Seleccionar página

8. INTELIGENCIA ARTIFICIAL

01. ¿QUÉ ES LA IA?

02. ¿DE DÓNDE VIENE LA IA?

03. ¿PORQUÉ USAMOS LAS IA?

04. APRENDIZAJE HUMANO VS. MÁQUINA

05. FUNCIONAMIENTO DE UNA IA

06. RETOS DE LA IA

RECURSOS

ACTIVIDADES

EVALUACIÓN

07. APLICACIONES CONCRETAS

5. FUNCIONAMIENTO DE UNA INTELIGENCIA ARTIFICIAL

MACHINE LEARNING

El Machine Learning es una disciplina del campo de la IA que permite a través de algoritmos que los ordenadores pueden “aprender” identificando patrones y datos elaborando predicciones.  

Se basa en el aprendizaje automático de datos tales como números, palabras, imágenes, estadísticas…

Para funcionar, se tienen que cumplir los siguientes pasos para que el sistema pueda “aprender” correctamente:

Seleccionar y preparar un conjunto de datos de interés  

Etiquetar los datos por categorías o características 

Seleccionar un algoritmo para ejecutar sobre esos datos seleccionados 

Entrenar al algoritmo con un proceso basado en la repetición  

Inteligencia Artificial: combinación de algoritmos planteados con el propósito de crear máquinas que presenten las mismas capacidades que el ser humano.

Machine Learning: rama de la Inteligencia Artificial (IA) que estudia como dotar a las máquinas de capacidad de aprendizaje.

Deep Learning: algoritmo automático jerárquico que emula el aprendizaje humano con el fin de obtener ciertos conocimientos.

ALGORITMOS

Los principales algoritmos que se trabajan en Machine Learning serían los siguientes:

Algoritmos de regresión lineal o logística:

Para predecir los valores de unas variables en función de otra.

Ejemplo: predecir los resultados en un examen en función de la cantidad de horas de estudio.

Algoritmos de asociación:

Permite descubrir patrones y relaciones entre los datos que se trabajan según unas reglas de “si – entonces” para poder calcular probabilidades e intentar predecir las relaciones entre dos elementos.

Redes neuronales:

Tienen forma de red con varios niveles o capas. La primera permite captar datos, las siguientes permiten sacar conclusiones y las últimas a llegar a conclusiones y probabilidades asociadas.

Árboles de decisión:

Permite hacer recomendaciones basadas en unas reglas que se han establecido previamente.

Ejemplo: recomendar una canción basándose en la edad del consumidor o del número de escuchas previas.

Cuando se le proporcionan datos, un algoritmo puede generar inferencias estadísticas de forma autónoma. Aun así, la intervención humana sigue siendo necesaria para revisar los resultados de los análisis de Machine Learning y evaluar estos resultados o incluso asegurarse de que los datos no han sido alterados o sesgados.