Técnicas de la inteligencia artificial

Raúl Rodríguez fernández

Técnicas de la inteligencia artificial

los campos de aplicación de la IA son muy diversos. Es por ello que existen multitud de técnicas que podemos aplicar en función del problema al que nos enfrentemos.

1. Algoritmos de búsqueda

1.1 Búsqueda no informada

1.2 Búsqueda informada

2. Algoritmos evolutivos

3 Aprendizaje automático

3.2 Aprendizaje no supervisado

3.1 Aprendizaje supervisado

3.3 Aprendizaje por refuerzo

4. redes neuronales

Errores comunes

Soy un subtítulo genial, ideal para dar más contexto sobre el tema que vas a tratar.

1.Es claray estructurada

2.Cuenta historias jerárquicamente

3.Hace 'match' con tu audiencia

4.Adecúa las fuentes y el color al tema

5.Incluye imágenes y entretiene

6.Representa datos con gráficos

7.Utiliza líneas de tiempo

8.Es animadae interactiva

9.Emociona al cerebro, a través de elementos multimedia

10.NO se excede con losbullet points

El aprendizaje automático es una rama de la inteligencia artificial que permite a las máquinas aprender sin ser explícitamente programadas para ello. Esta habilidad es indispensable para crear sistemas capaces de identificar patrones en los datos y hacer predicciones. Esta tecnología se encuentra en una multitud de aplicaciones, como las recomendaciones de Netflix o Spotify, las respuestas inteligentes de Gmail y el reconocimiento de voz de Siri y Alexa.

Los algoritmos de búsqueda son útiles para resolver problemas en los que se requieren varias acciones para alcanzar un objetivo, como encontrar un camino a través de un laberinto o determinar el mejor movimiento a realizar en un juego. Los algoritmos de búsqueda evalúan los estados futuros e intentan encontrar el camino óptimo hacia el objetivo más valioso.

Aquí puedes poner un título destacado

Estamos en la era de la explosión de información digital. Esto provoca que nuestra forma de obtener información haya cambiado, pasamos de la lectura tradicional a una estrategia cognitiva basada enla navegación.

Las redes neuronales artificiales (ANN, por sus siglas en inglés) son herramientas poderosas dentro del ámbito del aprendizaje automático. Se utilizan de diversas maneras para alcanzar distintos objetivos, como el reconocimiento de imágenes, el procesamiento del lenguaje natural y la resolución de problemas en juegos.Las ANNs aprenden de forma similar a otros algoritmos de aprendizaje automático: utilizan datos para ser entrenadas. Sin embargo, se adaptan mejor a datos no estructurados donde es difícil entender cómo se relacionan las características entre sí. El elemento base de una ANN es el perceptrón, que representa una neurona del cerebro humano. Al igual que las neuronas, el perceptrón recibe entradas (similares a las dendritas), las modifica en base a ciertos criterios (como las sinapsis) y produce un resultado (como los axones). El aprendizaje profundo (deep learning), derivado del aprendizaje automático, es una familia más amplia de técnicas y algoritmos que buscan alcanzar una inteligencia limitada (débil) con el objetivo de llegar a una inteligencia general (fuerte). Los enfoques de aprendizaje profundo suelen utilizar muchas capas de ANNs. Al aprovechar diferentes capas de componentes inteligentes, cada una resuelve problemas especializados, y juntas abordan problemas complejos para cumplir un objetivo mayor.

Los algoritmos de aprendizaje supervisado son entrenados utilizando ejemplos etiquetados, como una entrada donde se conoce el resultado deseado. El algoritmo de aprendizaje recibe un conjunto de entradas junto con los resultados correctos correspondientes, y el algoritmo aprende comparando su resultado real con resultados correctos para encontrar errores. Luego modifica el modelo en consecuencia. A través de métodos como la clasificación, regresión, predicción y aumento de gradiente, el aprendizaje supervisado utiliza patrones para predecir los valores de la etiqueta en datos no etiquetados adicionales. El aprendizaje supervisado se utiliza comúnmente en aplicaciones donde datos históricos predicen eventos futuros probables.

El aprendizaje no supervisado se utiliza contra datos que no tienen etiquetas históricas. No se da la "respuesta correcta" al sistema. El algoritmo debe descubrir lo que se muestra. El objetivo es explorar los datos y encontrar alguna estructura en su interior. El aprendizaje no supervisado funciona bien con datos de transacciones. Por ejemplo, puede identificar segmentos de clientes con atributos similares que después puedan ser tratados de manera semejante en campañas de marketing. O bien puede encontrar los atributos principales que separan los segmentos de clientes. Algunas técnicas populares incluyen mapas con organización automática, mapping del vecino más cercano, k-means clustering y descomposición de valores singulares. Estos algoritmos se pueden utilizar también para segmentar temas de texto, recomendar elementos e identificar valores atípicos de datos.

Escribe un titular genial

El contenido visual es un lenguaje transversal, universal, como la música. Somos capaces de entender imágenes de hace millones de años, incluso de otras culturas.

Los algoritmos de búsqueda ciega o no informada no dependen de información propia del problema a la hora de resolverlo, sino que proporcionan métodos generales para recorrer los árboles de búsqueda asociados a la representación del problema, por lo que se pueden aplicar en cualquier circunstancia.

• Búsqueda en anchura: La idea principal de la Búsqueda en Anchura (BFS) consiste en visitar todos los nodos que hay a profundidad i antes de pasar a visitar aquellos que hay a profundidad i+1. Es decir, tras visitar un nodo, pasamos a visitar a sus hermanos antes que a sus hijos.
• Búsqueda en profundidad: Al igual que en el caso de la búsqueda en anchura, la búsqueda en profundidad (DFS) también puede ser vista como un proceso por niveles, pero con la diferencia de que, tras visitar un nodo, se visitan sus hijos antes que sus hermanos, por lo que el algoritmo tiende a bajar por las ramas del árbol hacia las hojas antes de visitar cada una de las ramas posibles.

Escribe un titular genial

Disciplinas como el Visual Thinking facilitan la toma de notas visualmente ricas gracias al uso de imágenes, gráficas, infografías y dibujos sencillos. ¡Dale caña!

¿Tienes una idea?

Crea una nueva capa de contenido con todas las funcionalidades de Genially.

• Genera experiencias con tu contenido.
• Tiene efecto WOW. Muy WOW.
• Logra que tu público recuerde el mensaje.
• Activa y sorprende a tu audiencia.

Aquí puedes poner un título destacado

• Planificar la estructura de tu comunicación.
• Jerarquizarla y darle peso visual a lo principal.
• Definir mensajes secundarios con interactividad.
• Establecer un flujo a través del contenido.
• Medir los resultados.

Escribe un titular genial

El contenido visual es un lenguaje transversal, universal, como la música. Somos capaces de entender imágenes de hace millones de años, incluso de otras culturas.

• Algoritmo voraz: Una primera estrategia, que representa una heurística muy limitada pero muy extendida, es utilizar como estimación futura el coste del siguiente paso que vamos a dar, que lo podemos calcular fácilmente desde el nodo actual en el que nos encontramos. En este caso, la heurística usada se resume en suponer que, en cada paso, el mejor camino se consigue al minimizar el coste inmediato.
• Búsqueda en profundidad: Para hallar la solución de menor coste, se considera el coste total del camino. El algoritmo A* es heurístico y utiliza una función de evaluación heurística para etiquetar diferentes nodos de la red, determinando la probabilidad de dichos nodos de perteneceer al camino óptimo. Se calcula un valor "f" para cada nodo, que indica su utilidad para llegar a la salida. La función de coste total (f) es la suma de:
  • g(n): Costo real desde el inicio hasta el nodo actual.
  • h(n): Estimación del costo desde el nodo actual hasta la salida (heurística).

f(n)=g(n)+h(n)

A diferencia de la búsqueda no informada, los algoritmos de búsqueda informada disponen de algún contexto del problema específico que están resolviendo. Las heurísticas son una forma de expresar este contexto, mediante una regla o conjunto de reglas usadas para evaluar un estado; pueden ser usadas para definir criterios que deban cumplir los estados o para medir el rendimiento de un estado concreto. En resumen, las heurísticas se utilizan cuando no existe un método para encontrar la solución óptima a un problema.

Se inspira en la psicología del comportamiento. En resumen, describe cómo se recompensa a un individuo si se realiza una acción positiva y se le penaliza si se realiza una acción negativa.

• Recolección y comprensión de los datos.
• Preparación de los datos: implica adaptar los datos al formato correcto y admitido por los algoritmos que vayamos a utilizar, y corregir, eliminar o adaptar aquellos datos incompletos o cualitativos que necesiten ser cambiados a valores cuantitativos.
• Entrenamiento del modelo: para realizar predicciones utilizando el modelo, se debe utilizar el algoritmo correcto en función de la información que queramos obtener y los datos de los que dispongamos. Existen varios algoritmos para ello.
• Probar el modelo:, para ello, se mide la precisión del modelo con ejemplos ya conocidos de antemano y comprobando si el modelo arroja los resultados esperados. Cabe destacar, que no se puede probar el modelo con los mismos datos que se han usado para entrenarlo.
• Mejorar la precisión del modelo: en caso de que al medir la precisión del modelo durante las pruebas no se haya obtenido la precisión deseada, habría que volver a iterar sobre alguno de los pasos anteriores.

Estos pasos suelen realizarse en orden, aunque el último de ellos puede implicar volver a cualquiera de los anteriores para realizar posibles ajustes.

Escribe un titular genial

Plantea una pregunta dramática; es el ingrediente esencial para mantener la atención del público. Se suele plantear de forma subyacente al inicio de la historia para intrigar a la audiencia y se resuelve al final.

Escribe un titular genial

Cuando nos cuentan una historia, esta nos emociona, puede incluso conmovernos, haciendo que recordemos las historias hasta 20 veces más que cualquier otro contenido quepodamos consumir.

Comparte tu idea conuna imagen

El contenido visual es un lenguaje transversal, universal, como la música. Somos capaces de entender imágenes de hace millonesde años, incluso deotras culturas.

Somos seres visuales

Somos capaces de entender imágenes de hace millones de años, incluso de otras culturas.

Seres narrativos

Contamos miles y miles de historias. ⅔ de nuestras conversaciones son historias.

Los algoritmos genéticos son una serie de algoritmos específicos de tipo evolutivo. Se utilizan para evaluar grandes espacios de búsqueda y tratar de encontrar una buena solución. El flujo de trabajo de un algoritmo genético sigue el siguiente procedimiento:

• Codificar el espacio de soluciones.
• Establecer los parámetros del algoritmo.
• Crear un conjunto (población) de potenciales soluciones (individuos).
• Medir la aptitud (fitness) de los individuos de la población, determinar la calidad de una solución concreta. Esta tarea se lleva a cabo utilizando una función de aptitud que puntúa las soluciones para determinar su calidad.
• Selección de progenitores en función de su aptitud, selección de individuos que reproducirán la descendencia a partir de aquellos que obtuvieran la mayor puntuación (o menor, dependiendo del problema) en el paso anterior, seleccionando, por ejemplo, los N mejores.
• Reproducción de individuos:, generar descendencia a partir de los individuos seleccionados en el paso anterior combinando la información genética (cruce) y aplicando ligeros cambios a la descendencia (mutaciones).
• Poblar la siguiente generación: seleccionar los individuos y los descendientes de la población que sobrevivirán a la siguiente generación.