• Tipos de Datos: Estructurados (bases de datos) y no estructurados (imágenes, texto).
• Importancia: Los datos son el combustible principal para entrenar modelos de IA.

• Definición: Ecuaciones matemáticas que procesan datos para tomar decisiones o realizar predicciones.
• Ejemplos:
  • Regresión lineal
  • Árboles de decisión
  • Máquinas de soporte vectorial (SVM)
  • Redes Neuronales

• Arquitectura: Inspiradas en el cerebro humano, consisten en capas de neuronas interconectadas.

  Capa	Función
  Entrada	Recibe datos crudos
  Oculta	Procesamiento mediante neuronas
  Salida	Genera resultados/predicciones

• Entrenamiento: 70-80% de los datos para ajustar el modelo.
• Validación: 15% para evaluar el rendimiento durante el entrenamiento.
• Pruebas: 10-15% para medir el desempeño final del modelo.

• Retropropagación: Algoritmo para ajustar los pesos de las neuronas según el error de predicción.

• Aprendizaje Supervisado: El sistema aprende a partir de datos etiquetados.
• Aprendizaje No Supervisado: El sistema busca patrones en datos sin etiquetas.
• Aprendizaje por Refuerzo: El sistema aprende mediante recompensas o penalizaciones.

• Redes Neuronales Artificiales (ANN): Simulan el comportamiento del cerebro humano.
• Redes Neuronales Convolucionales (CNN): Usadas para el procesamiento de imágenes.
• Redes Neuronales Recurrentes (RNN): Utilizadas para series temporales y texto.

• TensorFlow: Desarrollado por Google, ideal para modelos complejos.
• PyTorch: Fácil de usar y flexible, popular entre investigadores.
• Keras: Interfaz de alto nivel para TensorFlow y Theano.

• NumPy: Para operaciones matemáticas.
• Pandas: Para manipulación de datos.
• Scikit-learn: Para algoritmos de aprendizaje automático tradicionales.

— Answer from Perplexity: pplx.ai/share

2025-03-22–inteligencia-artificial:-guía-desde-conceptos-hasta-aplicaciones—iii