Artificial Intelligence (IA) es el campo de la computer science dedicado a crear sistemas que pueden realizar tareas que requieren inteligencia humana: razonar, aprender, percibir, y decidir.
AI vs ML vs Deep Learning
| Término | Definición |
|---|---|
| AI | Cualquier sistema que simula inteligencia humana |
| ML | Subset de AI: sistemas que aprenden de datos |
| Deep Learning | Subset de ML: redes neuronales profundas |
Tipos de Machine Learning
Supervised Learning
- Datos etiquetados:
(X, y). - Objetivo: aprender
f: X → y. - Ejemplos: clasificación, regresión.
Unsupervised Learning
- Datos sin etiquetas: solo
X. - Objetivo: encontrar estructura en los datos.
- Ejemplos: clustering, PCA.
Reinforcement Learning
- Agente aprende mediante recompensas en un entorno.
- Objetivo: maximizar recompensa acumulada.
- Ejemplos: juegos, robótica.
Train/Validation/Test Split
| Split | Propósito | Tamaño típico |
|---|---|---|
| Train | Entrenar modelo | 60-80% |
| Validation | Tuning de hiperparámetros | 10-20% |
| Test | Evaluación final | 10-20% |
Overfitting y Underfitting
- Underfitting: modelo demasiado simple, no captura patrones.
- Overfitting: modelo demasiado complejo, memoriza el training set.
- Good fit: generaliza bien a datos nuevos.
Bias-Variance Tradeoff
- Bias: error por suposiciones simplificadoras (underfitting).
- Variance: error por sensibilidad a fluctuations en training data (overfitting).
- Tradeoff: reducir bias aumenta variance y viceversa.
Aplicaciones
- Computer Vision — detección de objetos, facial recognition
- NLP — chatbots, traducción, sentiment analysis
- Autonomous vehicles — percepción, decisión
- Healthcare — diagnóstico médico, drug discovery
- Finance — fraud detection, algorithmic trading
Trayectoria de Práctica
- Investiga historia de AI: Dartmouth 1956, AI winters, deep learning revolution.
- Investiga tipos de learning: ¿cuándo usar cada uno?
- Investiga train/val/test split: ¿por qué no se entrena con todo?
- Investiga regularization: L1, L2, dropout.
- Investiga transformers: ¿por qué revolucionaron NLP?