Page 70 - Proyecto Articulos 3er Semestre

Tabla 1: Conceptos importantes en I.A.
funciones de mapeo que generalizan a ejemplos no N° Concepto Definición
vistos previamente. 1 Machine Inteligencia artificial que
Learning aprende de datos
Se presta especial atención a desafíos críticos como la automáticamente.
transparencia algorítmica, la equidad en el tratamiento 2 Epistemología Ciencia que estudia el
de diferentes grupos poblacionales, la privacidad en el conocimiento y sus
manejo de datos sensibles y la responsabilidad legal en fundamentos válidos.
la toma de decisiones automatizadas. 3 Heurística Método práctico para
resolver problemas más
Se analizan frameworks emergentes para la rápido aunque imperfecto.
gobernanza ética de sistemas de inteligencia artificial, 4 Isomorfismo Correspondencia
estándares internacionales de auditoría algorítmica y estructural idéntica entre
metodologías para la detección y mitigación de sesgos dos sistemas diferentes.
indeseados en conjuntos de datos de entrenamiento y 5 Hermenéutica Arte o teoría de interpretar
modelos predictivos. textos y significados
ocultos.
La utilidad práctica del machine learning se ilustra
mediante una selección representativa de casos de 2.2 Aprendizaje no supervisado:
estudio en dominios de aplicación prioritarios, descubrimiento autónomo de patrones
incluyendo ejemplos concretos de implementaciones
exitosas en sectores como salud digital, sostenibilidad El aprendizaje no supervisado constituye un enfoque
ambiental, educación adaptativa y seguridad pedagógico fundamentalmente diferente donde la
ciudadana. máquina debe descubrir estructura inherente en datos
no categorizados, emulando procesos de exploración
Cada caso de estudio incluye información contextual autodirigida y descubrimiento autónomo.
sobre el problema abordado, la solución técnica
implementada, los resultados cuantitativos obtenidos y Sin la guía de etiquetas predefinidas, los algoritmos en
las lecciones aprendidas durante el proceso de este paradigma identifican agrupaciones naturales
desarrollo e implementación. (clustering), relaciones de asociación (association
rules) y reducciones dimensionales (dimensionality
Las aplicaciones paradigmáticas incluyen sistemas de reduction) que revelan organización subyacente en
clasificación binaria como detectores de correo spam - apariencia caótica.
donde los modelos aprenden a distinguir entre
comunicaciones legítimas y no deseadas mediante La segmentación de clientes representa una aplicación
patrones léxicos, estructurales y contextuales- así clásica donde técnicas como K-means, DBSCAN y
como modelos de regresión para predicción de valores Gaussian Mixture Models identifican cohortes
continuos en dominios como forecasting financiero y homogéneos con comportamientos de compra,
diagnóstico médico cuantitativo. preferencias o características demográficas similares,
permitiendo estrategias de marketing personalizado.
La efectividad del enfoque supervisado depende [4]
críticamente de la calidad, cantidad y
representatividad del conjunto de datos de Este paradigma resulta particularmente valioso en
entrenamiento, requiriendo procesos exhaustivos de dominios de exploración científica donde las
limpieza, normalización y aumento de datos que categorías de interés no están predefinidas, como en el
aseguren una base instruccional sólida. análisis de expresión génica, clasificación de galaxias
o detección de anomalías en redes complejas. Los
Técnicas avanzadas como data augmentation, transfer algoritmos no supervisados funcionan como
learning y semi-supervised learning han expandido herramientas de descubrimiento de conocimiento,
significativamente las aplicaciones de este paradigma, hipótesis generation y preprocesamiento inteligente
permitiendo construir sistemas precisos incluso en para etapas analíticas posteriores.
contextos con disponibilidad limitada de ejemplos
etiquetados. [3] La evaluación del rendimiento en este contexto
presenta desafíos metodológicos únicos, empleando
La evaluación del rendimiento en aprendizaje métricas intrínsecas como siluette score para
supervisado emplea métricas como accuracy, clustering, o validación externa cuando eventualmente
precision, recall, F1-score para problemas de se dispone de ground truth parcial, requiriendo
clasificación, y MAE, MSE, R² para tareas de aproximaciones estadísticas sofisticadas para
regresión, proporcionando medidas cuantitativas del cuantificar la calidad del aprendizaje autónomo.
progreso del aprendiz algorítmico.

En la tabla 1 se explica cada terminología utilizada en
este artículo.

70