UNIDAD4 PA2

 EJEMPLOS DE LA VIDA REAL DE LAS AREAS QUE COMPRENDE LA INTELIGENCIA ARTIFICIAL.

 

MACHINE LEARNING

 

Un ejemplo sencillo de aprendizaje automático es un servicio de transmisión de música bajo demanda, como Spotify, Deezer o Tidal.

Para que la plataforma tome una decisión sobre qué nuevas canciones o artistas recomendar a un oyente, los algoritmos de aprendizaje automático asocian las preferencias del oyente con otros oyentes que tienen un gusto musical similar.

Lo mismo ocurre con un servicio de transmisión de películas y series bajo demanda como Netflix, Amazon Prime, HBO Go o Disney+. Cuantos más títulos mires, más aprenderá la plataforma sobre lo que te gusta. A partir de ahí, puede identificar otros programas similares y hacerte sugerencias personalizadas.

 

 

MÉTODOS PROBABILÍSTICOS

 

 

 

 

 

 

            Muestreo aleatorio simple

El muestreo aleatorio simple es uno de los métodos de selección más sencillos para una muestra. Se basa en elegir, de forma aleatoria, a los individuos de la muestra a investigar.

Para ello, se le otorga un número a cada sujeto de la población y posteriormente, a modo de sorteo, se seleccionan números de forma aleatoria para conformar la muestra.

Por ejemplo: para tomar una muestra de 10 escuelas, sobre una población de 200 escuelas que hay en el país, cada escuela obtiene un número al azar. Entonces, a modo de sorteo, se seleccionan 10 números que conformarán dicha muestra.

Muestreo sistemático

El muestreo sistemático se lleva a cabo dividiendo la población en subgrupos, en forma de lista, para seleccionar aleatoriamente un número. Luego, el número escogido será, en cada grupo, el individuo que conforme la muestra.

Por ejemplo: tenemos una población de 10.000 personas y debemos conformar una muestra de 100 individuos, por lo que se divide a la población en 200 grupos de 50. Luego se selecciona un número al azar, por ejemplo el 20, y así la muestra de 100 individuos se irá conformando por el individuo número 20 de cada grupo.

Muestreo estratificado

En el muestreo estratificado, el investigador divide a la población en estratos o subgrupos que, generalmente, comparten ciertas características. Luego, utilizando el método del muestreo aleatorio simple, se elige un individuo de cada estrato para conformar la muestra.

Por ejemplo: para realizar una investigación cuya población está conformada por personas que trabajan en una empresa, el investigador divide dicha población en los siguientes estratos:

·         Hombre con media jornada.

·         Hombre con jornada completa.

·         Mujer con media jornada.

·         Mujer con jornada completa.

Aquí el investigador está dividiendo la población en 4 diferentes estratos, cuyos integrantes comparten características.

·         Muestreo por conglomerados

Este método es utilizado cuando no es viable, o es imposible, elaborar una lista exacta de los elementos de una población. Para llevarlo a cabo, los detalles de dicha población ya deben estar agrupados en poblaciones, es decir que las listas ya deben existir, o se pueden crear.

Por ejemplo: un investigador decide realizar una investigación sobre México, pero dividir en grupos a toda la población del país sería difícil e impráctico. Por lo tanto, aprovecha y utiliza la separación natural por ciudades. Así, a partir de cada ciudad, elige individuos de forma aleatoria para conformar la muestra.

 

 

 

 

 

COMPUTACION EVOLUTIVA

 

Las nuevas ciencias siempre pasan por una fase inicial de desconcierto e inconsistencia hasta llegar a unas convenciones aceptadas por todos. Más o menos la clasificación aceptada en nuestros días es la del esquema siguiente.

• Inteligencia artificial.
• Enfoque simbólico o `top-down'.
• Enfoque subsimbólico o `botton-up'.
• Redes neuronales artificiales.
• Computación evolutiva o algoritmos evolutivos.
• Solidificación o recocido simulado (simulated annealing).
• Algoritmos genéticos.
• Estrategias evolutivas.
• Clasificadores geneticos.
• Programación genética.

El enfoque subsimbólico de la IA se caracteriza por crear sistemas con capacidad de aprendizaje. Éste se puede obtener a nivel de individuo imitando el cerebro (Redes Neuronales); o a nivel de especie imitando la evolución, lo que se ha denominado Computación Evolutiva (CE); término relativamente nuevo que intenta agrupar un batiburrillo de paradigmas muy relacionados cuyas competencias no están aún muy definidas. Hasta hace poco era común hablar de Algoritmos Genéticos (AG) en general, en vez de identificar diferentes tipos de CE, ya que el resto de los algoritmos se pueden interpretar como variaciones o mejoras de los AG, más conocidos.

 

 

 

 

 

TEORIA DEL CAOS

 

 

Como ejemplo, se puede tomar un péndulo alimentado para contrarrestar la fuerza de rozamiento, por lo que oscilaría de lado a lado. Atractor caótico: Aparece en sistemas no lineales que tienen una gran sensibilidad a las condiciones. Un famoso ejemplo de estos atractores es el atractor de Lorenz.

 

SISTEMAS DIFUSOS

Por ejemplo, cuando una estaciona un vehículo en paralelo, uno realiza acciones, algunas son bruscas, girar todo a la derecha, o todo a la izquierda o mantenerse derecho, pero hay otras acciones que son gire levemente a la izquierda o a la derecha, este tipo de acciones se consideran en un sistema de control difuso, o lógica difusa de control.

 Estacionar un vehículo La teoría que explica y ejemplifica la lógica difusa es planteada por el Dr. Zadeh. El autor le dio el nombre de “lógica difusa” al tipo de razonamientos que derivó y ejemplificó así: “se dio una larga discusión entre dos hombres acerca de cuál de dos mujeres era la más atractiva. Cada uno consideraba que su mujer era más bonita que la del otro. Por supuesto no existe forma objetiva de medir la belleza.

 El concepto de "belleza" varía mucho entre personas, culturas y tiempos. A pesar de LÓGICA DIFUSA: PERSPECTIVA Y APLICACIONES 5 que la discusión se prolongó no se llegó a conclusión alguna. Esta discusión disparó el deseo de Zadeh de lograr expresar numéricamente conceptos difusos como "más bonita" o "menos bonita” (PEREZ, 2007). Es decir, expresar numéricamente cada uno de los puntos entre los cuales está comprendido los extremos de una proporción matemática. Cada uno de los segmentos de la razón, la proporción y variación.