64 lines
1.9 KiB
Org Mode
64 lines
1.9 KiB
Org Mode
#+title: IA: Resumen Parcial 1
|
|
#+author: Federico Polidoro
|
|
|
|
* Intro
|
|
Las IA son sistemas informáticos que simulan procesos de la inteligencia humana (aprendizaje, razonamiento y autocorrección).
|
|
|
|
** Conceptos fundamentales:
|
|
- Algoritmos y modelos
|
|
- Procesamiento del lenguaje natural (NLP)
|
|
- Visión por computadora
|
|
- Aprendizaje automático (Machine Learning)
|
|
- Redes neuronales artificiales
|
|
|
|
** Manejo de datos:
|
|
- Tipos de datos
|
|
- Recolección
|
|
- Limpieza y calidad
|
|
|
|
** Estructuras de datos:
|
|
- Almacenamiento
|
|
- Formatos
|
|
- Preprocesamiento para IA (selección, transformación, división en entrenamiento, validación y prueba).
|
|
|
|
* IA Simbolica
|
|
Se basa en el razonamiento logico, Utiliza simbolos para poder representar su realidad, utilizando representaciones abstractas.
|
|
|
|
Sus principales aplicaciones son:
|
|
- Procesamiento de texto.
|
|
- Reconocimiento de voz.
|
|
- Juegos como ajedrez.
|
|
|
|
Una Ventaja que tiene es su baja necesidad de datos, ya que, puede utilizar informacion depurada por expertos. (Smart Data).
|
|
|
|
** Limites
|
|
Tiene una poca habilidad para adaptarse y manejar incertidumbre. Lo que llevo al desarrollo de la IA a un estancamiento en los años 70s.
|
|
|
|
|
|
* Programacion Logica
|
|
Es un paradigna que nace de la logica matematica. Describe el conocimeinto en base a predicados que presentan propiedades y relaciones entre si.
|
|
|
|
* Red Neuronal
|
|
Originalmente inspiradas de la neuronas biologicas. Toma señales de entrada las procesa y las genera de salida.
|
|
|
|
Estructuralmente se pueden dividir en 4 partes.
|
|
|
|
- Entrada, \\
|
|
~Son los datos que recibe~
|
|
|
|
- Pesos, \\
|
|
~Es la importancia de cada entrada~
|
|
|
|
- Suma Ponderada, \\
|
|
$z = w_1 x_1 + w_2 x_2 + ... + w_n x_n + b$
|
|
|
|
el 'b' siendo el sesgo.
|
|
|
|
- Funcion de activacion, \\
|
|
~Transforma la suma en la salida final~
|
|
|
|
** Relacion con regresion lineal
|
|
La funcion de activacion permite modelar problemas complejos y no lineales.
|
|
|
|
Una funcion de activacion consiste de una condicion encargada de definir si una neurona se activa o no.
|