Inteligencia Artificial y sus herramientas.

Study Notes

Inteligencia Artificial

Aprendizaje Automático

Definición: Rama de la IA que permite a las máquinas aprender de datos y mejorar su rendimiento en tareas específicas.
Tipos de Aprendizaje Automático:
1. Aprendizaje Supervisado:
  - Utiliza datos etiquetados para entrenar modelos.
  - Ejemplos: clasificación, regresión.
2. Aprendizaje No Supervisado:
  - Trabaja con datos sin etiquetar.
  - Ejemplos: agrupamiento, reducción de dimensionalidad.
3. Aprendizaje por Refuerzo:
  - Aprendizaje a través de la interacción con el entorno.
  - Utiliza recompensas y castigos para mejorar decisiones.
Técnicas Comunes:
- Redes Neuronales: Modelos inspirados en el cerebro humano, efectivos en reconocimiento de patrones.
- Árboles de Decisión: Modelos que dividen datos en función de características.
- Máquinas de Vectores de Soporte (SVM): Proporcionan clasificación y regresión mediante la búsqueda de hiperplanos óptimos.
Aplicaciones:
- Reconocimiento de voz, imágenes y texto.
- Recomendaciones en plataformas de streaming y comercio electrónico.

Sistemas Expertos

Definición: Sistemas de IA que emulan la toma de decisiones de un experto humano en un dominio específico.
Componentes Principales:
1. Base de Conocimientos: Contiene la información y reglas sobre el dominio.
2. Motor de Inferencia: Procesa las reglas y hechos de la base de conocimientos para llegar a conclusiones.
3. Interfaz de Usuario: Permite la interacción entre el usuario y el sistema experto.
Características:
- Capaz de resolver problemas complejos.
- Justificación de las conclusiones alcanzadas.
Tipos de Sistemas Expertos:
- Basados en reglas: Utilizan reglas "si-entonces" para la inferencia.
- Basados en marcos: Utilizan estructuras organizativas que representan conceptos del dominio.
Aplicaciones:
- Diagnóstico médico, asesoría financiera, control de procesos industriales.

Inteligencia Artificial: Aprendizaje Automático

El Aprendizaje Automático (AA) permite a las máquinas aprender de datos sin ser programadas explícitamente.
Aprendizaje Supervisado: Utiliza datos con etiquetas (ej: imágenes clasificadas como "gato" o "perro") para entrenar modelos predictivos. Se utiliza en clasificación (asignar una categoría) y regresión (predecir un valor numérico).
Aprendizaje No Supervisado: Analiza datos sin etiquetas para descubrir patrones ocultos. Ejemplos incluyen el agrupamiento (agrupar datos similares) y la reducción de dimensionalidad (simplificar datos complejos).
Aprendizaje por Refuerzo: El sistema aprende a través de la interacción con un entorno, recibiendo recompensas o penalizaciones por sus acciones. Busca maximizar la recompensa a largo plazo.
Técnicas de Aprendizaje Automático: Redes Neuronales (inspiradas en el cerebro humano), Árboles de Decisión (dividen datos en subconjuntos), y Máquinas de Vectores de Soporte (SVM, buscan hiperplanos óptimos para la clasificación).
Aplicaciones del Aprendizaje Automático: Reconocimiento de voz e imágenes, procesamiento del lenguaje natural, sistemas de recomendación (Netflix, Amazon).

Inteligencia Artificial: Sistemas Expertos

Los Sistemas Expertos imitan el razonamiento de un experto humano en un área específica.
Componentes: Base de Conocimientos (información y reglas), Motor de Inferencia (procesa la información para llegar a conclusiones), y Interfaz de Usuario (interacción con el sistema).
Características: Resolución de problemas complejos, capacidad de justificar sus conclusiones.
Tipos de Sistemas Expertos: Basados en reglas (utilizan reglas "si-entonces"), Basados en marcos (organizan la información en marcos conceptuales).
Aplicaciones de los Sistemas Expertos: Diagnóstico médico, asesoría financiera, control industrial.

Description

Es la combinación de algoritmos planteados con el propósito de crear máquinas que presenten las mismas capacidades que el ser humano. Una tecnología que todavía nos resulta lejana y misteriosa, pero que desde hace unos años está presente en nuestro día a día a todas horas.