DIGI RA4

TIPOS DE IA Inteligencia artificial estrecha o limitada. Sistemas diseñados y entrenados para realizar tareas específicas. Enfocada en una única tarea o un conjunto limitado de tareas. Inteligencia artificial débil. Inteligencia artificial fuerte. Inteligencia artificial simbólica. Inteligencia artificial subsimbólica.

TIPOS DE IA Asistentes virtuales, sistemas de recomendación, sistemas de filtrado de spam de correo electrónico, o algoritmos de reconocimiento de voz o de reconocimiento facial. Inteligencia artificial débil. Inteligencia artificial fuerte. Inteligencia artificial simbólica. Inteligencia artificial subsimbólica.

TIPOS DE IA Tendría la capacidad de entender, aprender y aplicar conocimientos de una manera general, de una forma similar a como lo hace un ser humano. Inteligencia artificial débil. Inteligencia artificial fuerte. Inteligencia artificial simbólica. Inteligencia artificial subsimbólica.

TIPOS DE IA Podría tener una conversación significativa sobre cualquier tema, tanto técnico como filosófico, mostrando una comprensión profunda; sería capaz de llevar a cabo investigaciones científicas avanzadas, formulando hipótesis y llevando a cabo experimentos; y podría también adaptarse a nuevos entornos y tareas sin necesidad de sufrir una reprogramación específica. Inteligencia artificial débil. Inteligencia artificial fuerte. Inteligencia artificial simbólica. Inteligencia artificial subsimbólica.

TIPOS DE IA 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.

TIPOS DE IA Representación explícita del conocimiento, razonamiento basado en reglas, transparencia y comprensibilidad, o manipulación de lenguajes naturales. Inteligencia artificial débil. Inteligencia artificial fuerte. Inteligencia artificial simbólica. Inteligencia artificial subsimbólica.

TIPOS DE IA 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.

EVOLUCIÓN DE LA IA Décadas de 1940 y 1950. Primeros conceptos. Nacimiento formal de la IA. Primeros algoritmos y sistemas. Auge de los sistemas expertos y retropropagación. Expansión de la IA y el aprendizaje automático. Avances en hardware y big data. La "primavera" de la IA. IA generativa y expansión de aplicaciones.

EVOLUCIÓN DE LA IA Década de 1950. Primeros conceptos. Nacimiento formal de la IA. Primeros algoritmos y sistemas. Auge de los sistemas expertos y retropropagación. Expansión de la IA y el aprendizaje automático. Avances en hardware y big data. La "primavera" de la IA. IA generativa y expansión de aplicaciones.

EVOLUCIÓN DE LA IA Década de 1960 y 1970. Primeros conceptos. Nacimiento formal de la IA. Primeros algoritmos y sistemas. Auge de los sistemas expertos y retropropagación. Expansión de la IA y el aprendizaje automático. Avances en hardware y big data. La "primavera" de la IA. IA generativa y expansión de aplicaciones.

EVOLUCIÓN DE LA IA Década de 1980. Primeros conceptos. Nacimiento formal de la IA. Primeros algoritmos y sistemas. Auge de los sistemas expertos y retropropagación. Expansión de la IA y el aprendizaje automático. Avances en hardware y big data. La "primavera" de la IA. IA generativa y expansión de aplicaciones.

EVOLUCIÓN DE LA IA Década de 1990. Primeros conceptos. Nacimiento formal de la IA. Primeros algoritmos y sistemas. Auge de los sistemas expertos y retropropagación. Expansión de la IA y el aprendizaje automático. Avances en hardware y big data. La "primavera" de la IA. IA generativa y expansión de aplicaciones.

EVOLUCIÓN DE LA IA Década de 2000. Primeros conceptos. Nacimiento formal de la IA. Primeros algoritmos y sistemas. Auge de los sistemas expertos y retropropagación. Expansión de la IA y el aprendizaje automático. Avances en hardware y big data. La "primavera" de la IA. IA generativa y expansión de aplicaciones.

EVOLUCIÓN DE LA IA Década de 2010. Primeros conceptos. Nacimiento formal de la IA. Primeros algoritmos y sistemas. Auge de los sistemas expertos y retropropagación. Expansión de la IA y el aprendizaje automático. Avances en hardware y big data. La "primavera" de la IA. IA generativa y expansión de aplicaciones.

EVOLUCIÓN DE LA IA Década de 2020. Primeros conceptos. Nacimiento formal de la IA. Primeros algoritmos y sistemas. Auge de los sistemas expertos y retropropagación. Expansión de la IA y el aprendizaje automático. Avances en hardware y big data. La "primavera" de la IA. IA generativa y expansión de aplicaciones.

ETAPAS DEL PROCESO DE MINERÍA DE DATOS. Recolección y preparación de datos. Transformación de datos. Modelado y análisis. Evaluación e interpretación. Despliegue y uso de resultados.

TÉCNICAS DE MINERÍA DE DATOS Asignar elementos a categorías predefinidas basándose en características observadas. Clasificación. Clustering. Regresión. Análisis de asociación. Detección de anomalías.

TÉCNICAS DE MINERÍA DE DATOS Agrupar elementos en clusters o grupos basados en similitudes inherentes entre ellos. Clasificación. Clustering. Regresión. Análisis de asociación. Detección de anomalías.

TÉCNICAS DE MINERÍA DE DATOS Identificar relaciones entre variables y predecir valores continuos. Clasificación. Clustering. Regresión. Análisis de asociación. Detección de anomalías.

TÉCNICAS DE MINERÍA DE DATOS Encontrar reglas de asociación que describan relaciones significativas entre variables en los datos. Clasificación. Clustering. Regresión. Análisis de asociación. Detección de anomalías.

TÉCNICAS DE MINERÍA DE DATOS Identificar datos que no se ajustan a patrones normales o esperados. Clasificación. Clustering. Regresión. Análisis de asociación. Detección de anomalías.

Relaciona cada aprendizaje con su descripción. El objetivo es aprender a partir de datos etiquetados. Esto implica que para cada entrada el modelo recibe una etiqueta de la misma. Aprendizaje supervisado. Aprendizaje no supervisado. Aprendizaje por refuerzo.

Relaciona cada aprendizaje con su descripción. Trabaja con datos que no están etiquetados. El objetivo es encontrar patrones o estructuras ocultas en los datos. Las aplicaciones más comunes de este tipo de aprendizaje incluyen la técnica de agrupación y la reducción de dimensionalidad. Aprendizaje supervisado. Aprendizaje no supervisado. Aprendizaje por refuerzo.

Relaciona cada aprendizaje con su descripción. Se da en un entorno donde se adoptan acciones para lograr una recompensa. 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.