> For the complete documentation index, see [llms.txt](https://ai.mrw0l05zyn.cl/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://ai.mrw0l05zyn.cl/fundamentos/artificial-intelligence.md).

# 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.

```mermaid
flowchart TB
    subgraph AI["Artificial Intelligence (AI)"]
        direction TB
        subgraph ML["Machine Learning (ML)"]
            direction TB
            subgraph NN["Neural Networks (NN)"]
                direction TB
                subgraph DL["Deep Learning (DL)"]
                    direction TB
                    EMPTY[" "]
                end
            end
        end
    end
    
    style EMPTY fill:transparent,stroke:transparent,color:transparent
```

## 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.