Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Unidad 1 Etica
Unidad 1 Etica
TEMA
Inteligencia artificial (I.A)
ASIGNATURA
Sistema operativo 1
NOMBRE
MANUEL ALEXANDER MELLA MERCEDES
MATRICULA
2023-0263
MAESTRO
Máximo pineda Andújar
FECHA
26/01/2024
1. Aprendizaje Supervisado:
Definición: Un modelo se entrena utilizando un conjunto de
datos etiquetado, donde la entrada y la salida esperada están
claramente definidas.
Uso: Clasificación, regresión, reconocimiento de patrones.
Ventajas: Precisión alta con datos de entrenamiento bien
etiquetados.
Desventajas: Depende de la disponibilidad de datos etiquetados
y puede no generalizar bien a datos no vistos.
Recomendación: Ideal cuando se tiene acceso a datos
etiquetados de alta calidad.
2. Aprendizaje No Supervisado:
Definición: El modelo se entrena en datos sin etiquetas, buscando
patrones y estructuras inherentes.
Uso: Agrupamiento, reducción de dimensionalidad, análisis de
anomalías.
Ventajas: Útil para descubrir patrones desconocidos y explorar
datos no etiquetados.
Desventajas: Resultados subjetivos y dependientes de la
interpretación del analista.
Recomendación: Útil cuando se carece de etiquetas y se busca
explorar la estructura de los datos.
3. Aprendizaje por Reforzamiento:
Definición: El modelo aprende tomando acciones en un entorno y
recibe recompensas o castigos según su desempeño.
Uso: Juegos, robótica, control de procesos.
Ventajas: Puede aprender estrategias complejas y adaptarse a
entornos cambiantes.
Desventajas: Requiere mucho tiempo de entrenamiento y puede
ser sensible a la elección de la función de recompensa.
Recomendación: Útil cuando se busca que un agente aprenda
comportamientos mediante interacción continua con su entorno.
4. Redes Neuronales Convolucionales (CNN):
Definición: Un tipo de red neuronal diseñada para procesar y
analizar datos visuales.
Uso: Visión por computadora, reconocimiento de imágenes.
Ventajas: Excelente para extraer características de datos visuales.
Desventajas: Puede requerir grandes cantidades de datos para
entrenar de manera efectiva.
Recomendación: Ideal para problemas relacionados con
imágenes y datos visuales.
5. Redes Neuronales Recurrentes (RNN):
Definición: Un tipo de red neuronal diseñada para trabajar con
secuencias de datos, manteniendo una memoria a lo largo del
tiempo.
Uso: Procesamiento de lenguaje natural, series temporales.
Ventajas: Manejo de dependencias temporales en datos.
Desventajas: Problemas con gradientes que desaparecen o
explotan durante el entrenamiento.
Recomendación: Útil para problemas con dependencias
temporales.
6. Máquinas de Vectores de Soporte (SVM):
Definición: Algoritmo que encuentra un hiperplano óptimo para
clasificar datos.
Uso: Clasificación, regresión, detección de anomalías.
Ventajas: Eficiente en espacios de alta dimensión, buen
rendimiento con datos no lineales.
Desventajas: Puede ser sensible al ruido y requiere una elección
cuidadosa de los parámetros.
Recomendación: Efectivo para problemas de clasificación en
espacios de alta dimensión.
7. Procesamiento del Lenguaje Natural (NLP):
Definición: Conjunto de técnicas para que las máquinas
comprendan, interpretan y generen texto humano.
Uso: Traducción automática, chatbots, análisis de sentimientos.
Ventajas: Facilita la interacción entre humanos y máquinas en
lenguaje natural.
Desventajas: Sensible a la ambigüedad del lenguaje y a cambios
en el uso del idioma.
Recomendación: Importante para aplicaciones centradas en el
procesamiento de texto.
8. Algoritmos Genéticos:
Definición: Algoritmos inspirados en la evolución biológica para
encontrar soluciones óptimas a problemas.
Uso: Optimización, búsqueda de soluciones.
Ventajas: Pueden encontrar soluciones en espacios de búsqueda
complejos.
Desventajas: Consumen recursos computacionales considerables
y pueden requerir muchos ajustes de parámetros.
Recomendación: Útil cuando se busca optimizar soluciones en
problemas complejos.
9. Redes Generativas Adversarias (GAN):
Definición: Dos redes neurales compiten entre sí, una generadora
crea datos y otra discriminadora evalúa su autenticidad.
Uso: Generación de imágenes, sintetización de datos.
Ventajas: Capacidad para generar datos realistas y diversos.
Desventajas: Puede ser difícil de entrenar y controlar, riesgo de
generar datos sesgados.
Recomendación: Ideal para la generación de datos sintéticos y
creativos.
10. Fusion de Modelos:
Definición: Combinación de múltiples modelos para mejorar el
rendimiento predictivo.
Uso: Ensemble learning, mejora de resultados.
Ventajas: Mayor robustez y generalización, reducción de
overfitting.
Desventajas: Aumento en la complejidad y los recursos
computacionales.
Recomendación: Útil cuando se busca mejorar la precisión y la
estabilidad del modelo final.