Digitalización aplicada a los sectores productivos RA4

La evolución histórica de la inteligencia artificial (IA) Primeros conceptos. Décadas de 1940 y 1950. Década de 1950. Década de 1960 y 1970. Década de 1980. Década de 1990. Década de 2000. Década de 2010. Década de 2020. En el futuro….

La evolución histórica de la inteligencia artificial (IA) el nacimiento formal de la IA. Décadas de 1940 y 1950. Década de 1950. Década de 1960 y 1970. Década de 1980. Década de 1990. Década de 2000. Década de 2010. Década de 2020. En el futuro….

La evolución histórica de la inteligencia artificial (IA) primeros algoritmos y sistemas. Décadas de 1940 y 1950. Década de 1950. Década de 1960 y 1970. Década de 1980. Década de 1990. Década de 2000. Década de 2010. Década de 2020. En el futuro….

La evolución histórica de la inteligencia artificial (IA) auge de los sistemas expertos y retropropagación. Décadas de 1940 y 1950. Década de 1950. Década de 1960 y 1970. Década de 1980. Década de 1990. Década de 2000. Década de 2010. Década de 2020. En el futuro….

La evolución histórica de la inteligencia artificial (IA) expansión de la IA y el aprendizaje automático. Décadas de 1940 y 1950. Década de 1950. Década de 1960 y 1970. Década de 1980. Década de 1990. Década de 2000. Década de 2010. Década de 2020. En el futuro….

La evolución histórica de la inteligencia artificial (IA) avances en hardware y big data. Décadas de 1940 y 1950. Década de 1950. Década de 1960 y 1970. Década de 1980. Década de 1990. Década de 2000. Década de 2010. Década de 2020. En el futuro….

La evolución histórica de la inteligencia artificial (IA) la primavera de la IA. Décadas de 1940 y 1950. Década de 1950. Década de 1960 y 1970. Década de 1980. Década de 1990. Década de 2000. Década de 2010. Década de 2020. En el futuro….

La evolución histórica de la inteligencia artificial (IA) IA generativa y expansión de aplicaciones. Décadas de 1940 y 1950. Década de 1950. Década de 1960 y 1970. Década de 1980. Década de 1990. Década de 2000. Década de 2010. Década de 2020. En el futuro….

La evolución histórica de la inteligencia artificial (IA) se enfrenta a desafíos como la ética y la transparencia, el desmesurado consumo energético. Décadas de 1940 y 1950. Década de 1950. Década de 1960 y 1970. Década de 1980. Década de 1990. Década de 2000. Década de 2010. Década de 2020. En el futuro….

Sistemas diseñados y entrenados para realizar tareas específicas: única tarea o un conjunto limitado de tareas. Inteligencia artificial débil. Inteligencia artificial fuerte. Inteligencia artificial simbólica. Inteligencia artificial subsimbólica.

Capacidad de entender, aprender y aplicar conocimientos de una manera general, pudiendo tener una conversación significativa sobre cualquier tema. Inteligencia artificial débil. Inteligencia artificial fuerte. Inteligencia artificial simbólica. Inteligencia artificial subsimbólica.

Utiliza representaciones explícitas y formales de conceptos y las relaciones existentes entre ellos empleando redes semánticas, ontologías y sistemas basados en reglas. Inteligencia artificial débil. Inteligencia artificial fuerte. Inteligencia artificial simbólica. Inteligencia artificial subsimbólica.

Puede manejar grandes cantidades de datos y adaptarse a nuevas situaciones sin la necesidad de una programación explícita y detallada de reglas. Inteligencia artificial débil. Inteligencia artificial fuerte. Inteligencia artificial simbólica. Inteligencia artificial subsimbólica.

Se basa en modelos matemáticos y métodos computacionales que intentan emular el aprendizaje y el procesamiento de información de manera similar a cómo lo hacen los sistemas biológicos, particularmente el cerebro humano. Inteligencia artificial débil. Inteligencia artificial fuerte. Inteligencia artificial simbólica. Inteligencia artificial subsimbólica.

¿Como se clasifica la IA? En función de las tareas específicas: IA DÉBIL e IA FUERTE. IA SIMBÓLICA o SUBSIMBÓLICA.

¿Como se clasifica la IA? En función de cómo se representa y manipula la info: IA DÉBIL e IA FUERTE. IA SIMBÓLICA o SUBSIMBÓLICA.

Es la capacidad que han adquirido las máquinas y los sistemas informáticos para realizar una serie de tareas como aprender de la experiencia, resolver problemas, comprender y procesar el lenguaje natural, adaptarse a nuevas situaciones, reconocer patrones, etc. IA. Big Data. Minería de datos. IA y Big Data.

Son tecnologías que trabajan coordinadas. IA. Big Data. Minería de datos. IA y Big Data.

Se encarga de proporcionar la materia prima, en forma de grandes conjuntos de datos. IA. Big Data. Minería de datos. IA y Big Data.

Es el proceso de descubrir patrones, tendencias y relaciones significativas en grandes conjuntos de datos. IA. Big Data. Minería de datos. IA y Big Data.

Etapas de la Minería de datos (data mining): Recolección y preparación de datos. 1. 2. 3. 4. 5.

Etapas de la Minería de datos (data mining): Transformación de datos. 1. 2. 3. 4. 5.

Etapas de la Minería de datos (data mining): Modelado y análisis. 1. 2. 3. 4. 5.

Etapas de la Minería de datos (data mining): Evaluación e interpretación. 1. 2. 3. 4. 5.

Etapas de la Minería de datos (data mining): Despliegue y uso de resultados. 1. 2. 3. 4. 5.

Tanto el aprendizaje automático (_____) como el aprendizaje profundo (_____) necesitan gran cantidad de datos para aprender y mejorar de los errores cometidos. machine learning, deep learning. deep learning, machine learning. machine learning, data mining. deep learning, data mining.

Necesitan gran cantidad de datos para aprender y mejorar de los errores cometidos. Es un proceso de entrenamiento infinito con el que se busca la mejora continua. IA y big data. IA DÉBIL e IA FUERTE. IA SIMBÓLICA e IA SUBSIMBÓLICA. IA y Minería de datos.

El objetivo es aprender a partir de datos etiquetados. Aprendizaje supervisado. Aprendizaje no supervisado. Aprendizaje por refuerzo.

Trabaja con datos que no están etiquetados. Aprendizaje supervisado. Aprendizaje no supervisado. Aprendizaje por refuerzo.

Entorno donde se adoptan acciones para lograr una recompensa. Aprendizaje supervisado. Aprendizaje no supervisado. Aprendizaje por refuerzo.

No se dan respuestas correctas explícitas, sino que se aprende a través del sistema prueba/error, y la retroalimentación se presenta en forma de recompensas o castigos. Aprendizaje supervisado. Aprendizaje no supervisado. Aprendizaje por refuerzo.

El objetivo es encontrar patrones o estructuras ocultas en los datos. Aprendizaje supervisado. Aprendizaje no supervisado. Aprendizaje por refuerzo.

Esto implica que para cada entrada el modelo recibe una etiqueta de la misma. Aprendizaje supervisado. Aprendizaje no supervisado. Aprendizaje por refuerzo.

Aprendizaje supervisado. Después de entrenar al modelo siguiendo este procedimiento, este será capaz de predecir y detectar posibles transacciones fraudulentas en tiempo real. Es capaz de analizar los patrones de compra y agrupar a los clientes en diferentes segmentos basados en su comportamiento, como "compradores frecuentes", "compradores ocasionales", etc. Permitiría al robot explorar su entorno y aprender de sus interacciones, recibiendo recompensas por llegar a su destino de manera eficiente y penalizaciones cuando chocara con alguno de esos obstáculos.

Aprendizaje no supervisado. Después de entrenar al modelo siguiendo este procedimiento, este será capaz de predecir y detectar posibles transacciones fraudulentas en tiempo real. Es capaz de analizar los patrones de compra y agrupar a los clientes en diferentes segmentos basados en su comportamiento, como "compradores frecuentes", "compradores ocasionales", etc. Permitiría al robot explorar su entorno y aprender de sus interacciones, recibiendo recompensas por llegar a su destino de manera eficiente y penalizaciones cuando chocara con alguno de esos obstáculos.

Aprendizaje por refuerzo. Después de entrenar al modelo siguiendo este procedimiento, este será capaz de predecir y detectar posibles transacciones fraudulentas en tiempo real. Es capaz de analizar los patrones de compra y agrupar a los clientes en diferentes segmentos basados en su comportamiento, como "compradores frecuentes", "compradores ocasionales", etc. Permitiría al robot explorar su entorno y aprender de sus interacciones, recibiendo recompensas por llegar a su destino de manera eficiente y penalizaciones cuando chocara con alguno de esos obstáculos.

Por su simplicidad y a la gran cantidad de bibliotecas y frameworks disponible. Python. Lenguaje R. Java. C++.

Utilizado principalmente en estadística y análisis de datos. Python. Lenguaje R. Java. C++.

Es muy popular por sus capacidades de procesamiento y visualización de datos. Python. Lenguaje R. Java. C++.

Se usa habitualmente en aplicaciones empresariales debido a su estabilidad y escalabilidad. Python. Lenguaje R. Java. C++.

Es el más popular de todos. Python. Lenguaje R. Java. C++.

Utilizan la IA para navegar y mejorar la seguridad. Vehículos autónomos. Optimización de rutas. Drones. Robotica.

algoritmos que optimizan las rutas de entrega para mejorar la eficiencia Y reducir costos. Vehículos autónomos. Optimización de rutas. Drones. Robotica.