Artificial Intelligence

Artificial Intelligence (AI)

Es un campo amplio de la informática enfocado en desarrollar sistemas capaces de realizar tareas que normalmente requieren inteligencia humana, como el razonamiento, la percepción, el aprendizaje y la resolución de problemas.

Machine Learning (ML)

Es un subcampo de la Artificial Intelligence (AI) que utiliza algoritmos capaces de aprender patrones a partir de datos para realizar predicciones, clasificaciones o tomar decisiones, sin necesidad de programar explícitamente todas las reglas.

Principales tipos de aprendizaje:

• Supervised Learning: aprende a partir de datos etiquetados, es decir, ejemplos donde se conoce la respuesta esperada.

• Unsupervised Learning: trabaja con datos sin etiquetar para identificar patrones, estructuras o agrupaciones.

• Reinforcement Learning: aprende mediante la interacción con un entorno, recibiendo recompensas o penalizaciones según las acciones realizadas.

Neural Networks (NN)

Son modelos de Machine Learning (ML) compuestos por capas de nodos o "neuronas" artificiales conectadas entre sí, que procesan la información mediante pesos, sesgos y funciones de activación.

Una red neuronal normalmente contiene:

• Input Layer: recibe los datos de entrada.

• Hidden Layers: procesan y transforman la información.

• Output Layer: genera el resultado o la predicción.

Cuando una red neuronal utiliza múltiples capas para aprender representaciones cada vez más complejas, hablamos de Deep Learning (DL).

Deep Learning (DL)

Es un subcampo especializado de Machine Learning (ML) basado en Deep Neural Networks (DNNs), es decir, redes neuronales con múltiples capas capaces de aprender automáticamente representaciones y características complejas a partir de los datos.

Algunas arquitecturas importantes de redes neuronales utilizadas en Deep Learning (DL) son:

• Convolutional Neural Networks (CNNs): especialmente utilizadas para procesamiento y reconocimiento de imágenes.

• Recurrent Neural Networks (RNNs): diseñadas para trabajar con datos secuenciales, como texto, audio o series de tiempo.

• Transformers: arquitecturas basadas principalmente en mecanismos de atención, ampliamente utilizadas en procesamiento de lenguaje natural, visión y modelos generativos.