**🌍 TALLER NIVEI 1: INFORME CERTIFICADO: DEFINICIÓN Y FUNCIONAMIENTO DE LA INTELIGENCIA ARTIFICIAL**

 **🌍 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