Primer Parcial Flashcards

1
Q

Inteligencia Artificial en los 80s-90s

A

Machine learning
Término sombrilla para todo lo que imprila entrenamiento con datos

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Algoritmos clásicos de IA adoptados por ML

A

Máquinas de soporte vectorial
K-Means
Regresión Lineal
Inferencia Bayesiana

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Lo inteligente

A

Lo autónomo pero adaptable

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

Autónomo

A

Que no necesita instrucciones constantes

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Adaptable

A

Puede cambiar su comportamiento a medida que cambia el entorno o espacio del problema

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Inteligencia artificial

A

Sistema sintético que muestra un comportamiento inteligente
Aprende de forma autónoma y mientras se adapta a nuevos datos y entornos

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Inteligencia artificial en ciencias computacionales

A

Disciplina que busca replicar y desarrollar la inteligencia y sus procesos implícitos a través de computadoras.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Cuatro enfoques de la Inteligencia Artificial

A

Sistemas que piensen como humanos
Sistemas que actúen como humanos
Sistemas que piensen racionalmete
Sistemas que actúan racionalmente

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Modelo cognitivo

A

Busca replicar la cognición humana.
Teorías de cómo las personas piensan, implementados en simulaciones informáticas

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Pruebas de modelos cognitivos

A

Se comparan sus predicciones con datos humanos de estudios de comportamiento y neuroimagen

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

Leyes del pensamiento

A

Reglas axiomáticas en las que se basa el propio discurso racional

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

Prueba de Turing

A

Prueba la capacidad de una máquina para mostrar un comportamiento inteligente equivalente o indistinguible al del humano

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

Resultados de la prueba de Turing

A

Sólo dependen de la similitud de las respuestas con las que daría un humano, no si son correctas o no

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Agente

A

Cualquier cosa que pueda percibir su entorno con sensores
Actúa soble ese entorno mediante actuadores

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Agentes racionales

A

Cualquier cosa que tome decisiones
Lleva a cabo una acción con el mejor resultado tras comsiderar percepciones pasadas y presentes

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Sistema de IA

A

Agente+entorno

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
17
Q

Medida de la racionalidad de un agente

A

Medida de rendimiento, conocimientos previos, entorno que percibe y acciones que puede realizar

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
18
Q

PEAS

A

Performance
Environment
Actuators
Sensors

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
19
Q

Tipos de ambiente

A

Accesible o no
Determinístico o Estocástico
Dinámico o estático
Discreto o continuo
Uni o multi agente

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
20
Q

Ambiente accesible o inaccesible

A

Todo el ambiente es observable por el agente en todo momento o no

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
21
Q

Determinístico o Estocástico

A

El estado siguiente es determinado por el ectual o no afecta el presente al futuro

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
22
Q

Dinámico o estático

A

Si cambia el ambiente mientras el agente delibera

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
23
Q

Trabajo de la IA

A

Diseñar un programa que implemente la función de correspondencia entre percepciones y acciones

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
24
Q

Agente (está formado por)

A

Arquitectura+programa

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
25
Arquitectura del agente
Dispositivo informático con sensores y actuadores físicos
26
Agentes de reflejo simple
Seleccionan acciones basándose en la percepción actual, ignorando la historia d ela percepción
27
Agente basado en modelo
Mantiene un estado interno que depende de la historia de la percepción. Refleja algunos aspectos no observables del estado actual
28
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
29
Agentes basados en utilidad
Compara diferentes estados del mundo en función maximizar la utilidad esperada y tomar una decisión con base en eso.
30
Agentes que aprenden
Elemento de aprendizaje Elemento de rendimiento Crítico Generador de problemas
31
Elemento de Aprendizaje
Realiza mejoras
32
Elemento de rendimeinto
Selecciona acciones externas. Agente.
33
Crítico
Evalúa el rendimeinto con respecto a un estándar fijo
34
Generador de problemas
Permite que el agente explote
35
Data science Life Cycle
Business Understanding Data collection Data preparation Explanatory data analysis Modeling Model evaluation Model deplyment
36
Machine learning
Forma de IA que permite a un sistema aprender de datos en lugar de programación explícita
37
Paradigmas de aprendizaje
Aprendizaje supervisado Aprendizaje no supervisado Aprendizaje por refuerzo
38
Aprendizaje supervisado
Utiliza datos etiquetados que entrenan algoritmos para generar una funsión que mapee X con objetivos Y
39
Regresión
Cuando la variable objetivo es continua
40
Clasificación
Cuando la variable objetivo es discreta
41
Aprendizaje no supervisado
Utiliza algoritmos de aprendizaje automático para analizar y agrupar datos no etiquetados. Descubren patrones y agrupan sin intervención humana
42
Aprendizaje por refuerzo
Aprendizaje automático basado en recompensar lo deseado y castigar lo no deseado. Por ensayo y error
43
Regresión lineal
Enfoque lineal para modelar la relación entre una respuesta escalar y una o más variables explícitas
44
Mínimmos Cuadrados
Procedimeinto estadístico para encontrar el ajuste para un conjunto de puntos minimizando la suma de los residuos con la curva trazada
45
Gradiente Descendente
Algoritmo iterativo de optimización de primer orden para encontrar un mínimo local de una función diferenciable
46
Clasificación
Tarea que requiere del uso de algoritmos de aprendizaje automático para asignar etiquetas
47
Regresión logística
Modelo de aprendizaje supervisado para tareas de clasificación binaria a partir de transformación de valores numéricos a categorías
48
Clasificación multiclase
Clasificación con más de dos clases, cada muestra sólo puede etiquetarse como una clase. A cada muestra se le asigna una etiqueta.
49
SoftMax
Usamos como función de error una variable de las antes mencionadas cross-entropy
50
Accuracy
Mide la frecuencia con que el clasificador predice correctamente. Predicciones correctas/Predicciones totales
51
Matriz de confusión
Medida de rendimiento de problemas de clasificación de aprendizaje automático en los que pueden ser dos clases o más
52
Precisión
Cuantos de los casos predichos resultan ser positivos
53
Recall (sensibilidad)
Cuántos de los casos positivos reales pudimos predecir correctamente
54
Puntuación F1
Idea combinada de las métricas precisión y recall. Es máxima cuando precisión=recall
55
Aprendizaje no supervisado
Aprendizaje automático que busca patrones en un conunto de datos sin etiquetas preexistentes. Elimina el sesgo de hipótesis
56
Formas del aprendizaje no supervisado
Agrupación Asociación Reducción de la dimensionalidad
57
Agrupación
Proceso de end¿contrar similitudes entre datos no etiquetados y agruparlos
58
Asociación
Encuentra relaciones entre los datos de un conjunto de datos determinado
59
Reducción de dimensionalidad
Cuando el número de características de unos datos es demasiado elevado
60
Clustering
Encontrar k grupos de un conjunto de datos dado.
61
iciones para clustering
Los elementos son similares Los grupos no son similares entre sí
62
K-Means
partición que resuelve el problema de agrupación mediante k centroides. Cada grupo es exclusivo
63
K means se detiene cuando
Los centroides se han establecido sin cambios en sus valores Se ha alcanzado el número de iteraciones definido
64
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.