I N T E L I G E N C I A A RT I F I C I A L

UNIVERSIDAD NACIONAL DE TRUJILLO

FACULTAD DE INGENIERIA
ESCUELA PROFESIONAL DE ING.
SISTEMAS
INGENIERO:
Mg. Tenorio Cabrera, Julio Luis
ALUMNOS:
• Chacón Ibarrola, Josué
• Huangal Becerra, Gian
• Reyes Ysla, Eros
• Mendoza Germán, Nahúm

CICLO:VIII AÑO: 2019

• El Machine Learning y el Deep Learning, en español Aprendizaje Automático (AA)
y Aprendizaje Profundo (AP), junto con la IA, han sido mencionados en incontables artículos y
medios de comunicación, regularmente fuera de las esferas de las publicaciones tecnológicas.
• Primero que todo, definamos claramente de que estamos hablando cuando hablamos de
inteligencia artificial. ¿Qué es Inteligencia Artificial, el Aprendizaje Automático y el Aprendizaje
Profundo? Y ¿Cuál es la relación entre estos términos?
• Es el esfuerzo de automatizar tareas intelectuales normalmente realizadas por
humanos.

• Es la inteligencia llevada a cabo por máquinas.

• La capacidad de un sistema para interpretar correctamente datos externos,

para aprender de dichos datos y emplear esos conocimientos para lograr
tareas y metas concretas a través de la adaptación flexible.
• El AA (aprendizaje automático) surgió entonces de preguntas como:
¿puede un computador ir más allá de lo que le ordenamos como hacer y
aprender por sí mismo como realizar una tarea específica? ¿Podría un
computador sorprendernos?
Y, en vez de programadores especificando regla por regla como procesar datos,
¿podría un computador automáticamente aprender esas reglas directamente de
los datos que le pasamos?
Es decir, el AA es una disciplina aplicada, en la cual las ideas son probadas mucho
más a menudo de forma empírica que de forma teórica.
• Los modelos geométricos:
Construidos en el espacio de instancias y que pueden tener una, dos o múltiples dimensiones. Si hay
un borde de decisión lineal entre las clases, se dice que los datos son linealmente separables. Un límite
de decisión lineal se define como w * x = t, donde w es un vector perpendicular al límite de decisión,
x es un punto arbitrario en el límite de decisión y t es el umbral de la decisión.

• Los modelos probabilísticos:

Intentan determinar la distribución de probabilidades descriptora de la función que enlaza a los
valores de las características con valores determinados. Uno de los conceptos claves para desarrollar
modelos probabilísticos es la estadística bayesiana.

• Los modelos lógicos:

Transforman y expresan las probabilidades en reglas organizadas en forma de árboles de decisión.
• Aprendizaje supervisado
Estos métodos son los más sencillos de realizar. En ellos se parte de un conocimiento a priori. El
objetivo es, mediante unos datos de entrenamiento, deducir una función que haga lo mejor
posible el mapeo entre unas entradas y una salida. Los datos de entrenamiento constan de
tuplas (X,Y), siendo X las variables que predicen una determinada salida Y.
La fórmula del riesgo empírico es:

siendo L una función de coste, w un conjunto de

parámetros y xixi los datos de que predicen la variable
Se aproxima la función f con (f^) tal que:
• Aprendizaje no supervisado
Se llama no supervisado porque, contrariamente al supervisado, tiende a ser más
subjetivo ya que no tiene respuestas correctas. Los algoritmos sirven para
descubrir y presentar estructuras interesantes en los datos.
En términos generales, pueden ser agrupados en algoritmos de clustering y
algoritmos de asociación
• Aprendizaje semi supervisado
El reto se encuentra en combinar datos etiquetados y no etiquetados para
construir un modelo supervisado que sea mejor ya que:
La cantidad de datos etiquetados se puede aumentar, lo que generalmente
mejora los resultados de los modelos.
Hay un alto coste de etiquetar los datos X sin etiquetas.
Supone que los datos etiquetados y no etiquetados provienen de
la misma distribución. Por otro lado, puede existir un sesgo en la elección de
datos no etiquetados.
• Aprendizaje por refuerzo
En los casos de aprendizaje supervisado se cuenta con tuplas (X,Y). Sin embargo,
el caso de aprendizaje por refuerzo lo que tenemos son problemas no
supervisados que sólo reciben re alimentaciones o refuerzos (por ejemplo, gana
o pierde).
Se sustituye la información supervisada (Y) por información del
tipo acción/reacción.
El objetivo en el aprendizaje por refuerzo es aprender a mapear situaciones de
acciones para maximizar una cierta función de recompensa.
En estos problemas un agente aprende por prueba y error en un ambiente
dinámico e incierto.
• Árboles de decisiones
Este tipo de aprendizaje usa un árbol de decisiones como modelo predictivo. Se mapean
observaciones sobre un objeto con conclusiones sobre el valor final de dicho objeto.
• Reglas de asociación
Los algoritmos de reglas de asociación procuran descubrir relaciones interesantes entre
variables. Entre los métodos más conocidos se hallan el algoritmo a priori, el algoritmo Eclat y el
algoritmo de Patrón Frecuente.
• Algoritmos genéticos
Los algoritmos genéticos son procesos de búsqueda heurística que simulan la selección natural.
Usan métodos tales como la mutación y el cruzamiento para generar nuevas clases que puedan
ofrecer una buena solución a un problema dado.
• Redes neuronales artificiales
Las redes de neuronas artificiales (RNA) son un paradigma de aprendizaje automático inspirado
en las neuronas de los sistemas nerviosos de los animales. Se trata de un sistema de enlaces de
neuronas que colaboran entre sí para producir un estímulo de salida. Las conexiones tienen
pesos numéricos que se adaptan según la experiencia.

• Máquinas de vectores de soporte

Las MVS son una serie de métodos de aprendizaje supervisado usados para clasificación y
regresión. Los algoritmos de MVS usan un conjunto de ejemplos de entrenamiento clasificado en
dos categorías para construir un modelo que prediga si un nuevo ejemplo pertenece a una u otra
de dichas categorías.
• Algoritmos de agrupamiento
El análisis por agrupamiento (clustering en inglés) es la clasificación de observaciones en subgrupos —
clusters— para que las observaciones en cada grupo se asemejen entre sí según ciertos criterios.

• Redes bayesianas
Una red bayesiana, red de creencia o modelo acíclico dirigido es un modelo probabilístico que representa
una serie de variables de azar y sus independencias condicionales a través de un grafo acíclico dirigido. Una
red bayesiana puede representar, por ejemplo, las relaciones probabilísticas entre enfermedades y síntomas.

• Aprendizaje profundo (Deep learning)

Es un conjunto de algoritmos de aprendizaje automático (en inglés, machine learning) que intenta modelar
abstracciones de alto nivel en datos usando arquitecturas computacionales que admiten transformaciones
no lineales múltiples e iterativas de datos expresados en forma matricial o tensorial.
• El aprendizaje supervisado se caracteriza por contar con información que
especifica qué conjuntos de datos son satisfactorios para el objetivo del
aprendizaje.

• En el aprendizaje no supervisado, en cambio, el programa no cuenta con datos

que definan qué información es satisfactoria o no. El objetivo principal de estos
programas suele ser encontrar patrones que permitan separar y clasificar los
datos en diferentes grupos, en función de sus atributos.
• El Deep Learning lleva a cabo el proceso de Machine Learning usando una red neuronal
artificial que se compone de un número de niveles jerárquicos. En el nivel inicial de la jerarquía
la red aprende algo simple y luego envía esta información al siguiente nivel. El siguiente nivel
toma esta información sencilla, la combina, compone una información algo un poco más
compleja, y se lo pasa al tercer nivel, y así sucesivamente.

• Por ejemplo, al tener la imagen de un gato, el nivel inicial de una red de Deep Learning podría
utilizar las diferencias entre las zonas claras y oscuras de la imagen para saber dónde están los
bordes. El nivel inicial pasa esta información al segundo nivel, que combina los bordes
construyendo formas simples, como una línea diagonal o un ángulo recto. El tercer nivel
combina las formas simples y obtiene objetos más complejos cómo óvalos o rectángulos. El
siguiente nivel podría combinar los óvalos y rectángulos, formando barbas, patas o colas
rudimentarias. El proceso continúa hasta que se alcanza el nivel superior en la jerarquía, en el
cual la red aprende a identificar gatos.