Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Trabajo Itla Introduccion A La IA
Trabajo Itla Introduccion A La IA
Dariel Miguel
Apellido:
Castillo Lamarche
Maestro(a):
Luis BessewellFeliz
Asignatura:
Introducción a IA
Matricula:
2023-1907
Fecha:
1/12/2023
El presente trabajo aborda diversas metodologías y herramientas fundamentales en el
ámbito de la informática y la
ingenieríadesoftware.Nossumergiremosenelfascinantemundodelamodelizaciónydiseñodesis
sistemas.
ComenzaremosporexaminarelMachineLearning(ML)yelDeepLearning(DL),ramasdelaint
utiliza redes neuronales profundas para modelar patrones, han revolucionado campos
patrones.
estadosydeprocesos,resaltandocómoestasrepresentacionesgráficasfacilitanlacomprensió
EltrabajotambiénseadentraráenelusodelHierarchicalInputProcessOutput(HIPO),unaté
máticaylaingeniería de software.
Amedidaquenossumergimosenestostemas,esperamosqueestetrabajosirvacomounaguíainte
TiposdeMachineLearning:
AprendizajeSupervisado:
● Definición:Algoritmosentrenadosconunconjuntodedatosetiquetado,dondeseproporcionanejemplosde
entrada y la salida deseada.
● Ejemplos:Regresiónyclasificación.
AprendizajeNoSupervisado:
● Definición:Algoritmosqueseentrenancondatosnoetiquetados,permitiendoquelamáquinadescubra
patrones y estructuras por sí misma.
● Ejemplos:Clusteringyreduccióndedimensionalidad.
AprendizajeporReforzamiento:
● Definición:Losalgoritmosaprendenmediantelainteracciónconunentorno,tomandodecisionesy
recibiendo retroalimentación en forma de recompensas o penalizaciones.
● Ejemplos:Q-Learning,algoritmosgenéticos.
ProcesodeMachineLearning:
RecopilacióndeDatos:
● Obtencióndeconjuntosdedatosrelevantesyrepresentativosparaelproblema.
PreprocesamientodeDatos:
● Limpiezaytransformacióndedatosparaeliminarruidoyprepararlosparaelentrenamiento.
SeleccióndeModelo:
● Eleccióndelalgoritmomásadecuadosegúnlanaturalezadelproblema.
EntrenamientodelModelo:
● Ajustedelosparámetrosdelmodeloutilizandoelconjuntodedatosdeentrenamiento.
EvaluacióndelModelo:
● Pruebasdelmodeloconunconjuntodedatosindependienteparamedirsurendimiento.
AjusteyOptimización:
● Modificacióndeparámetrososeleccióndemodelosalternativosparamejorarelrendimiento.
Despliegue:
● Implementacióndelmodeloenunentornodeproducción.
Desafíosen Machine Learning:
OverfittingyUnderfitting:
● Problemascomunesduranteelentrenamientodelmodelo.
Dimensionalidad:
● Manejodeconjuntosdedatosconmuchascaracterísticas.
InterpretacióndeModelos:
● Comprensióndecómotomandecisioneslosmodelos,especialmenteencasosdemodeloscomplejos.
ChatsBOTS:
Introducción:
Los chatbots son programas informáticos ligeramente similares a una IA (ambas simulan conversaciones humanas) pero mas
tontas en pocas palabras, están limitados por palabras claves exceptuando los que usan el leguaje de procesamiento natural
NPL.
Diagramas:
Introducción:
Los chatbots al ser componentes de sistemas software, pueden involucrar varios diagramas en su desarrollo y compresión.
TiposdeDiagramasen Chatbots:
Diagramadeflujo de conversación:
● Visualiza el flujo de interacción entre el usuario y el ChatBOTS, detallando las decisiones y acciones
tomadas en cada paso.
DiagramadeCasos de Uso:
● Identifica los diferentes casos de uso que el chatbot debe manejar, mostrando las interacciones entre actores y
el sistema.
DiagramadeSecuencia:
● Describelainteracciónentrediferentesobjetosalolargodeltiempo,mostrandolasecuenciademensajes entre
ellos.
DiagramadeActividad:
● Modelaelflujodeactividadesyaccionesenunproceso,destacandolasecuenciaycondicionesdecontrol.
DiagramadeEstado:
● Representalosposiblesestadosdeunobjetoylastransicionesentreestosestados.
DiagramadeComponentes:
● Ilustralasdependenciasentrediferentescomponentesenunsistema.
DiagramadeDespliegue:
● Muestraladisposiciónfísicadeloscomponentesenelhardware.
Importancia de UML:
ComunicaciónEfectiva:
● Facilitalacomprensiónentredesarrolladores,diseñadoresyotrosstakeholders.
DocumentaciónClara:
● Proporcionaunadocumentaciónvisualcompletaydetalladadelsistema.
DeteccióndeProblemas:
● Ayudaaidentificarposiblesproblemasdediseñoantesdelaimplementación.
HIPO(HierarchicalInputProcessOutput):
Introducción:
HIPOesunatécnicadediseñoestructuradoqueutilizaunarepresentacióngráficajerárquicaparadescribirlaestructurade un
programa o sistema. Se centra en la entrada (Input), el proceso (Process), y la salida (Output) de la información.
VentajasdeHIPO:
ClaridadEstructural:
● Larepresentaciónjerárquicafacilitalacomprensióndelalógicadelsistema.
IdentificacióndeDatos:
● Permiteidentificarfácilmentelosdatosdeentrada,procesamientoysalida.
DescomposiciónModular:
● Facilitaladescomposicióndelsistemaenmódulosmásmanejables.
Modelado Conceptual:
Introducción:
El modelado conceptual es un enfoque de representación abstracta de un sistema o proceso, independientemente de las
tecnologíasespecíficasdeimplementación.Suobjetivoescapturarlasideasfundamentalesyrelacionesentreconceptos.
Ejemplo de Aplicación:
Supongamosquequeremosmodelarelprocesodeunusuarioiniciandosesiónenunsistema.
Objetos:
● Usuario,Sistema,BasedeDatos.
Mensajes:
● ElUsuarioenvía"IniciarSesión"alSistema.
LíneasdeVida:
● RepresentaneltiempodevidadelUsuario,SistemayBasedeDatos.
Activaciones:
● MostrareltiempoqueelSistemadedicaalaverificacióndecredenciales.
Introducción:
ElDiagramadeEstadosenUMLmodelaelcomportamientodeunobjetoalolargodesuciclodevida,representandolos diferentes
estados que puede tener y las transiciones entre ellos.
Elementos Principales:
Estado:
● Representaunacondiciónenlavidadeunobjetodurantelacualcumplealgunacondición,realizaalguna
actividad o espera algún evento.
Transición:
● Indicaelcambiodeunestadoaotroylascondicionesbajolascualesseproduceesecambio.
InicioyFin:
● Estadosespecialesquerepresentanelinicioyelfinaldelciclodevidadelobjeto.
Ejemplo de Aplicación:
Supongamosquemodelamoselestadodeunpedidoenunsistemadecomercioelectrónico.
Estados:
● Usuario hace una consulta.
Transiciones:
● Chatbot procesa la consulta.
InicioyFin:
● Proporciona respuesta o guía al usuario.
DiagramadeProcesos (UML):
Introducción:
ElDiagramadeProcesosenUML,tambiénconocidocomoDiagramadeActividad,modelaelflujodecontrolentre actividades en un
sistema. Es especialmente útil para representar procesos de negocio.
Elementos Principales:
Actividades:
● Usuario--
FlujodeControl:
● Indicalasecuenciadeactividades.
Decisiones:
● Puntosenloscualeselflujosedivideenbaseacondiciones.
Fusiones:
● Puntosdondelosflujosconvergendespuésdetomardecisiones.
Ejemplo de Aplicación:
Supongamosquequeremosmodelarelprocesodereservadeunvueloenunsistemadereservasenlínea.
Actividades:
● "Seleccionarvuelo","Ingresardatosdelpasajero","Realizarpago","Confirmarreserva".
FlujodeControl:
● Conectalasactividadesenlasecuenciacorrecta.
Decisiones:
● Silatarjetadecréditoesválida,ira"Confirmarreserva".
Fusiones:
● Despuésdecompletarcadaactividad,sefusionaenlaactividadsiguiente.
Diagrama HIPO Jerárquico:
Introducción:
EldiagramaHIPOjerárquicoesunatécnicadediseñoestructuradoquerepresentagráficamentelaestructurajerárquicade un
sistema. Se utiliza para descomponer un sistema en módulos o subsistemas más manejables.
Componentes Principales:
BloquesdeEntrada:
● Representanlosdatosdeentradaalsistema.
Bloques de Proceso:
● Describenlasfuncionesoprocesosqueoperansobrelasentradasparaproducirsalidas.
Bloques de Almacenamiento:
● Indicandondesealmacenanlosdatostemporalesopermanentes.
Bloques de Salida:
● Representanlosresultadososalidasdelsistema.
Ejemplo de Aplicación:
Supongamosqueestamosdiseñandoelsistemadeunabiblioteca.
BloquesdeEntrada:
● "DatosdelLibro","SolicituddePréstamo".
Bloques de Proceso:
● "VerificarDisponibilidad","RegistrarPréstamo".
Bloques de Almacenamiento:
● "BasedeDatosdeLibrosPrestados".
Bloques de Salida:
● "ConfirmacióndePréstamo","EstadodeDisponibilidad".
Ejemplo de Aplicación:
Continuandoconelejemplodelabiblioteca: Columnas:
● "VerificarDisponibilidad","RegistrarPréstamo","ActualizarBasedeDatos".
Entradas y Salidas:
● "DatosdelLibro"y"SolicituddePréstamo"ingresanenlacolumna"VerificarDisponibilidad",ylassalidas fluyen
hacia las siguientes columnas.
ConexionesVerticales:
● Indicanelflujodedatosentrelasfunciones.
Importancia de HIPO:
DescomposiciónModular:
● Facilitaladivisióndeunsistemacomplejoenmódulosmásmanejables.
Claridad en la Lógica de Proceso:
● Permiteunarepresentaciónvisualclaradecómoseprocesanlosdatos.
Documentación Efectiva:
● Sirvecomounaherramientadedocumentaciónparadiseñadoresydesarrolladores.
Conclusión
Nombres:
Dariel Miguel
Apellido:
Castillo Lamarche
Maestro(a):
Luis BessewellFeliz
Asignatura:
Introducción a IA
Matricula:
2023-1907
Fecha:
Introducción
ComenzaremosporexaminarelMachineLearning(ML)yelDeepLearning(D
L),ramasdelainteligenciaartificial que han transformado radicalmente la
forma en que abordamos problemas complejos. El ML, centrado en el
aprendizaje a partir de datos, y el DL, que utiliza redes neuronales
profundas para modelar patrones, han revolucionado campos como la
visión por computadora, procesamiento del lenguaje natural y
reconocimiento de patrones.
EltrabajotambiénseadentraráenelusodelHierarchicalInputProcessOutput(HIPO),unaté
cnicaestructurada para el diseño de sistemas. Analizaremos tanto el enfoque jerárquico
como el columnar, destacando cómo HIPO permite descomponer sistemas complejos
en partes más manejables, facilitando así el proceso de diseño y comprensión.
Amedidaquenossumergimosenestostemas,esperamosqueestetrabajosirvac
omounaguíaintegralyaccesible, proporcionando información valiosa para
estudiantes, profesionales y entusiastas de la tecnología que buscan
comprender y aplicar estas herramientas en sus respectivos campos.
Machine Learning:
Introducción:
El aprendizaje automático, o machine learning, es una rama de la inteligencia artificial que se centra en desarrollar
algoritmosymodelosquepermitenalasmáquinasaprenderpatronesytomardecisionessinintervenciónhumanadirecta.A
diferencia de los enfoques tradicionales de programación, en los que se especifican reglas explícitas, el machine learning
permite a las máquinas aprender automáticamente a partir de datos.
TiposdeMachineLearning:
AprendizajeSupervisado:
● Definición:Algoritmosentrenadosconunconjuntodedatosetiquetado,dondeseproporcionanejemplosde
entrada y la salida deseada.
● Ejemplos:Regresiónyclasificación.
AprendizajeNoSupervisado:
● Definición:Algoritmosqueseentrenancondatosnoetiquetados,permitiendoquelamáquinadescubra
patrones y estructuras por sí misma.
● Ejemplos:Clusteringyreduccióndedimensionalidad.
AprendizajeporReforzamiento:
● Definición:Losalgoritmosaprendenmediantelainteracciónconunentorno,tomandodecisionesy
recibiendo retroalimentación en forma de recompensas o penalizaciones.
● Ejemplos:Q-Learning,algoritmosgenéticos.
ProcesodeMachineLearning:
RecopilacióndeDatos:
● Obtencióndeconjuntosdedatosrelevantesyrepresentativosparaelproblema.
PreprocesamientodeDatos:
● Limpiezaytransformacióndedatosparaeliminarruidoyprepararlosparaelentrenamiento.
SeleccióndeModelo:
● Eleccióndelalgoritmomásadecuadosegúnlanaturalezadelproblema.
EntrenamientodelModelo:
● Ajustedelosparámetrosdelmodeloutilizandoelconjuntodedatosdeentrenamiento.
EvaluacióndelModelo:
● Pruebasdelmodeloconunconjuntodedatosindependienteparamedirsurendimiento.
AjusteyOptimización:
● Modificacióndeparámetrososeleccióndemodelosalternativosparamejorarelrendimiento.
Despliegue:
● Implementacióndelmodeloenunentornodeproducción.
Desafíosen Machine Learning:
OverfittingyUnderfitting:
● Problemascomunesduranteelentrenamientodelmodelo.
Dimensionalidad:
● Manejodeconjuntosdedatosconmuchascaracterísticas.
InterpretacióndeModelos:
● Comprensióndecómotomandecisioneslosmodelos,especialmenteencasosdemodeloscomplejos.
ChatsBOTS:
Introducción:
Los chatbots son programas informáticos ligeramente similares a una IA (ambas simulan conversaciones humanas) pero mas
tontas en pocas palabras, están limitados por palabras claves exceptuando los que usan el leguaje de procesamiento natural
NPL.
Diagramas:
Introducción:
Los chatbots al ser componentes de sistemas software, pueden involucrar varios diagramas en su desarrollo y compresión.
TiposdeDiagramasen Chatbots:
Diagramadeflujo de conversación:
● Visualiza el flujo de interacción entre el usuario y el ChatBOTS, detallando las decisiones y acciones
tomadas en cada paso.
DiagramadeCasos de Uso:
● Identifica los diferentes casos de uso que el chatbot debe manejar, mostrando las interacciones entre actores y
el sistema.
DiagramadeSecuencia:
● Describelainteracciónentrediferentesobjetosalolargodeltiempo,mostrandolasecuenciademensajes entre
ellos.
DiagramadeActividad:
● Modelaelflujodeactividadesyaccionesenunproceso,destacandolasecuenciaycondicionesdecontrol.
DiagramadeEstado:
● Representalosposiblesestadosdeunobjetoylastransicionesentreestosestados.
DiagramadeComponentes:
● Ilustralasdependenciasentrediferentescomponentesenunsistema.
DiagramadeDespliegue:
● Muestraladisposiciónfísicadeloscomponentesenelhardware.
Importancia de UML:
ComunicaciónEfectiva:
● Facilitalacomprensiónentredesarrolladores,diseñadoresyotrosstakeholders.
DocumentaciónClara:
● Proporcionaunadocumentaciónvisualcompletaydetalladadelsistema.
DeteccióndeProblemas:
● Ayudaaidentificarposiblesproblemasdediseñoantesdelaimplementación.
HIPO(HierarchicalInputProcessOutput):
Introducción:
HIPOesunatécnicadediseñoestructuradoqueutilizaunarepresentacióngráficajerárquicaparadescribirlaestructurade un
programa o sistema. Se centra en la entrada (Input), el proceso (Process), y la salida (Output) de la información.
VentajasdeHIPO:
ClaridadEstructural:
● Larepresentaciónjerárquicafacilitalacomprensióndelalógicadelsistema.
IdentificacióndeDatos:
● Permiteidentificarfácilmentelosdatosdeentrada,procesamientoysalida.
DescomposiciónModular:
● Facilitaladescomposicióndelsistemaenmódulosmásmanejables.
Modelado Conceptual:
Introducción:
El modelado conceptual es un enfoque de representación abstracta de un sistema o proceso, independientemente de las
tecnologíasespecíficasdeimplementación.Suobjetivoescapturarlasideasfundamentalesyrelacionesentreconceptos.
Ejemplo de Aplicación:
Supongamosquequeremosmodelarelprocesodeunusuarioiniciandosesiónenunsistema.
Objetos:
● Usuario,Sistema,BasedeDatos.
Mensajes:
● ElUsuarioenvía"IniciarSesión"alSistema.
LíneasdeVida:
● RepresentaneltiempodevidadelUsuario,SistemayBasedeDatos.
Activaciones:
● MostrareltiempoqueelSistemadedicaalaverificacióndecredenciales.
Introducción:
ElDiagramadeEstadosenUMLmodelaelcomportamientodeunobjetoalolargodesuciclodevida,representandolos diferentes
estados que puede tener y las transiciones entre ellos.
Elementos Principales:
Estado:
● Representaunacondiciónenlavidadeunobjetodurantelacualcumplealgunacondición,realizaalguna
actividad o espera algún evento.
Transición:
● Indicaelcambiodeunestadoaotroylascondicionesbajolascualesseproduceesecambio.
InicioyFin:
● Estadosespecialesquerepresentanelinicioyelfinaldelciclodevidadelobjeto.
Ejemplo de Aplicación:
Supongamosquemodelamoselestadodeunpedidoenunsistemadecomercioelectrónico.
Estados:
● Usuario hace una consulta.
Transiciones:
● Chatbot procesa la consulta.
InicioyFin:
● Proporciona respuesta o guía al usuario.
DiagramadeProcesos (UML):
Introducción:
ElDiagramadeProcesosenUML,tambiénconocidocomoDiagramadeActividad,modelaelflujodecontrolentre actividades en un
sistema. Es especialmente útil para representar procesos de negocio.
Elementos Principales:
Actividades:
● Usuario--
FlujodeControl:
● Indicalasecuenciadeactividades.
Decisiones:
● Puntosenloscualeselflujosedivideenbaseacondiciones.
Fusiones:
● Puntosdondelosflujosconvergendespuésdetomardecisiones.
Ejemplo de Aplicación:
Supongamosquequeremosmodelarelprocesodereservadeunvueloenunsistemadereservasenlínea.
Actividades:
● "Seleccionarvuelo","Ingresardatosdelpasajero","Realizarpago","Confirmarreserva".
FlujodeControl:
● Conectalasactividadesenlasecuenciacorrecta.
Decisiones:
● Silatarjetadecréditoesválida,ira"Confirmarreserva".
Fusiones:
● Despuésdecompletarcadaactividad,sefusionaenlaactividadsiguiente.
Diagrama HIPO Jerárquico:
Introducción:
EldiagramaHIPOjerárquicoesunatécnicadediseñoestructuradoquerepresentagráficamentelaestructurajerárquicade un
sistema. Se utiliza para descomponer un sistema en módulos o subsistemas más manejables.
Componentes Principales:
BloquesdeEntrada:
● Representanlosdatosdeentradaalsistema.
Bloques de Proceso:
● Describenlasfuncionesoprocesosqueoperansobrelasentradasparaproducirsalidas.
Bloques de Almacenamiento:
● Indicandondesealmacenanlosdatostemporalesopermanentes.
Bloques de Salida:
● Representanlosresultadososalidasdelsistema.
Ejemplo de Aplicación:
Supongamosqueestamosdiseñandoelsistemadeunabiblioteca.
BloquesdeEntrada:
● "DatosdelLibro","SolicituddePréstamo".
Bloques de Proceso:
● "VerificarDisponibilidad","RegistrarPréstamo".
Bloques de Almacenamiento:
● "BasedeDatosdeLibrosPrestados".
Bloques de Salida:
● "ConfirmacióndePréstamo","EstadodeDisponibilidad".
Ejemplo de Aplicación:
Continuandoconelejemplodelabiblioteca: Columnas:
● "VerificarDisponibilidad","RegistrarPréstamo","ActualizarBasedeDatos".
Entradas y Salidas:
● "DatosdelLibro"y"SolicituddePréstamo"ingresanenlacolumna"VerificarDisponibilidad",ylassalidas fluyen
hacia las siguientes columnas.
ConexionesVerticales:
● Indicanelflujodedatosentrelasfunciones.
Importancia de HIPO:
DescomposiciónModular:
● Facilitaladivisióndeunsistemacomplejoenmódulosmásmanejables.
Claridad en la Lógica de Proceso:
● Permiteunarepresentaciónvisualclaradecómoseprocesanlosdatos.
Documentación Efectiva:
● Sirvecomounaherramientadedocumentaciónparadiseñadoresydesarrolladores.
Conclusión
He profundizado en la intersección entre Matching Learning y los chatbots en mi exploración de cómo se interrelacionan en l
a evolución de la inteligencia artificial conversacional. Se ha demostrado que Matching Learning mejora las respuestas del ch
atbot a las preguntas generadas por los usuarios mediante el análisis de la literatura y la realización de experimentos prácticos
Matching Learning se presenta como una técnica vital para establecer relaciones contextuales, que puede ayudar a los chatbot
s a adaptarse a diferentes contextos de conversación. Este método permite a los chatbots comprender las entradas de los usuar
ios y generar respuestas más precisasDesde la perspectiva de un estudiante, esta investigación ha proporcionado una demostra
ción práctica de cómo Matching Learning puede mejorar la funcionalidad del chatbot. El uso de algoritmos de Matching Lear
ning en el desarrollo de chatbots es una vía prometedora para mejorar la experiencia del usuarioEn resumen, este trabajo contr
ibuye a la comprensión de cómo Matching Learning puede mejorar la inteligencia de los chatbots, proporcionando una perspe
ctiva valiosa para estudiantes y profesionales interesados en combinar estas tecnologías dentro del dominio de la inteligencia
artificial conversacional