- \n
- IA supervisada<\/b>. Usa datos etiquetados para entrenar algoritmos, de forma que les permite hacer predicciones precisas sobre nuevos datos. Se usa en aplicaciones como por ejemplo la clasificaci\u00f3n de correo electr\u00f3nico (para diferenciar el correo basura del que no lo es) o el diagn\u00f3stico m\u00e9dico (diagn\u00f3stico de melanomas).<\/li>\n<\/ul>\n
- \n
- IA no supervisada<\/b>. Aprende de datos no etiquetados para descubrir patrones ocultos o agrupar datos. Se incluyen tareas como por ejemplo el agrupamiento y la reducci\u00f3n de la dimensi\u00f3n, \u00fatiles para el an\u00e1lisis de datos y la segmentaci\u00f3n de clientes, por ejemplo.<\/li>\n<\/ul>\n
- \n
- IA por refuerzo<\/b> (reinforcement learning<\/em>). Aprendida por medio de la interacci\u00f3n con un entorno din\u00e1mico, toma decisiones con retroalimentaci\u00f3n en forma de recompensas o penalizaciones. Se usa, por ejemplo, en aplicaciones desde la conducci\u00f3n aut\u00f3noma hasta la formaci\u00f3n de robots.<\/li>\n<\/ul>\n<\/li>\n
- IA de aprendizaje profundo<\/b>. Es una rama de la inteligencia artificial que utiliza modelos de\u00a0redes neuronales<\/a>\u00a0para aprender y comprender patrones complejos a partir de datos. Estas ser\u00edan algunas caracter\u00edsticas que la definen:\n
- \n
- Redes neuronales profundas<\/strong>. Las redes neuronales profundas consisten en varias capas de neuronas interconectadas, inspiradas en el funcionamiento del cerebro humano. Cada capa procesa informaci\u00f3n y transmite la salida a las siguientes capas, de forma que permite un aprendizaje jer\u00e1rquico.<\/li>\n
- Capacidad de representaci\u00f3n<\/strong>. Con m\u00faltiples capas, este tipo de IA puede aprender a representar patrones de datos muy complejos. Esta capacidad hace que sea adecuada para tareas como por ejemplo el reconocimiento de im\u00e1genes, el procesamiento del lenguaje natural y otros \u00e1mbitos con datos complicados.<\/li>\n
- Aprendizaje jer\u00e1rquico<\/strong>.\u00a0<\/b>Las capas sucesivas aprenden caracter\u00edsticas a diferentes niveles de abstracci\u00f3n. Por ejemplo, en el reconocimiento de im\u00e1genes, las capas iniciales pueden detectar formas b\u00e1sicas, mientras que las capas m\u00e1s profundas pueden identificar patrones m\u00e1s complejos.<\/li>\n
- Procesamiento de entrada con muchas dimensiones<\/strong>. Las dimensiones se refieren a los diferentes atributos o variables que describen cada instancia de los datos. La capacidad de manipular gran cantidad de datos con muchas dimensiones es b\u00e1sica en muchas aplicaciones, puesto que permite a los modelos captar detalles sutiles y complejos en los datos.<\/li>\n
- Gran cantidad de datos y potencia de c\u00e1lculo<\/strong>.\u00a0<\/b>El entrenamiento de estos modelos necesita cantidades enormes de datos para obtener unos resultados \u00f3ptimos. Esto implica disponer de ordenadores con una gran capacidad de c\u00e1lculo.<\/li>\n
- Aplicaciones de la IA de aprendizaje profundo.\n
- \n
- Reconocimiento de im\u00e1genes<\/strong>. Identificaci\u00f3n de objetos y patrones en im\u00e1genes, como por ejemplo la clasificaci\u00f3n de gatos y perros.<\/li>\n
- Procesamiento del lenguaje natural (PNL)<\/strong>. Por ejemplo, traducci\u00f3n autom\u00e1tica, an\u00e1lisis de sentimientos o generaci\u00f3n de texto, entre otros.<\/li>\n
- Visi\u00f3n por ordenador<\/strong>. Detecci\u00f3n de caras, segmentaci\u00f3n de objetos, etc.<\/li>\n
- Reconocimiento de la voz<\/strong>. Transformaci\u00f3n de voz a texto y al rev\u00e9s.<\/li>\n
- Juegos de ordenador<\/strong>. Aprendizaje de pol\u00edticas \u00f3ptimas en juegos como por ejemplo el Go<\/a> o los videojuegos.<\/li>\n
- C\u00f3digo de lenguaje de programaci\u00f3n<\/strong>. Generaci\u00f3n o modificaci\u00f3n de c\u00f3digo de programas.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n<\/li>\n<\/ol>\n
La inteligencia artificial generativa<\/b>\u00a0estar\u00eda dentro de este grupo de IA de aprendizaje profundo. Es decir, si lo representamos gr\u00e1ficamente, quedar\u00eda de este modo:<\/p>\n
![\"\"](\"\/wp-content\/uploads\/2024\/08\/PID_00302336_2.jpg\")
Fuente: elaboraci\u00f3n propia<\/figcaption><\/figure>\n Esta inteligencia, la IAG, aprende de los datos de forma autom\u00e1tica. Analiza cantidades inmensas de datos y encuentra patrones y relaciones que de otra forma ser\u00edan dif\u00edciles de detectar, y crea material original a partir de estos datos.<\/p>\n
La inteligencia artificial generativa utiliza como marco de trabajo las redes generativas antag\u00f3nicas (GAN, sigla del ingl\u00e9s\u00a0generative adversarial networks<\/i>), dos redes neuronales: una\u00a0generadora <\/strong>y otra\u00a0discriminadora<\/strong>. La generadora se encarga de crear contenido nuevo, mientras que la discriminadora se encarga de evaluar si el contenido generado es real o falso. Esta interacci\u00f3n entre la generadora y la discriminadora permite que la IA aprenda de los datos de forma eficaz y eficiente, y genera nuevo contenido de alta calidad y realista.<\/p>\n","protected":false},"excerpt":{"rendered":"
La clasificaci\u00f3n de la inteligencia artificial puede hacerse de varias formas, por ejemplo seg\u00fan su aprendizaje, funcionamiento, caracter\u00edsticas u objetivos. Enfocaremos la clasificaci\u00f3n en funci\u00f3n del tipo de aprendizaje. IA de aprendizaje autom\u00e1tico (machine learning). El objetivo es que los sistemas inform\u00e1ticos aprendan y mejoren mediante datos, sin requerir programaci\u00f3n expl\u00edcita. Existen tres subcategor\u00edas importantes: […]<\/p>\n","protected":false},"author":2,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"_acf_changed":false,"footnotes":""},"acf":[],"_links":{"self":[{"href":"https:\/\/iag.recursos.uoc.edu\/es\/wp-json\/wp\/v2\/pages\/271"}],"collection":[{"href":"https:\/\/iag.recursos.uoc.edu\/es\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/iag.recursos.uoc.edu\/es\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/iag.recursos.uoc.edu\/es\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/iag.recursos.uoc.edu\/es\/wp-json\/wp\/v2\/comments?post=271"}],"version-history":[{"count":3,"href":"https:\/\/iag.recursos.uoc.edu\/es\/wp-json\/wp\/v2\/pages\/271\/revisions"}],"predecessor-version":[{"id":380,"href":"https:\/\/iag.recursos.uoc.edu\/es\/wp-json\/wp\/v2\/pages\/271\/revisions\/380"}],"wp:attachment":[{"href":"https:\/\/iag.recursos.uoc.edu\/es\/wp-json\/wp\/v2\/media?parent=271"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
- Procesamiento del lenguaje natural (PNL)<\/strong>. Por ejemplo, traducci\u00f3n autom\u00e1tica, an\u00e1lisis de sentimientos o generaci\u00f3n de texto, entre otros.<\/li>\n
- Capacidad de representaci\u00f3n<\/strong>. Con m\u00faltiples capas, este tipo de IA puede aprender a representar patrones de datos muy complejos. Esta capacidad hace que sea adecuada para tareas como por ejemplo el reconocimiento de im\u00e1genes, el procesamiento del lenguaje natural y otros \u00e1mbitos con datos complicados.<\/li>\n
- IA de aprendizaje profundo<\/b>. Es una rama de la inteligencia artificial que utiliza modelos de\u00a0redes neuronales<\/a>\u00a0para aprender y comprender patrones complejos a partir de datos. Estas ser\u00edan algunas caracter\u00edsticas que la definen:\n
- IA por refuerzo<\/b> (reinforcement learning<\/em>). Aprendida por medio de la interacci\u00f3n con un entorno din\u00e1mico, toma decisiones con retroalimentaci\u00f3n en forma de recompensas o penalizaciones. Se usa, por ejemplo, en aplicaciones desde la conducci\u00f3n aut\u00f3noma hasta la formaci\u00f3n de robots.<\/li>\n<\/ul>\n<\/li>\n
- IA no supervisada<\/b>. Aprende de datos no etiquetados para descubrir patrones ocultos o agrupar datos. Se incluyen tareas como por ejemplo el agrupamiento y la reducci\u00f3n de la dimensi\u00f3n, \u00fatiles para el an\u00e1lisis de datos y la segmentaci\u00f3n de clientes, por ejemplo.<\/li>\n<\/ul>\n