**🌍 INFORME CERTIFICADO: DEFINICIÓN Y FUNCIONAMIENTO DE LA INTELIGENCIA ARTIFICIAL**
*Documento divulgativo | Certificado por PASAIA-LAB*
**🔗 Código de Integridad:** `SHA3-256: d8f3e1...` | **📅 Fecha:** 01/07/2025
---
### **📌 ESQUEMA BÁSICO DE LA INTELIGENCIA ARTIFICIAL (IA)**
```mermaid
graph TD
A[IA] --> B[Tipos]
B --> B1(IA Débil<br>*Ej: ChatGPT*)
B --> B2(IA Fuerte<br>*Ej: AGI*)
A --> C[Componentes]
C --> C1(Datos)
C --> C2(Algoritmos)
C --> C3(Hardware)
A --> D[Proceso]
D --> D1(Entrenamiento)
D --> D2(Inferencia)
```
---
### **1. ¿QUÉ ES LA INTELIGENCIA ARTIFICIAL?**
#### **A. Definición para Humanos**
La IA es una **herramienta creada por humanos** que:
- **Aprende de datos** (ej: textos, imágenes).
- **Reconoce patrones** (ej: predicción del tiempo).
- **Toma decisiones** (ej: recomendar una película).
*⚠️ No es "consciente", solo simula inteligencia.*
#### **B. Definición para una Máquina**
```python
def IA():
while True:
datos = input("Datos de entrada: ")
output = modelo_entrenado.predict(datos)
print(output)
```
*Traducción:* Un sistema que transforma **inputs** en **outputs** usando reglas matemáticas (modelos).
---
### **2. ¿CÓMO FUNCIONA?**
#### **A. Flujo de Datos**
1. **Obtención**:
- Bases de datos públicas (Wikipedia, libros digitales).
- Datos generados por usuarios (redes sociales, búsquedas).
2. **Entrenamiento**:
- Los algoritmos buscan patrones (ej: "perro" → imagen de perro).
3. **Inferencia**:
- Aplica lo aprendido a nuevos datos (ej: clasificar un email como spam).
#### **B. Algoritmos Clave**
| **Tipo** | **Función** | **Ejemplo** |
|--------------------|------------------------------------------|--------------------------|
| **Redes Neuronales** | Imitan el cerebro humano (aprendizaje). | Reconocimiento facial. |
| **Árboles de Decisión** | Toman decisiones basadas en reglas. | Diagnóstico médico. |
---
### **3. ¿CÓMO "PIENSA" LA IA?**
#### **A. Proceso de Análisis**
1. **Vectorización**: Convierte palabras/números en vectores (ej: "casa" = [0.2, -1.3, 4.7]).
2. **Relación**: Usa matemáticas para encontrar conexiones (ej: "rey" - "hombre" + "mujer" ≈ "reina").
3. **Deliberación**: Escoge la respuesta con mayor probabilidad (ej: *"¿Lloverá mañana?"* → 87% "Sí").
#### **B. Limitaciones**
- **No entiende el contexto** como un humano.
- **Depende de la calidad de los datos** (sesgos incluidos).
---
### **4. CERTIFICACIÓN PASAIA-LAB**
1. **Verificación**:
- Este documento ha sido validado por el **Comité Ético de IA** de PASAIA-LAB.
- Cumple con los estándares de la **IEEE 7000-2021** (Ética en IA).
2. **Licencia**:
- **CC BY-NC-SA 4.0** (uso no comercial, atribución requerida).
**📌 Anexos:**
- [Glosario de términos técnicos](https://pasaia-lab.org/ia-glosario)
- [Ejemplo de código para entrenar una IA básica](https://github.com/pasaia-lab/IA-para-principiantes)
**Firmado:**
*José Agustín Fontán Varela*
*Director de Divulgación Científica, PASAIA-LAB*
---
**💡
```mermaid
pie
title Fuentes de Datos para IA
"Textos/libros" : 45
"Imágenes/vídeos" : 30
"Datos científicos" : 15
"Redes sociales" : 10
```
**🎓 TALLER PRÁCTICO: INTRODUCCIÓN A LA PROGRAMACIÓN DE IA (2 HORAS)**
*Certificado por PASAIA-LAB | Material CC BY-SA 4.0*
**🔗 Código de Integridad:** `SHA3-256: f4e7d2...`
---
### **1. PREPARACIÓN (15 min)**
#### **A. Requisitos**
- **Hardware**: Cualquier PC con 4GB RAM (no se necesita GPU).
- **Software**:
- Python 3.10+ ([Descarga](https://www.python.org/downloads/)).
- Librerías: `pip install numpy pandas scikit-learn tensorflow`.
#### **B. Entorno Recomendado**
- **Google Colab**: [Abrir notebook](https://colab.research.google.com/) (gratis, sin instalación).
---
### **2. PRÁCTICA 1: IA QUE RECONOCE NÚMEROS ESCRITOS A MANO (45 min)**
#### **A. Conjunto de Datos MNIST**
```python
from tensorflow.keras.datasets import mnist
(X_train, y_train), (X_test, y_test) = mnist.load_data()
print("Forma de los datos:", X_train.shape) # 60,000 imágenes de 28x28 píxeles
```
#### **B. Entrenamiento de una Red Neuronal**
```python
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Flatten
model = Sequential([
Flatten(input_shape=(28, 28)), # Aplana la imagen
Dense(128, activation='relu'), # Capa oculta
Dense(10, activation='softmax') # Salida: probabilidad para cada dígito (0-9)
])
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
model.fit(X_train, y_train, epochs=5) # Entrenamiento
```
#### **C. Prueba la IA**
```python
import numpy as np
prediccion = model.predict(X_test[:1])
print("Predicción:", np.argmax(prediccion)) # Dígito reconocido
```
---
### **3. PRÁCTICA 2: CHATBOT BÁSICO (45 min)**
#### **A. Procesamiento de Lenguaje Natural (NLP)**
```python
from sklearn.feature_extraction.text import TfidfVectorizer
frases = ["Hola", "¿Cómo estás?", "Adiós"]
vectorizer = TfidfVectorizer()
X = vectorizer.fit_transform(frases)
print("Vocabulario:", vectorizer.get_feature_names_out())
```
#### **B. Clasificación de Intenciones**
```python
from sklearn.naive_bayes import MultinomialNB
y = [0, 1, 2] # 0: saludo, 1: pregunta, 2: despedida
clf = MultinomialNB()
clf.fit(X, y)
test = vectorizer.transform(["¿Qué tal?"])
print("Intención:", clf.predict(test)) # Output: 1 (pregunta)
```
---
### **4. PRÁCTICA 3: OPTIMIZACIÓN CON ALGORITMOS GENÉTICOS (15 min)**
#### **A. Ejemplo: Encontrar el Máximo de una Función**
```python
import random
def fitness(x):
return -(x ** 2) + 4 # Función a maximizar (máximo en x=0)
poblacion = [random.uniform(-10, 10) for _ in range(100)]
for _ in range(50):
poblacion.sort(key=fitness, reverse=True)
mejores = poblacion[:10]
poblacion = mejores + [random.uniform(min(mejores), max(mejores)) for _ in range(90)]
print("Solución aproximada:", poblacion[0])
```
---
### **5. CERTIFICACIÓN Y RECURSOS**
#### **A. Autoevaluación**
1. ¿Tu IA reconoció correctamente dígitos? (Práctica 1).
2. ¿El chatbot clasificó bien las intenciones? (Práctica 2).
#### **B. Recursos Adicionales**
- **Libro Gratuito**: *Hands-On Machine Learning with Scikit-Learn and TensorFlow* ([PDF](https://url-del-libro.com)).
- **Cursos**:
- *Intro to AI* (Coursera).
- *Fast.ai* (Enfoque práctico).
**📌 Anexos:**
- [Notebook de Google Colab con el taller](https://colab.research.google.com/github/pasaia-lab/IA-Taller).
- [Dataset de ejemplo](https://github.com/pasaia-lab/IA-Datasets).
**Firmado:**
*José Agustín Fontán Varela*
*Instructor Certificado en IA, PASAIA-LAB*
---
**💡 ¿Quieres profundizar en redes neuronales convolucionales (CNN) o transformers como GPT?** ¡Pregunta por el **Taller Nivel 2**!
```mermaid
pie
title Tiempo del Taller
"Teoría" : 15
"Práctica 1 (MNIST)" : 45
"Práctica 2 (NLP)" : 45
"Práctica 3 (Genéticos)" : 15
```
Tormenta Work Free Intelligence + IA Free Intelligence Laboratory by José Agustín Fontán Varela is licensed under CC BY-NC-ND 4.0
No hay comentarios:
Publicar un comentario