Resumen_parcial2_ia

Aprendizaje automatico

Son programas que mejoran su comportamiento a traves de experiencias

Aprendizaje inductivo

Datos de entrada especificos: ejemplos dados por el usuario

Datos de salida: modelo general, que puede ser aplicada a todos los ejemplos.

Aprendizaje Inductivo

Datos entrada: reglas o modelo general

Datos salida: reglas especificas

Aprendizaje por refuerzo

El sistema aprende mediante prueba y error

Se realiza para inferir reglas de comportamiento

Modelo de agentes que aprenden

Elemento aprendizaje: realiza mejoras

Elemento de actuacion: responsable de elegir acciones externas
Critica: como se debe modificar el elemento de actuacion para mejorar los resultados
Generador de problemas: sugerir acciones que conduzcan experiencias nuevas.

Aprendizaje

Los distintos tipos de aprendizaje son:

Aprendizaje supervisado: se utiliza para entrenar con modelos de datos etiquetados, es decir, el
algoritmo trabajara con datos de entrada y salida. A medida que entrena, utiliza los datos de
entrada para dar predicciones, y con esa predicciones los va a comparar con los datos de salida del
set original para minimizar el error.

Ejemplo: si queremos un algoritmo que quiera para predecir algún tipo de cerveza tendríamos como
entrada: amargor, grado de alcohol y acidez. Luego. como salida tendremos los tipos de cerveza
pertenecientes.

Aprendizaje No Supervisado: usa datos sin etiquetar. Se encargara de agrupar por distintas
categorías esos datos.
Ejemplo: cada punto de dato los podemos agrupar mediante un limite máximo de distancia. Es
 decir, si la distancia de un punto es menor al limite, entrara en el grupo y si es mayor comienza un
nuevo grupo.
Aprendizaje por refuerzo: en este tipo de aprendizaje la maquina aprenderá mediante prueba y
error, es decir, si acierta se lo premiara y si falla se lo penalizara.

Ejemplo: utilizado en juegos para entrenar jugadores autónomos.

Aprendizaje inductivo: obtiene un modelo general.

Ejemplo: el clasificador de gatitos va a tener una generalización de cada raza.

Aprendizaje deductivo: obtiene reglas especificas.

Ejemplo: el tipo de cerveza se puede sacar mediante los datos de amargor, acidez y grado de
alcohol.

Percepcion

La percepción es importante en el área de la Inteligencia Artificial ya que le aporta 'sentidos humanos' a

la maquina para procesar y responder ante el ambiente. Con la percepcion la IA puede utilizar sus
entradas sensoriales para procesar imágenes, audio, tacto, etc.

Es utilizado en sistemas como:

Asistentes virtuales: a través del micrófono recibe las ordenes de usuario en audio para trabajar.
Coches autónomos: estos tipos de Inteligencia Artificial utilizan cámaras para poder reconocer y
visualizar peatones, coches o señales de transito.

Red neuronal

Una red neuronal permite a las IA poder procesar informacion tal como lo hace el cerebro humano.
Estan formadas por nodos o neuronas interconectados por una estructura de capas parecido a la
procesacion del cerebro humano. La estructura esta formado por capas:
Entrada: reciben informacion de exterior
Salida: dan respuesta al exterior.
Ocultas: procesan datos e interconectan nodos

CNN

Las CNN es un tipo de aprendizaje automatico que utiliza redes neuronales muy utilizados en aquello
relacionado a NLP, computer vision, etc.
Esta formado por una serie de capas convolucionales como:

Capas de agrupacion
Capas completamente conectadas
Capa normalizacion

Clasificar fotos de gatitos segun raza

Al tratarse de imágenes, utilizaría una red neuronal convolucional ya que nos permite procesar
imágenes como si fuese el cerebro humano. Para entrenar la red neuronal, se trabajara con imágenes
de gatitos etiquetados, ósea, cada imagen va tener como etiqueta la raza en la que pertenece. Estas
redes están formadas por capas como RELU, Pooling o Flaten. Luego del entrenamiento, el algoritmo
va a tener una generalización o un patrón por cada raza de salida.

Problema viajante de comercio

1. Gen: una ciudad (representada como coordenadas (x,y))

2. Inidividuo: una ruta unica que satisface las condiciones del problema
3. Poblacion: una collecion de posibles rutas
4. Padres: dos rutas que se combian para crear una ruta nueva
5. Grupo de aparamiento: coleccion de padres que se utilizan para crear la proxima poblacion.
6. Fitness: una funcion que indica que tan buena es cada ruta
7. Mutacion: una forma de introducir variacion en la poblacion intercambiando aleatoriamente dos
ciudades en una ruta
8. Elitismo: una forma de llevar a los mejores individuos a la proxima generacion

Robotica

La robotica es un tipos de IA, donde recibe informacion del ambiente mediante sus sensores y mediante
sus efectores manipula fisicamente su entorno.
Un robot esta formado por:

Estructura mecanica
Transmisiones
Sistema de accionamiento
Sistema sensorial
Sistema de control
Elementos terminales