Conceptos b谩sicos de Inteligencia Artificial

En el caso de que apenas te estas iniciando en tu camino en el aprendizaje de Inteligencia Artificial, es muy probable que tengas confusi贸n con algunos conceptos que son fundamentales dentro de est谩 谩rea. Por lo que a continuaci贸n de explicar茅 brevemente los t茅rminos y conceptos clave que debes conocer y entender.

Inteligencia Artificial

La Inteligencia Artificial es un t茅rmino que se refiere a la capacidad de un computador o m谩quina para realizar tareas o tomar decisiones, al igual que los humanos. Los desarrolladores de Inteligencia Artificial pretenden reproducir en los sistemas, atributos humanos como la creatividad, el razonamiento l贸gico y la adquisici贸n de conocimientos a distintos niveles. Si vemos a los asistentes virtuales como Siri o Alexa, la gran mayor铆a de las plataformas de redes sociales, son una clara demostraci贸n de c贸mo la Inteligencia Artificial puede automatizar tareas espec铆ficas que antes solo pod铆an realizar los humanos.

Machine Learning

En t茅rminos sencillos, Machine Learning o Aprendizaje Autom谩tico es un subconjunto de la Inteligencia Artificial. Su n煤cleo radica en la idea de que los sistemas inform谩ticos pueden aprender por s铆 solos a partir de los datos obtenidos al realizar tareas anteriores y experiencias pasadas. Esto significa que no es necesario programar previamente un dispositivo de Inteligencia Artificial cada vez que se necesita que trabaje en una tarea.

Aprendizaje Supervisado

Machine Learning se divide en tres grandes 谩reas, la primera de ella es el Aprendizaje Supervisado. Este tipo de aprendizaje implica observaciones o puntos de datos etiquetados. Un algoritmo de Aprendizaje Supervisado modela la relaci贸n entre las variables independientes, es decir, las caracter铆sticas, y una variable dependiente, es decir, el objetivo o la etiqueta, todo esto dado un conjunto de datos con observaciones.

Para entender mejor esto te pongo como ejemplo un modelo que predice el precio de una casa en funci贸n de los a帽os de construcci贸n, ubicaci贸n y tama帽o. En este caso las caracter铆sticas vendr铆an siendo la edad, ubicaci贸n y tama帽o, mientras que el precio es el objetivo.

Aprendizaje no Supervisado

Escuela AprendeIA - Curso Aprende Inteligencia Artificial

La siguiente 谩rea de cobertura dentro de Machine Learning es el Aprendizaje no Supervisado. En este tipo de aprendizaje no se incluye etiquetas para las observaciones. Un algoritmo de Aprendizaje no Supervisado encuentra la estructura o los patrones subyacentes entre un conjunto de observaciones.

Para verlo de manera practica veamos un ejemplo, puede ser un negocio al por menor que divide a sus clientes en grupos en funci贸n de su comportamiento de compra. No hay ninguna etiqueta asociada a los clientes. En cambio, se espera que el algoritmo de Aprendizaje no Supervisado encuentre esas etiquetas.

Aprendizaje por Refuerzo

El 煤ltimo tipo de Machine Learning es el Aprendizaje por Refuerzo y se basa en el principio de acci贸n-recompensa. Un agente aprende a alcanzar un objetivo calculando iterativamente la recompensa de sus acciones.

Inclusive se puede considerar como un aprendizaje a partir de la interacci贸n. Es por esta raz贸n que en ocasiones se dice que el Aprendizaje por Refuerzo es similar a c贸mo aprendemos de nuestros errores. Un agente interact煤a con el entorno para alcanzar su objetivo y eval煤a el resultado de sus acciones. Las aplicaciones m谩s comunes del Aprendizaje por Refuerzo son los juegos de computador y la rob贸tica.

Clasificaci贸n

La clasificaci贸n es una t茅cnica de Aprendizaje Supervisado que se ocupa de variables objetivas discretas o categ贸ricas. Por ejemplo, detectar si un correo electr贸nico es deseado o no, esta vendr铆a siendo una tarea de clasificaci贸n. En el caso de que la variable objetivo solo tenga dos valores posibles, se le denomina clasificaci贸n binaria, en cambio si la variable contiene m谩s de dos valores o clases, se le denomina clasificaci贸n multiclase.

Regresi贸n

La regresi贸n es otra t茅cnica de Aprendizaje Supervisado en la que la variable objetivo es continua, es decir ac谩 siempre vamos a predecir un n煤mero. Un ejemplo t铆pico puede ser la predicci贸n del precio de la vivienda.

Clustering o Agrupamiento

El clustering o agrupamiento es una t茅cnica que se encuentra ligada al Aprendizaje no Supervisado y agrupa las observaciones de manera que las observaciones del mismo grupo son m谩s similares entre s铆 que las de otros grupos. Justamente a esos grupos se le conoce como cl煤steres. A diferencia de la clasificaci贸n, que explicamos anteriormente, las observaciones ac谩 no cuentan con etiquetan.

Un ejemplo de clustering es el de agrupar a los clientes de acuerdo a su comportamiento de compra.

Deep Learning

Si queremos una definici贸n sencilla y acertada, se podr铆a decir que el Deep Learning lleva a Machine Learning a un nivel superior. Pero veamos una definici贸n m谩s t茅cnica, y es que Deep Learning o Aprendizaje Profundo es un subconjunto de la Inteligencia Artificial y se refiere a la capacidad de un sistema para tomar datos no estructurados de m煤ltiples fuentes, analizarlos y aplicarlos para resolver nuevos problemas, pero para realizar todo esto utiliza redes neuronales artificiales, en su gran mayor铆a modificadas, que lo que hace es similar el comportamiento de las redes que tenemos nosotros en nuestro cerebro.

Redes Neuronales Artificiales

Las redes neuronales artificiales se refieren a un sistema o un algoritmo utilizado para Deep Learning que imita el funcionamiento de los circuitos neuronales del cerebro humano, por ejemplo, al dar sentido a las cosas y a los acontecimientos.

Expliquemos ahora varios conceptos que son m谩s espec铆ficos en el desarrollo de proyectos de Inteligencia Artificial pero que son muy importantes entender y tenerlos siempre en cuenta.

Conjunto de Datos

Es la materia prima de cualquier sistema de predicci贸n. Son los datos hist贸ricos utilizados para entrenar al sistema que detecta los patrones. El conjunto de datos o dataset como en ocasiones tambi茅n se le conoce, se compone de instancias, caracter铆sticas o propiedades.

Instancia, muestra o registro

Podemos encontrar esta definici贸n con cualquiera de estos t茅rminos, instancio, muestra o registro, pero se refiere a cada uno de los datos disponibles para el an谩lisis. Por ejemplo, si quieres predecir el comportamiento de los clientes del servicio de telefon铆a, cada instancia corresponder铆a a un abonado. Cada instancia, a su vez, est谩 compuesta por caracter铆sticas que la describen, como la edad del cliente en la empresa, el dinero que gasta diariamente en llamadas, entre otras caracter铆sticas.

Caracter铆sticas, atributo, propiedad o campo

De todas estas formas se les conoce a las caracter铆sticas que describen cada uno de los registros del conjunto de datos. Los nombres se pueden utilizar indistintamente todo va a depender del desarrollador y el contexto. Si continuamos con el ejemplo anterior, dentro de una cartera de clientes, las caracter铆sticas vendr铆an siendo la edad del cliente en la empresa, el dinero que gasta diariamente en las llamadas, entre otras.

Objetivo

El objetivo se refiere al atributo o factor que queremos predecir, el objetivo de la predicci贸n, como por ejemplo la probabilidad de reingreso de un paciente tras una operaci贸n.

Procesamiento de datos

Este es uno de los pasos fundamentales dentro del desarrollo de cualquier proyecto de Machine Learning. Es el proceso previo a la creaci贸n del modelo de predicci贸n en el que se realiza un an谩lisis, limpieza y estructuraci贸n de los campos de datos. Este proceso es uno de los m谩s importantes y en ocasiones costosos, del proceso de predicci贸n. El objetivo con este procedimiento es el de eliminar los campos que no ayudan a realizar la predicci贸n y organizarlos adecuadamente para que el modelo no reciba informaci贸n que no sea 煤til, que pueda provocar predicciones de baja calidad o confianza.

Modelo

Una vez que hayamos entrenado el sistema, es decir, tras detectar los patrones en los datos, se crea un modelo para que podamos hacer predicci贸n. Podemos decir que un modelo vendr铆a siendo algo parecido a un filtro en donde le ingresamos nuevos datos y la salida vendr铆a siendo la predicci贸n seg煤n los patrones que se han detectado en el entrenamiento.

Sobreajuste

El sobreajuste se produce cuando un modelo intenta ajustarse tan bien a los datos de entrenamiento que no puede realizar una buena predicci贸n cuando le ingresamos nuevas observaciones. El sobreajuste por lo general ocurre cuando queremos que nuestro modelo obtenga una predicci贸n casi perfecta por lo que lo forzamos a tal punto que el modelo se adapta a la perfecci贸n a los datos con el que se est谩 entrenando.

Subajuste

El subajuste vendr铆a siendo el contrario del sobreajuste. Un modelo subajustado no capta suficientes detalles en los datos de entrenamiento, por lo tanto, no funciona bien ni en los datos de entrenamiento ni en los de prueba.

Hemos cubierto ac谩, brevemente, algunos de los t茅rminos y conceptos clave dentro de la Inteligencia Artificial. Hay mucho m谩s que aprender, pero los fundamentos son siempre importantes ya que sientan las bases para lo que viene despu茅s.

Si conoces t茅rminos que aun se te complican entenderlos puedes dej谩rmelos en los comentarios para realizar una nueva publicaci贸n con esta informaci贸n.

Te dejo la siguiente pregunta para comprobar lo que has aprendido con este contenido: de las siguientes afirmaciones 驴cu谩l crees que es cierta?

Opci贸n 1: El Aprendizaje no Supervisado es uno de las 谩reas dentro de Machine Learning.

Respuesta Correcta.

Opci贸n 2: La clasificaci贸n es uno de los tipos de Aprendizaje no Supervisado.

Respuesta Incorrecta. La clasificaci贸n es uno de los tipos de Aprendizaje Supervisado.

Opci贸n 3: El sobreajuste se produce cuando un modelo intenta ajustarse tan bien a los datos de entrenamiento que no puede realizar una buena predicci贸n.

Respuesta Correcta.

2 comentarios en “Conceptos b谩sicos de Inteligencia Artificial”

  1. Alejandro Berm煤dez

    Una felicitaci贸n y agradecimiento por compartir de 茅sta manera tan apropiada conceptos que hasta a los programadores con experiencia se nos hacen dificiles.

Deja un comentario

Tu direcci贸n de correo electr贸nico no ser谩 publicada. Los campos obligatorios est谩n marcados con *

aprendeia

Conoce la ruta de aprendizaje ideal, para profesionales, para aprender Inteligencia Artificial