Universidad Nacional Autónoma de México

Facultad de Ingeniería
Ingeniería en Computación

Inteligencia Artificial

Guillermo Molero-Castillo
Email: g.moleroc@gmail.com Enero, 2019
1
 I. Modelos y tipos de aprendizaje

Complejidad de modelos de IA

Predice y luego
¿Qué se debe hacer? sugiere acciones
Acciones para una mejor
Análisis toma de decisiones
Prescriptivo
Previsión, anticipación
¿Qué podría pasar?
(Foresight)
Análisis
Predictivo
¿Qué sucede? Percepción, agudeza
(Insight)
Valor

Análisis
Descriptivo

Comprensión, retrospectiva
(Hindsight)

Nivel de complejidad

2
 1. Modelos
Meta modelo
Es un modelo global que describe otros
modelos.

Modelo
Es una representación formal de un problema.
Diferentes modelos pueden representar el mismo
problema desde distintos puntos de vista.

Proceso
Representa una secuencia de pasos generales para la
construcción de modelos. Los pasos pueden estar
distribuidos en varios niveles de detalle.

Método
Es un conjunto de lineamientos y pasos
específicos que trazan un camino para
alcanzar un fin o propósito específico.

Algoritmo
Es un conjunto de instrucciones ordenadas
de manera lógica que permite solucionar un
determinado problema.
3
1. Modelos de IA

Modelar comportamientos inteligentes.

Modelos en IA

Modelos Modelos
descriptivos predictivos

¿Qué sucede? ¿Qué podría pasar?

Modelos
prescriptivos

¿Qué debemos hacer?

Predice y luego sugiere acciones para una mejor toma de decisiones

4
2. Tipos de aprendizaje

Tipos de
Aprendizaje

Descriptivo Aprendizaje no Aprendizaje Inferencial o

o Deductivo supervisado supervisado Inductivo

Aprendizaje
reforzado

Basado en
estímulos
(condiciones)

5
2. Tipos de aprendizaje

a. Algoritmos de aprendizaje no supervisados

§ Tratan de determinar la estructura oculta a partir de los datos.

§ Los datos no requieren ser pre-etiquetados.
§ Por ejemplo, calcular las distancias de los elementos y luego agruparlos y dividirlos en
pequeños subgrupos.
§ Otro ejemplo son los sistemas de recomendación del tipo X entonces Y.

6
2. Tipos de aprendizaje

b. Algoritmos de aprendizaje supervisados

§ En este tipo de algoritmos se requiere etiquetar los datos, conocido como variables clase o
variables dependientes.
§ Basado en las características de los datos etiquetados se pueden hacer clasificaciones o
regresiones.
§ Por ejemplo, predicción del número de ventas de un determinado producto, pronóstico del
consumo eléctrico.

7
2. Tipos de aprendizaje

c. Algoritmos de aprendizaje reforzado

§ Es conocido como aprendizaje reforzado o por refuerzo.

§ Aprenden por ensayo y error en un entorno simulado.
§ Por ejemplo, simulaciones con el método de Montecarlo, programación dinámica ,
aplicaciones en robótica.

8
2. Tipos de aprendizaje

d. Aprendizaje mixto

§ Es la combinación de uno o más algoritmos de aprendizaje supervisados, no supervisados y

por refuerzo.
§ Algunos de sus usos generales incluyen clasificación, reconocimiento de patrones,
detección de anomalías y agrupamiento.