Es un modelo que se utiliza para tomar
decisiones basadas en datos. Funciona
como un diagrama en el que cada nodo
representa una pregunta o condición, y las
ramas indican las posibles respuestas o
caminos a seguir. Al final de cada camino, se
encuentra una decisión o resultado.
árbol de decisiones en inteligencia Se usan en áreas como la clasificación de
artificial datos, el diagnóstico médico y la predicción
de resultados en distintos ámbitos. En IA y
aprendizaje automático, son especialmente
valiosos porque permiten interpretar de
manera clara cómo se llega a una decisión, a
diferencia de otros modelos más complejos
como las redes neuronales.
Es un método de aprendizaje automático
que se utiliza para modelar la relación entre
una variable dependiente (lo que queremos
regresión lineal en inteligencia artificial predecir) y una o más variables
independientes (los factores que afectan la
predicción). Su objetivo es encontrar una
ecuación matemática que permita hacer
estimaciones con nuevos datos.
Es un método de aprendizaje automático
que se usa para clasificar datos en
categorías. A diferencia de la regresión
lineal, que predice valores continuos, la
regresión logística estima la probabilidad de
que algo pertenezca a una clase específica.
¿Cómo funciona?
Se basa en la función sigmoide: [ P =
\frac{1}{1 + e^{-z}} ] Donde ( P ) es la
probabilidad de pertenecer a una clase y ( z )
regresión logística es una combinación lineal de las variables
independientes.
Ejemplo práctico
Supongamos que queremos predecir si un
correo es spam o no spam. Usamos
variables como el número de palabras
sospechosas, la cantidad de enlaces, etc. La
regresión logística calcularía la probabilidad
de que un correo sea spam y lo clasificaría en
sí o no según un umbral (por ejemplo, si la
probabilidad es mayor al 50%).
Algoritmo de aprendizaje automático que se
usa en inteligencia artificial para
clasificación y regresión.
¿Cómo funciona?
Random Forest es un conjunto de múltiples
árboles de decisión. En lugar de depender
de un solo árbol, el algoritmo crea varios
árboles y combina sus predicciones para
obtener un resultado más preciso y robusto.
Random Forest 1. Se generan múltiples árboles de
decisión con diferentes
subconjuntos de datos.
2. Cada árbol hace una predicción
sobre la clase o el valor de salida.
3. Se combinan los resultados de
todos los árboles:
• En clasificación, se elige la opción
más votada.
• En regresión, se promedia el
resultado de todos los árboles.
En inteligencia artificial es el proceso de
transformar datos sin procesar en
características relevantes que mejoren el
ingeniería de características rendimiento de los modelos de aprendizaje
automático. Es una etapa clave en el
desarrollo de modelos, ya que la calidad de
las características influye directamente en la
precisión de las predicciones.
(Autoregressive Integrated Moving Average)
son una técnica de análisis de series
temporales utilizada para hacer
predicciones basadas en datos históricos.
Se emplean en áreas como la economía, la
meteorología y la inteligencia artificial para
prever tendencias futuras.
Componentes de ARIMA
1. AR (Autoregresivo): Usa valores
Los métodos ARIMA pasados de la serie para predecir
futuros.
2. I (Integrado): Diferencia los datos
para hacer la serie estacionaria.
3. MA (Media Móvil): Modela la
relación entre el error de predicción
y valores pasados.
Estos modelos son útiles cuando los datos
tienen patrones temporales y pueden
ajustarse para mejorar la precisión de las
predicciones.
(Seasonal Autoregressive Integrated Moving
Average) son una extensión de los modelos
ARIMA diseñados para manejar datos con
patrones estacionales. Se utilizan en el
análisis de series temporales para hacer
predicciones más precisas cuando los
datos presentan ciclos repetitivos, como
ventas mensuales, temperaturas anuales o
demanda de productos en ciertas épocas
del año.
Componentes de SARIMA
SARIMA combina los elementos de ARIMA
con factores estacionales adicionales:
1. AR (Autoregresivo): Usa valores
pasados para predecir futuros.
2. I (Integrado): Diferencia los datos
Los métodos SARIMA
para hacer la serie estacionaria.
3. MA (Media Móvil): Modela la
relación entre el error de predicción
y valores pasados.
4. S (Estacionalidad): Captura
patrones repetitivos en los datos,
como tendencias anuales o
mensuales.
¿Cuándo usar SARIMA?
SARIMA es ideal cuando los datos muestran
una estacionalidad clara y los modelos
ARIMA tradicionales no pueden capturar
estos patrones correctamente. Por ejemplo,
si las ventas de un producto aumentan cada
diciembre, SARIMA puede modelar esta
tendencia y hacer predicciones más
precisas.
Es un algoritmo de aprendizaje supervisado
utilizado en inteligencia artificial para
clasificación y regresión. Se basa en la idea
de que los datos similares suelen estar
cerca unos de otros en el espacio de
características.
¿Cómo funciona?
K-Nearest Neighbors (KNN)
1. Se elige un número K de vecinos
cercanos.
2. Se calcula la distancia entre el
nuevo dato y los datos existentes
(usando métricas como la distancia
euclidiana).
3. Se seleccionan los K puntos más
cercanos.
4. En clasificación, se asigna la
categoría más común entre los
vecinos. En regresión, se promedia
el valor de los vecinos.
Ejemplo práctico
Si queremos clasificar si una fruta es una
manzana o una pera, KNN compararía sus
características (color, tamaño, peso) con
frutas previamente clasificadas y asignaría
la categoría según los más cercanos.
bibliotecas para Python
Uso: Cálculos numéricos y manipulación de
matrices.
Descripción: Es la base para muchas
otras bibliotecas científicas en Python.
NumPy Permite trabajar con arreglos
multidimensionales y realizar operaciones
matemáticas avanzadas de manera
eficiente.
Uso: Manipulación y análisis de datos.
Descripción: Ofrece estructuras de
Pandas datos como DataFrames, que facilitan la
limpieza, transformación y análisis de datos
tabulares.
Uso: Visualización de datos.
Descripción: Permite crear gráficos
Matplotlib
estáticos, animados e interactivos para
representar datos de manera clara.
Uso: Aprendizaje automático.
Descripción: Contiene herramientas
4. Scikit-learn para clasificación, regresión, agrupamiento
y reducción de dimensionalidad, siendo una
de las bibliotecas más utilizadas en
machine learning.
Uso: Aprendizaje profundo y redes
neuronales.
5. TensorFlow Descripción: Desarrollada por Google,
es una biblioteca poderosa para construir y
entrenar modelos de inteligencia artificial.
Uso: Aprendizaje profundo.
Descripción: Es una API de alto nivel
6. Keras que facilita la creación de modelos de redes
neuronales sobre TensorFlow.
Uso: Visión por computadora.
Descripción: Se usa para procesar
7. OpenCV imágenes y videos, permitiendo tareas
como reconocimiento facial y detección de
objetos.
8. Flask Uso: Desarrollo web.
Descripción: Es un framework ligero
para crear aplicaciones web con Python de
manera sencilla.
Uso: Desarrollo web.
Descripción: Un framework robusto que
9. Django
facilita la creación de aplicaciones web
escalables y seguras.
Uso: Aprendizaje profundo.
Descripción: Desarrollado por
10. PyTorch Facebook, es una alternativa a TensorFlow
con una sintaxis más intuitiva para la
investigación en IA.