Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Inteligencia Artificial
Fecha: 19-10-2023
Pregunta 1
c. La pendiente
d. R2
e. Grafico de dispersión x vs y
Modelo Lineal: Este modelo establece una relación lineal entre la variable dependiente y las variables
predictoras utilizando una función de enlace específica. Además, permite que la variable dependiente
tenga una distribución que no sigue una distribución normal.
Ejemplo: Si queremos analizar la relación entre el número de horas de estudio y las calificaciones
obtenidas en un examen, tendriamos las horas de estudio “X” y las calificaciones “Y”, se estimarian los
valores de β0 y β1, liuegop de calculados podemos hacer predicciones. Por ejemplo, si un estudiante ha
estudiado 6 horas, se puede usar el modelo para predecir sus calificaciones:
Y = β0 + β1 * 6
Fuente: https://www.ibm.com/docs/es/spss-statistics/saas?topic=statistics-generalized-linear-models
Modelo logit: La función de enlace logit se emplea para representar la probabilidad de éxito en función
de las covariables. Su objetivo consiste en transformar la suma ponderada de las covariables en un valor
de probabilidad, situándolo dentro del rango de 0 a 1.
Ejemplo: Volviendo al ejemplo de los estudiantes pero ahora horas de estudio “X” y Aprobó? “Y” (Y, solo
puede ser si o no), se estiman los valores β0 y β1.
La transformación logit se aplica para convertir la combinación lineal de los valores de las covariables en
una probabilidad. Se puede utilizar el modelo para predecir la probabilidad de que un estudiante
apruebe el examen en función del número de horas de estudio.
Fuente: https://keepcoding.io/blog/funcion-de-enlace-o-link-function/#:~:text=La%20función%20de
%20enlace%20logit,decir%2C%20entre%200%20y%201.
Modelo Probit: La función de enlace probit es un tipo de análisis de regresión en el cual la variable
dependiente presenta solo dos posibles valores, que pueden ser prácticamente cualquier cosa. El
propósito principal de esta función es estimar la probabilidad de que una observación pertenezca a una
categoría particular en función de sus características. El nombre "probit" está estrechamente
relacionado con su objetivo.
Por lo general, la función de enlace probit se emplea para modelar parámetros que se encuentran en el
rango unitario (entre 0 y 1). Valores numéricos de θ (theta) que estén muy cerca de 0 o 1 pueden dar
como resultado valores Infinito positivo, Infinito negativo, No Disponible (NA) o No es un Número (NaN).
Formula: probitlink(theta, bvalue = NULL, inverse = FALSE, deriv = 0, short = TRUE, tag = FALSE)
Donde:
Utilizamos la función de enlace probit para modelar la probabilidad de que el cliente realice una compra
en función de la cantidad de publicidad vista, calculamos los coeficientes del modelo para ajustar la
relación entre la publicidad vista y la probabilidad de compra, y por ultimo con los coeficientes
estimados, puedes predecir la probabilidad de compra para nuevos clientes en función de la cantidad de
publicidad que han visto.
Fuente: https://keepcoding.io/blog/funcion-de-enlace-o-link-function
Modelo Binomial: La distribución binomial se aplica en situaciones en las que se presentan precisamente
dos resultados excluyentes en un experimento. Estos resultados son denominados adecuadamente
como "éxito" y "fracaso".
Esta distribución se emplea para calcular la probabilidad de observar X éxitos en un total de N pruebas,
considerando que la probabilidad de éxito en una sola prueba se representa como p.
Ejemplo: es muy parecido a los anteriores, donde si queremos predecir si los estudiantes aprobarán o
reprobarán un examen en función de la cantidad de horas de estudio. Usamos la función de enlace
binomial para modelar la probabilidad de que un estudiante apruebe
Fuente: https://keepcoding.io/blog/funcion-de-enlace-o-link-function
Fuente: https://www.eco.uc3m.es/~ricmora/miccua/materials/S13T31_Spanish_handout.pdf
Modelo Logit o Probit Multinomial: Se usa para predecir la probabilidad de que una observación se
clasifique en varias categorías exclusivas
Función de Enlace Logit Multinomial: En este método, se utiliza la función de enlace logit para modelar
la probabilidad de pertenencia a una de las múltiples categorías. Básicamente, se calcula la relación
logarítmica de las probabilidades en comparación con una categoría de referencia, permitiendo evaluar
cómo difieren las probabilidades de pertenencia a cada categoría.
Función de Enlace Probit Multinomial: Por otro lado, el enlace probit multinomial recurre a una función
probit para modelar la probabilidad de pertenencia a las diversas categorías. La función probit está
relacionada con la distribución normal acumulativa y se utiliza para describir cómo se acumulan las
probabilidades de pertenencia a cada categoría.
Ejemplo: Puede ser en un análisis de elecciones políticas, donde las personas eligen entre varias
opciones de partidos políticos.
Fuente: https://www.eco.uc3m.es/~ricmora/miccua/materials/S15T32_Spanish_handout.pdf
3. Explique la diferencia entre machine learning y un modelo estadístico, sustente su respuesta y cite 3
papers como mínimo.
Enfoque: Machine Learning se centra en algoritmos que aprenden patrones a partir de datos sin requerir
un modelo explícito, mientras que los modelos estadísticos se basan en la especificación explícita de un
modelo matemático.
Interpretación: Los modelos de Machine Learning tienden a priorizar la precisión de las predicciones
pero pueden carecer de interpretación, mientras que los modelos estadísticos se diseñan para ser
interpretables y explicativos.
Enfoque en los datos: Machine Learning pone un mayor énfasis en la calidad y cantidad de los datos, y
utiliza técnicas de preprocesamiento y feature engineering. Los modelos estadísticos se basan en
suposiciones más rígidas sobre la distribución de los datos.
Fuente1: https://fedefliguer.github.io/AAI/intro.html
Fuente 2: https://www.scopus.com/record/display.uri?eid=2-s2.0-
85170539529&origin=resultslist&sort=plf-
f&src=s&sid=e751cfd864504a81004359ed78fdf7cb&sot=b&sdt=b&cluster=scosubjabbr
%2C"COMP"%2Ct%2C"ENGI"%2Ct%2Bscosubtype%2C"cp"%2Ct&s=TITLE-ABS-KEY
%28"machine+learning"+AND+"statistic+model"%29&sl=55&sessionSearchId=e751cfd864504a8100435
9ed78fdf7cb
Fuente 3: https://www.scopus.com/record/display.uri?eid=2-s2.0-
85159646105&origin=resultslist&sort=plf-
f&src=s&sid=e751cfd864504a81004359ed78fdf7cb&sot=b&sdt=b&cluster=scosubjabbr
%2C"COMP"%2Ct%2C"ENGI"%2Ct%2Bscosubtype%2C"cp"%2Ct&s=TITLE-ABS-KEY
%28"machine+learning"+AND+"statistic+model"%29&sl=55&sessionSearchId=e751cfd864504a8100435
9ed78fdf7cb
4.- Según lo visto en clase esquematice y compare los servicios cognitivos que ofrece Microsoft Azure y
Google GCP, haga un cuadro comparativo entre los servicios de IA de ambas empresas. Puede consular
en internet y no olvide citar todas las fuentes.
Aunque los servicios de ambas empresas proporcionan servicios de inteligencia artificial parecidos,
presentan diferencias sustanciales en lo que respecta a sus nombres y a sus características particulares.
Por ejemplo, Azure brinda servicios para el reconocimiento de escritura a mano y análisis de
sentimientos, a diferencia de GCP, que sobresale en el reconocimiento de voz y ofrece una plataforma
más amplia de aprendizaje automático a través de Google AI Platform.
Fuente: https://azure.microsoft.com/es-es/products/ai-services?activetab=pivot:azureopenaiservicetab
Fuente: https://cloud.google.com/products/ai?hl=es