Repaso para el examen de Inteligencia Artificial

Introducción a Inteligencia Artificial

• La inteligencia artificial (IA) se refiere a la creación de máquinas análogas que imitan los procesos de inteligencia humana.
• La IA consiste en intentar que los ordenadores piensen y actúen como los humanos.

Regresión Lineal

• La regresión lineal es una técnica de análisis de datos que predice el valor de datos conocidos mediante el uso de técnicas de inteligencia artificial.
• La regresión lineal utiliza un valor de datos relacionado y conocido para calcular el valor de datos desconocidos.

Aprendizaje Supervisado

• El aprendizaje supervisado utiliza conjuntos de datos etiquetados para entrenar al modelo.
• El aprendizaje supervisado permite que el modelo aprenda de los datos y mejore su precisión.

Medidas de Dispersión

• Las medidas de dispersión incluyen:
  • Varianza
  • Desviación estándar
  • Rango
  • Cuartiles
  • Rango intercuartílico

Medidas de Tendencia Central

• Las medidas de tendencia central incluyen:
  • Media
  • Mediana
  • Moda

Transformación de Datos

• La transformación de datos implica operaciones como:
  • Discretización de atributos numéricos
  • Numerización de atributos nominales
  • Normalización de atributos
  • Eliminación de valores fuera de rango

Manejo de Valores Faltantes

• Los valores faltantes se manejan mediante:
  • Filtrar el registro o ejemplo
  • Llenar el atributo manualmente
  • Utilizar un valor especíco
  • Utilizar la mediana o la media

Validación Cruzada

• La validación cruzada es una técnica utilizada para evaluar los resultados de la aplicación de un algoritmo.
• La validación cruzada implica dividir el conjunto de datos en folds y entrenar y probar el modelo en cada fold.

Ensamblado

• El ensamblado permite combinar varios modelos para dar lugar a un modelo más preciso.
• El ensamblado se utiliza para reducir la varianza y el bias.

Árbol de Decisión

• Un árbol de decisión es un modelo de predicción determinístico.
• Un árbol de decisión se construye a partir de la identificación sucesiva de los atributos más relevantes.### Árboles de Decisión
• Un árbol de decisión tiene una profundidad de 20 niveles, si se aumentan todas las variables del dataset y no están en el árbol de decisión, el nivel de accuracy disminuye.
• El árbol mejora si se elimina la variable raíz o si se reduce la máxima profundidad a 10.

Análisis de Cluster

• Un buen análisis de cluster debe maximizar la distancia intracluster y minimizar la distancia intercluster.
• El coeficiente de Silueta es una métrica para evaluar la calidad del agrupamiento obtenido con algoritmos de clustering.
• El objetivo de Silueta es identificar cuál es el número óptimo de agrupamientos.

K-means y K-medoids

• La diferencia entre K-means y K-medoids es que en K-means cada cluster está representado por su centroide, mientras que en K-medoids cada cluster está representado por una observación presente en el cluster (medoid).
• El algoritmo K-means inicializa con K centroides generados aleatoriamente y calcula la pertenencia de los patrones a cada grupo en base a la distancia.

Distancia entre Puntos

• La distancia entre dos puntos no es siempre una distancia en línea recta.
• Existen diferentes tipos de distancia, como Euclidiana, Manhattan y Chebysev.

Tipos de Cluster

• El tipo de cluster depende del algoritmo utilizado, como K-means, DBScan, Expectation-Maximization, K-medoids, entre otros.
• Un buen clustering es aquel que tiene una baja suma de errores al cuadrado (SSE) y una buena separación entre clusters.

Análisis de Redes Neuronales

• Las redes neuronales artificiales buscan emular el comportamiento del cerebro humano.
• Un perceptrón es un tipo de red neuronal que hace una predicción basada en los atributos de entrada.
• La entrada neta se describe por la fórmula: entrada neta = suma de las señales de entrada multiplicadas por los pesos.

Regresión Lineal

• La estrategia básica para entrenar un modelo de regresión lineal es plantearlo de forma matemática y buscar una fórmula mediante el método de mínimos cuadrados.
• La derivada de una función en un punto indica la pendiente de la función en ese punto.

Otros Conceptos

• La normalización de datos es importante en análisis de cluster y redes neuronales para evitar que algunos atributos dominen sobre otros.
• La matriz de confusión es una herramienta para evaluar la precisión de un modelo de machine learning.
• La función de activación de una neurona puede ser sigmoide, ReLU, Tanh, entre otras.### Redes Neuronales
• En una red neuronal, cada neurona puede representar un número entre 0 y 9.
• La capa oculta es una parte fundamental en la arquitectura de una red neuronal.
• La capa de entrada es responsable de recibir las entradas de la red neuronal.
• La neurona más iluminada en la capa de salida de una red neuronal entrenada para reconocer dígitos representa el número que la imagen representa.

Bias y Activación

• El BIAS en una neurona de una red neuronal representa el umbral de activación de la neurona.
• La función de activación se utiliza para empujar la suma pesada en un rango entre 0 y 1.
• La función sigmoid es comúnmente utilizada para empujar la suma pesada en un rango entre 0 y 1.

Perceptrón

• Un perceptrón es una red neuronal que se utiliza para reconocer patrones complejos en imágenes.
• La salida de un perceptrón se obtiene mediante la aplicación de la función de activación a la suma pesada de las entradas.
• El valor de neta se obtiene mediante la aplicación de la función de activación a la suma pesada de las entradas.

Soporte y Confianza

• El soporte en un conjunto de datos representa la frecuencia de aparición de un item en el conjunto de datos.
• La confianza se obtiene mediante la aplicación de la fórmula conf({producto1}->{producto2}) = supp({producto1,producto2}) / supp({producto2}).
• El soporte y la confianza se utilizan comúnmente en el algoritmo A-Priori para encontrar patrones frecuentes en un conjunto de datos.

Large Language Models (LLM)

• Los LLM son modelos de lenguaje que se entrenan con enormes cantidades de datos.
• Los LLM se utilizan comúnmente para generar texto, traducir idiomas y responder preguntas.
• El tipo de red neuronal transformer es comúnmente utilizado en los LLM para aprender contexto y significado.

Redes Neuronales Transformer

• Las redes neuronales transformer se utilizan comúnmente en los LLM para aprender contexto y significado.
• El mecanismo de atención en una red neuronal transformer se utiliza para crear y dar fuerza a las relaciones entre palabras.
• El embedding de palabras en una red neuronal transformer se utiliza para representar una palabra como un vector de números.

Fine Tuning

• El fine tuning en los LLM es el proceso de adaptar un modelo preentrenado a una tarea específica utilizando un conjunto de datos más pequeño.
• El fine tuning se utiliza comúnmente para mejorar el rendimiento de un modelo en una tarea específica.
• El fine tuning es una técnica para ajustar finamente las capas de la red.

Este cuestionario prueba tus conocimientos en inteligencia artificial, incluyendo algoritmos y técnicas de aprendizaje automático.