Primer Parcial Flashcards
Inteligencia Artificial en los 80s-90s
Machine learning
Término sombrilla para todo lo que imprila entrenamiento con datos
Algoritmos clásicos de IA adoptados por ML
Máquinas de soporte vectorial
K-Means
Regresión Lineal
Inferencia Bayesiana
Lo inteligente
Lo autónomo pero adaptable
Autónomo
Que no necesita instrucciones constantes
Adaptable
Puede cambiar su comportamiento a medida que cambia el entorno o espacio del problema
Inteligencia artificial
Sistema sintético que muestra un comportamiento inteligente
Aprende de forma autónoma y mientras se adapta a nuevos datos y entornos
Inteligencia artificial en ciencias computacionales
Disciplina que busca replicar y desarrollar la inteligencia y sus procesos implícitos a través de computadoras.
Cuatro enfoques de la Inteligencia Artificial
Sistemas que piensen como humanos
Sistemas que actúen como humanos
Sistemas que piensen racionalmete
Sistemas que actúan racionalmente
Modelo cognitivo
Busca replicar la cognición humana.
Teorías de cómo las personas piensan, implementados en simulaciones informáticas
Pruebas de modelos cognitivos
Se comparan sus predicciones con datos humanos de estudios de comportamiento y neuroimagen
Leyes del pensamiento
Reglas axiomáticas en las que se basa el propio discurso racional
Prueba de Turing
Prueba la capacidad de una máquina para mostrar un comportamiento inteligente equivalente o indistinguible al del humano
Resultados de la prueba de Turing
Sólo dependen de la similitud de las respuestas con las que daría un humano, no si son correctas o no
Agente
Cualquier cosa que pueda percibir su entorno con sensores
Actúa soble ese entorno mediante actuadores
Agentes racionales
Cualquier cosa que tome decisiones
Lleva a cabo una acción con el mejor resultado tras comsiderar percepciones pasadas y presentes
Sistema de IA
Agente+entorno
Medida de la racionalidad de un agente
Medida de rendimiento, conocimientos previos, entorno que percibe y acciones que puede realizar
PEAS
Performance
Environment
Actuators
Sensors
Tipos de ambiente
Accesible o no
Determinístico o Estocástico
Dinámico o estático
Discreto o continuo
Uni o multi agente
Ambiente accesible o inaccesible
Todo el ambiente es observable por el agente en todo momento o no
Determinístico o Estocástico
El estado siguiente es determinado por el ectual o no afecta el presente al futuro
Dinámico o estático
Si cambia el ambiente mientras el agente delibera
Trabajo de la IA
Diseñar un programa que implemente la función de correspondencia entre percepciones y acciones
Agente (está formado por)
Arquitectura+programa
Arquitectura del agente
Dispositivo informático con sensores y actuadores físicos
Agentes de reflejo simple
Seleccionan acciones basándose en la percepción actual, ignorando la historia d ela percepción
Agente basado en modelo
Mantiene un estado interno que depende de la historia de la percepción. Refleja algunos aspectos no observables del estado actual
Agente basado en metas
Necesita información sobre el objetivo que describa lo deseable y combina esto con el modelo para elegir acciones y alcanzar el objetivo
Agentes basados en utilidad
Compara diferentes estados del mundo en función maximizar la utilidad esperada y tomar una decisión con base en eso.
Agentes que aprenden
Elemento de aprendizaje
Elemento de rendimiento
Crítico
Generador de problemas
Elemento de Aprendizaje
Realiza mejoras
Elemento de rendimeinto
Selecciona acciones externas. Agente.
Crítico
Evalúa el rendimeinto con respecto a un estándar fijo
Generador de problemas
Permite que el agente explote
Data science Life Cycle
Business Understanding
Data collection
Data preparation
Explanatory data analysis
Modeling
Model evaluation
Model deplyment
Machine learning
Forma de IA que permite a un sistema aprender de datos en lugar de programación explícita
Paradigmas de aprendizaje
Aprendizaje supervisado
Aprendizaje no supervisado
Aprendizaje por refuerzo
Aprendizaje supervisado
Utiliza datos etiquetados que entrenan algoritmos para generar una funsión que mapee X con objetivos Y
Regresión
Cuando la variable objetivo es continua
Clasificación
Cuando la variable objetivo es discreta
Aprendizaje no supervisado
Utiliza algoritmos de aprendizaje automático para analizar y agrupar datos no etiquetados. Descubren patrones y agrupan sin intervención humana
Aprendizaje por refuerzo
Aprendizaje automático basado en recompensar lo deseado y castigar lo no deseado. Por ensayo y error
Regresión lineal
Enfoque lineal para modelar la relación entre una respuesta escalar y una o más variables explícitas
Mínimmos Cuadrados
Procedimeinto estadístico para encontrar el ajuste para un conjunto de puntos minimizando la suma de los residuos con la curva trazada
Gradiente Descendente
Algoritmo iterativo de optimización de primer orden para encontrar un mínimo local de una función diferenciable
Clasificación
Tarea que requiere del uso de algoritmos de aprendizaje automático para asignar etiquetas
Regresión logística
Modelo de aprendizaje supervisado para tareas de clasificación binaria a partir de transformación de valores numéricos a categorías
Clasificación multiclase
Clasificación con más de dos clases, cada muestra sólo puede etiquetarse como una clase. A cada muestra se le asigna una etiqueta.
SoftMax
Usamos como función de error una variable de las antes mencionadas cross-entropy
Accuracy
Mide la frecuencia con que el clasificador predice correctamente. Predicciones correctas/Predicciones totales
Matriz de confusión
Medida de rendimiento de problemas de clasificación de aprendizaje automático en los que pueden ser dos clases o más
Precisión
Cuantos de los casos predichos resultan ser positivos
Recall (sensibilidad)
Cuántos de los casos positivos reales pudimos predecir correctamente
Puntuación F1
Idea combinada de las métricas precisión y recall. Es máxima cuando precisión=recall
Aprendizaje no supervisado
Aprendizaje automático que busca patrones en un conunto de datos sin etiquetas preexistentes.
Elimina el sesgo de hipótesis
Formas del aprendizaje no supervisado
Agrupación
Asociación
Reducción de la dimensionalidad
Agrupación
Proceso de end¿contrar similitudes entre datos no etiquetados y agruparlos
Asociación
Encuentra relaciones entre los datos de un conjunto de datos determinado
Reducción de dimensionalidad
Cuando el número de características de unos datos es demasiado elevado
Clustering
Encontrar k grupos de un conjunto de datos dado.
iciones para clustering
Los elementos son similares
Los grupos no son similares entre sí
K-Means
partición que resuelve el problema de agrupación mediante k centroides. Cada grupo es exclusivo
K means se detiene cuando
Los centroides se han establecido sin cambios en sus valores
Se ha alcanzado el número de iteraciones definido
Elbow method
Se crea el k means con un rango de valores de k. Calculamos la suma de las distancias de los elementos a los centroides. Se selecciona el punto de inflexión y se usa ese valor para k.
