google) 09:05 - Patrones de estrategia vs trayectorias completas 10:04 - Limitaciones: Olvido catastrófico y desafíos de interpretabilidad 11:51 - Por qué esto desmonta el mito del techo de la IA 12:40 - Agentes que aprenden como humanos: el futuro de la IA 🔬 PAPERS CIENTÍFICOS: SEAL (MIT): https://arxiv.org/abs/2509.25140v1 ReasoningBank (Google): https://arxiv.org/abs/2506.10943v2 💡 CONCEPTOS CLAVE EXPLICADOS: ✓ Fine-tuning automático sin supervisión humana ✓ Aprendizaje por refuerzo aplicado a auto-edición ✓ Memoria externa consultable vs internalización en pesos ✓ Olvido catastrófico y sus soluciones ✓ Por qué el escalado vertical (bigger models) está tocando techo ✓ Diferencia entre aprendizaje estático y continuo ✓ Heurísticas transferibles vs memorización de trayectorias 🎯 PERFECTO PARA TI SI: Sigues los avances en LLMs y agentes de IA Te frustra que ChatGPT olvide todo cada sesión Quieres entender por qué GPT-5 tarda tanto Buscas alternativas al paradigma bigger is better Te interesan las técnicas de aprendizaje continuo Trabajas con fine-tuning de modelos Quieres adelantarte a las tendencias de IA 2025 🔔 ÚNETE AL CANAL: Si te gusta el contenido sobre tecnologías emergentes explicadas con profundidad y humor, suscríbete y activa la campanita. Publicamos análisis sobre IA, computación cuántica, fusión nuclear y más cada semana. 💬 Déjame en comentarios: ¿Prefieres el enfoque de memoria externa de Google o la auto-modificación de MIT? ¿O la combinación de ambos? Patreon: https://patreon.com/olivernabani Y recuerda, lo más importante: No se dice machine, se dice Mashain!$

Refrigeración Microfluídica: Mariposas al rescate de la IA

Estamos de vuelta - Alineación IA - Claude 4.5

GPT-5 Lo que necesitas saber - ¿Se acabó la innovación?

Oliver Nabani |

Machine Learning para todos