Parcial inteligencia artificial I
NOMBRE: Esteban Castaño Rivera
Instrucciones-Recomendaciones: Lea cuidadosamente toda la prueba, no olviden indicar las
unidades correspondientes para cada variable, ejercicios resueltos sin procedimientos no serán
válidos. No se resuelven preguntan de ninguna clase. El uso de la calculadora está completamente
prohibido. Cualquier indicio de fraude produce un 0 como nota. Tenga en cuenta que no deberá
tener sobre el escritorio cualquier elemento no autorizado por el docente, en caso de tenerlo su
nota será
0. Respuestas incompletas no serán válidas. La prueba está diseñada para una duración de
máximo una hora y cuarenta y cinco minutos
1. (10%) Explique a grandes rasgos la importancia del análisis exploratorio de datos en la
implementación de técnicas de aprendizaje.
2. (30 %) Defina tanto, teórica como matemáticamente el
3. , y su uso o aplicación dentro de la inteligencia artificial, propiamente en el uso de
clasificadores lineales (explíquelo y defínalo matemáticamente también)
4. (10 %) Explique en que consiste la optimización por búsqueda en cuadricula (grid search)
5. (20 %) Explique la matriz de confusión en términos de Falsos Positivos, Falsos Negativos,
Verdaderos Positivos, Verdaderos Negativos
6. (20 %) Plantee un problema donde se pueda aplicar inteligencia artificial, indique como lo
solucionaría usted, y que pasos seguiría para darle solución
7. (10%) Haga un pequeño resumen sobre la historia de la inteligencia artificial
DESARROLLO:
1. La gran importancia sobre esta técnica es ayudar a analizar el conjunto de datos antes de
realizar hipótesis, reconocer errores, comprender mejor los patrones en un conjunto de datos,
encontrar valores diferentes, y en última instancia, aprender sobre las relaciones entre
variables. Además, se usa para garantizar que los resultados sean validos y aplicables a
cualquiera de los objetivos deseados.
2. Este algoritmo nos ayuda en la optimización al momento de minimizar una función de costo,
dado el modelo y la función, el objetivo de este será encontrar los diferentes valores de
parámetros de dicho modelo con los cuales nos permita minimizar la función de costo.
Se utiliza en muchas técnicas de aprendizaje automático, como la regresión lineal, las redes
neuronales y la clasificación. En general, la idea es actualizar los parámetros del modelo en
pequeños pasos por el gradiente negativo hasta que la función de costo alcance un mínimo
global o local aceptable.
Matemáticamente se expresa de la siguiente manera:
θ=θ−α∗∇ J (θ)
θ indica el vector de parámetros del modelo que se está actualizando.
α es la tasa de aprendizaje, que determina el tamaño de los pasos para actualizar los
parámetros. Es un hiperparámetro (parámetros establecidos antes del entrenamiento del
modelo a usar) ajustado para lograr el mejor rendimiento del modelo.
∇J(θ) es el gradiente de la función de coste J con respecto al parámetro θ. El gradiente
representa la dirección en la que la función de costo aumenta más rápido.
3. Esta técnica es utilizada dentro del aprendizaje automático, la cual se define una cuadricula
de valores posibles, con esta se busca los mejores hiperparámetros los cuales optimicen el
rendimiento de dicho modelo.
4. Esta es una herramienta utilizada para evaluar el desempeño de los modelos de clasificación
en problemas de aprendizaje supervisado. La matriz se construye a partir de las predicciones
del modelo y las clases reales en los datos.
La matriz de confusión se representa de la siguiente manera:
CLASE POSITIVA CLASE NEGATIVA
PREDICCION POSITIVA Verdaderos Positivos Falsos Positivos
PREDICCION NEGATIVA Falsos Negativos Verdaderos Negativos
En donde:
Verdaderos positivos: casos en el que el modelo predice correctamente la clase
positiva (predice un elemento positivo cuando en realidad es positivo)
Falsos positivos: casos en el que el modelo predice incorrectamente la clase positiva
(predice un elemento positivo cuando en realidad es negativo)
Verdaderos negativos: casos en el que el modelo predice correctamente la clase
negativa (predice un elemento negativo cuando en realidad es negativo)
Falsos negativos: casos en el que el modelo predice incorrectamente la clase
negativa (predice un elemento negativo cuando en realidad es positivo)
5. Una organización que proporciona créditos a personas que viven en la pobreza deben de
exponer las solicitudes de préstamos falsos. Debido a la falta de historial crediticio y la
escasa documentación presentada por el solicitante, es difícil determinar la veracidad de la
información proporcionada.
Para abordar este problema, las organizaciones pueden usar tecnología de inteligencia
artificial para analizar los datos de las solicitudes de préstamos, como la información
proporcionada por los solicitantes y los datos históricos de los préstamos.
Los modelos de aprendizaje automático pueden usar técnicas de procesamiento de lenguaje
natural para analizar la información proporcionada por los solicitantes y determinar la
probabilidad de que la información sea verdadera.
El modelo también puede usar técnicas de agrupamiento para identificar patrones de
solicitudes con formato incorrecto y detectar evidencia de comportamiento con formato
incorrecto. Con el tiempo, los modelos pueden actualizarse y mejorarse con nuevos datos y
técnicas. Esto permite a las organizaciones detectar fraudes de manera más eficiente y evitar
préstamos a solicitantes fraudulentos.
6. La inteligencia artificial (IA) es una rama de la informática dedicada al desarrollo de
algoritmos y sistemas que imitan las habilidades de aprendizaje, pensamiento y toma de
decisiones humanas.
En las décadas de 1940 y 1950, los investigadores comenzaron a explorar las ideas de la IA,
con importantes avances en áreas como la lógica simbólica y los sistemas expertos.
En 1956, John McCarthy, Marvin Minsky, Nathaniel Rochester y Claude Shannon celebraron
una conferencia que acuñó el término "inteligencia artificial" y sentó las bases para el
desarrollo de la IA como campo de investigación.
En las décadas de 1960 y 1970, los investigadores de IA exploraron una variedad de
técnicas, incluido el aprendizaje automático, la representación del conocimiento, el
pensamiento automático y la planificación.
