Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Profesora: Estudiante:
Ing. Deyanira Noguera Marcelo Díaz V-28.073.497
05/04/2022
2
Índice
Introducción...............................................................................................................................................3
Técnicas y métodos utilizados en la inteligencia artificial para la resolución de problemas.....................4
Redes Neuronales..................................................................................................................................4
Arquitecturas de las Redes Neuronales...................................................................................5
Arquitecturas de redes neuronales..........................................................................................5
Redes Neuronales por capas..........................................................................................5
Redes neuronales Recurrentes.......................................................................................5
Redes con Aprendizaje Supervisado..............................................................................6
Redes con Aprendizaje No Supervisado........................................................................6
Entrenamiento.........................................................................................................................6
Sistemas Expertos..................................................................................................................................6
Componentes...........................................................................................................................7
Características.........................................................................................................................7
Algoritmos genéticos.............................................................................................................................9
Configuración básica...............................................................................................................9
Aplicaciones............................................................................................................................9
Lógica Difusa......................................................................................................................................10
Conclusión...............................................................................................................................................12
Referencias bibliográficas........................................................................................................................13
3
Introducción
La inteligencia artificial no es una sola técnica por sí sola, si no que abarca una gran variedad de
técnicas y métodos que hacen posible que las maquinas aprendan a realizar tareas complejas que
anteriormente solo podían ser realizadas por seres humanos, o que tengan capacidades cognitivas como
Las técnicas utilizadas van desde procesos más heurísticos cercanos al enfoque simbólico, hasta
métodos complejos que intentan replicar el cerebro biológico como el utilizado en el aprendizaje
Este informe tiene como finalidad estudiar las técnicas más utilizadas en la inteligencia
artificial, ofreciendo ejemplos con aplicaciones en el mundo real. Si bien existen decenas de métodos
que los científicos han propuesto durante los últimos 50 años (y nuevas investigaciones siguen saliendo
a la luz diariamente), estudiaremos las técnicas que han sido más relevantes para el desarrollo de la
Redes Neuronales
Las redes neuronales entran en el área del aprendizaje profundo, que a su vez en parte del
machine learning. Sostienen la premisa de que el secreto para el aprendizaje y el conocimiento se halla
maneje los símbolos, y la representación del conocimiento se hace desde el estrato más básico de la
inteligencia: el cerebro especialmente en las neuronas y las múltiples interconexiones entre ellas. Es
decir, se busca simular las redes neuronales y las conexiones complejas entre ellas que hay en el
cerebro humano.
paralelo de la información que emula las características esenciales de la estructura neuronal del cerebro
biológico.
A pesar de las limitaciones de las redes neuronales artificiales en cuanto a representar todas las
características del cerebro humano tales como la habilidad para desarrollar el aprendizaje adaptativo, la
auto-organización, la tolerancia a fallos, las operaciones en tiempo real y otras cualidades; estas redes
Una Red neuronal artificial está formada por un conjunto de neuronas interconectadas y
arregladas en forma de capas, las cuales están compuestas a su vez por un número de neuronas cada
una. Existen capas de entrada (por donde se ingresan los datos), capas de salida (por donde se obtienen
los resultados) y las capas ocultas (por donde pasan los datos).
Teniendo en cuenta lo anterior, podemos decir que la arquitectura de las redes neuronales
artificiales se basa en la organización y disposición de las neuronas formando capas más o menos
alejadas de la entrada y salida de la red. En este sentido, los parámetros fundamentales de la red son: el
número de capas, el número de neuronas por capa, el grado de conectividad y el tipo de conexiones
entre neuronas.
Esta estructura de red está compuesta por capas de neuronas y cada capa recibe señales de las
capas previas, por lo cual este tipo de redes se denominan redes feed-forward o perceptrón siendo el
perceptrón multicapa el más común. Este tipo de red se caracteriza porque las neuronas se agrupan en
diferentes niveles que mencioné anteriormente: capa de entrada, capas ocultas y capas de salida.
Las neuronas se encargan de recibir señales del exterior y trasmitirlas a las siguientes capas, la
última capa actúa como salida de la red proporcionando la respuesta de la red para cada uno de los
clasificación de patrones.
6
En este tipo de red cada neurona se conecta a todas las neuronas de la red, incluso consigo
misma, lo que significa que se tienen bucles en la arquitectura de la red. Esta clase de red se caracteriza
Lo que esto permite es trabajar con datos secuenciales y entender estados anteriores, por
externo (supervisor, maestro) que determina la respuesta que debería generar la red a partir de una
entrada determinada. El supervisor comprueba la salida de la red y en el caso de que ésta no coincida
con la deseada, se procederá a modificar los pesos de las conexiones, con el fin de conseguir que la
Estas redes no requieren influencia externa para ajustar los pesos de las conexiones entre
neuronas. La red no recibe ninguna información por parte del entorno que le indique si la salida
generada es o no correcta, así que existen varias posibilidades en cuanto a la interpretación de la salida
de estas redes-
Entrenamiento
El algoritmo utilizado para entrenar este tipo de redes es conocido como descenso de gradiente,
esperado contra el resultado obtenido en la red, y luego calcular cuanta influencia tiene cada capa y
neurona de la red para determinar cómo se deben actualizar los parámetros (y así mejorar los
7
diferencial.
Sistemas Expertos
desde sus inicios y corresponden a programas de ordenador que recopilan en un programa informático
Componentes
Estas dos partes esenciales en el diseño de un sistema experto se interrelacionan entre sí para obtener
las conclusiones necesarias en la resolución del problema en estudio logrando que el sistema experto
Características
Los sistemas expertos pueden resolver problemas difíciles tan bien como los expertos humanos.
Pueden razonar heurísticamente, usando lo que los expertos consideran que son reglas
efectivas, e interactúan con los humanos de forma adecuada, incluyendo el lenguaje natural.
Pueden funcionar con datos que contienen errores, usando reglas inciertas.
8
correctas.
centra generalmente en la creación de sistemas inteligentes que puedan sustituir o apoyar a expertos.
Estos sistemas están diseñados para servir de soporte a los complejos análisis que se requieren en el
descubrimiento de las tendencias del negocio, con el fin de tomar decisiones eficientes y oportunas.
Esto le permite a quienes toman decisiones afrontar los retos del nuevo mundo empresarial en el
cual el conocimiento aparece como el factor esencial para el desarrollo de las organizaciones.
Análisis de inversiones
Análisis de tendencias
Algoritmos genéticos
Los algoritmos genéticos son el resultado de los recientes avances de la computación evolutiva
información histórica para encontrar nuevos puntos de búsqueda de una solución óptima, permitiendo
obtener soluciones a un problema que por su complejidad no tiene ningún método de solución de forma
preciso.
Dicha solución exige cálculos complejos que de manera normal tomarían demasiado tiempo.
Configuración básica
Una función de evaluación que permite ordenarlos cromosomas de acuerdo con la función
objetivo.
Aplicaciones
empresa para absorber un préstamo y con el fin de decidir el otorgamiento del mismo, la inferencia de
10
reglas que indiquen las mejores decisiones sobre la asignación de recursos con base en información
En conclusión se puede afirmar que para los algoritmos genéticos, en la búsqueda de soluciones
óptimas, es importante combinar las ventajas de las redes neuronales con los algoritmos genéticos en
una aproximación híbrida, esto con el fin de diseñar estructuras de redes neuronales óptimas. El
objetivo es reducir la complejidad computacional y el tiempo requerido para diseñar una red neuronal.
Lógica Difusa
La lógica difusa es una de las disciplinas matemáticas que cuenta con mayor número de
Esta se funda en el concepto de que todo es cuestión de grado, lo cual permite manejar
información vaga o de difícil especificación, importante para la resolución de un problema, por medio
de una serie de reglas de "sentido común" aprendidas con sistemas adaptativos que se nutren de la
El aspecto central de las técnicas de lógica difusa es que, a diferencia de la lógica clásica, la
lógica difusa tiene la capacidad de reproducir de manera aceptable y eficiente los modos usuales del
razonamiento humano, al considerar que la certeza de una proposición es una cuestión de grado por
esta razón parte de la base del razonamiento aproximado y no del razonamiento preciso como lo hace la
lógica clásica.
11
De esta forma las características más importantes de la lógica difusa son. La flexibilidad, la
En el campo de las empresas la teoría sobre la borrosidad se ha extendido en general a todas las
áreas de decisión en las que se manejan estimaciones subjetivas basadas en la información disponible y
en su propia experiencia tales como: modelos de decisión utilizados con criterios de optimización,
Internet, etc.
Asimismo, la utilización de las técnicas de lógica difusa es aconsejable para resolver procesos
muy complejos, es decir, cuando se carece de un modelo matemático simple o para procesos altamente
desempeñado.
12
Conclusión
Existen multitud de métodos y técnicas en el área de la inteligencia artificial, no existe uno solo
que permita resolver todos los problemas posibles. Es responsabilidad del ingeniero de IA determinar el
método a utilizar, algunas veces existen problemas muy complejos que solo pueden ser resueltos por
una red neuronal, como hacer que una inteligencia artificial reconozca enfermedades en resonancias
magnéticas o sea capaz de entender el lenguaje; por el contrario, hay problemas más simples donde
aplicar una metodología muy compleja podría terminar resultando en una peor precisión del modelo, ya
que dependiendo de los datos el modelo podría no ser capaz de generalizar bien a nueva información
(especialmente si es un problema que puede ser resuelto con métodos heurísticos). Es por ello que hay
multitud de métodos para elegir y cada uno tiene sus fortalezas y debilidades dependiendo del
Referencias bibliográficas
2. APD, 2021. Métodos y técnicas de inteligencia artificial: ¿cuáles son y para qué se usan? Sitio
web: https://www.apd.es/tecnicas-de-la-inteligencia-artificial-cuales-son-y-para-que-se-utilizan/