Resumen del módulo
Enhorabuena Ha completado este módulo. A estas alturas del módulo,
ya lo sabes:
Aprendizaje automático, un subconjunto de la IA, utiliza algoritmos
para analizar datos, toma decisiones sin programación explícita y
permite la resolución autónoma de problemas.
Existen tres tipos principales de Aprendizaje automático:
o Aprendizaje supervisado:
Se entrena con etiquetas para clasificar nuevos datos
Se vuelve más preciso con más datos
Categorías:
Regresión: Estima valores continuos
Redes neuronales: Imita la estructura del cerebro
humano
Clasificación: Se centra en valores discretos
o Aprendizaje no supervisado:
Encuentra patrones en datos no etiquetados
Útil para agrupar puntos de datos similares y detectar
anomalías
o Aprendizaje de refuerzo:
Alcanza objetivos dentro de un conjunto de reglas y
restricciones maximizando las recompensas
Útil para tareas como jugar al ajedrez o navegar
Entrenar un modelo implica dividir un conjunto de datos en
conjuntos de entrenamiento, validación y prueba.
o Conjunto de entrenamiento: Entrena el algoritmo
o Conjunto de validación: Afina y valida el modelo
o Conjunto de pruebas: Evalúa el rendimiento del modelo
El Aprendizaje profundo utiliza redes neuronales con múltiples
capas para analizar datos complejos. Permite la mejora continua y
el aprendizaje. Mejora la comprensión del lenguaje natural de la IA
al captar el contexto y la intención. Destaca en varias tareas:
o Subtitulado de imágenes
o Reconocimiento de voz
o Reconocimiento facial
o Imágenes médicas
o Traducción de idiomas
o Coches sin conductor
Redes neuronales, modelo computacional formado por nodos
interconectados con tres capas. Se trata de una capa de entrada,
una o varias capas ocultas y una capa de salida.
Hay varios tipos de redes neuronales: perceptrón, feed-forward,
deep feed-forward, modular, red neuronal convolucional y redes
neuronales recurrentes.
Las arquitecturas de modelos IA generativos incluyen VAE, GAN,
modelos autorregresivos y transformadores.
Autocodificadores variacionales (VAE):
o Codificador: datos de entrada en una representación de
espacio latente
o El espacio latente captura las características esenciales de
los datos
o Decodificador: Genera salidas basadas en esta
representación
Redes generativas adversarias (GAN):
o Generador: Nuevas muestras de datos
o Discriminador: Verifica los datos generados
Modelos autorregresivos:
o Crear datos secuencialmente
o Considerar el contexto
Transformadores:
o Generar secuencias de texto
o Realizan traducciones entre idiomas de forma eficaz
Los modelos pueden ser unimodales o multimodales. Los modelos
unimodales procesan entradas y generan salidas dentro de la
misma modalidad, mientras que los modelos multimodales
manejan entradas de una modalidad y producen salidas en una
modalidad diferente.
La tecnología de computación cognitiva imita procesos cognitivos
humanos como el pensamiento, el razonamiento y la resolución de
problemas.
Procesamiento de lenguaje natural ayuda a los ordenadores a
interpretar y producir el lenguaje humano y utiliza algoritmos de
aprendizaje automático y aprendizaje profundo para comprender
el significado semántico de una palabra deconstruyendo las frases
gramatical, relacional y estructuralmente.
La tecnología de voz a texto (STT) transforma las palabras
habladas en texto escrito.
La tecnología de texto a voz (TTS) convierte el texto escrito en
palabras habladas.
La visión por ordenador permite a las máquinas comprender datos
visuales analizando imágenes o vídeos, extrayendo conclusiones
significativas y tomando decisiones informadas.
Los dispositivos IoT son una red de aparatos físicos conectados a
Internet que recopilan y comparten datos para su procesamiento y
análisis.
La computación en la nube permite almacenar y utilizar datos y
servicios a través de Internet.
Computación periférica se refiere a la práctica de procesar datos
más cerca de la fuente de generación, en lugar de depender de un
centro de datos centralizado.
La intersección de la IA, el IoT, la computación en la nube y la
computación en el borde le ofrece aplicaciones inteligentes y en
tiempo real.
Las aplicaciones en el mundo real de la IA, la computación en la
nube, la computación en los bordes y la IoT pueden incluir
semáforos impulsados por IA, transporte público inteligente,
agricultura inteligente y edificios inteligentes.
