Universidad católica tecnológica de Barahona

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.