{"id":2363,"date":"2022-05-27T10:33:08","date_gmt":"2022-05-27T10:33:08","guid":{"rendered":"https:\/\/picockpit.com\/raspberry-pi\/?p=2363"},"modified":"2023-10-02T12:50:57","modified_gmt":"2023-10-02T12:50:57","slug":"ai-an-introduction-to-artificial-intelligence","status":"publish","type":"post","link":"https:\/\/picockpit.com\/raspberry-pi\/es\/ai-una-introduccion-a-la-inteligencia-artificial\/","title":{"rendered":"Introducci\u00f3n a la Inteligencia Artificial"},"content":{"rendered":"
\"Introducci\u00f3n<\/figure>\n\n\n\n

Hoy en d\u00eda, la IA est\u00e1 por todas partes. Pero, \u00bfc\u00f3mo funciona? \u00bfY c\u00f3mo puede crear usted mismo la Inteligencia Artificial? <\/p>\n\n\n\n

En este art\u00edculo, te explicar\u00e9 todo lo que necesitas saber para empezar con la IA.<\/p>\n\n\n\n\n\n

Historia de la IA<\/h2>\n\n\n\n

El ser humano ha pensado en dar vida a las cosas desde la antig\u00fcedad. Pero sobre todo con la invenci\u00f3n de los ordenadores empez\u00f3 a tomar forma la idea de las m\u00e1quinas pensantes.<\/p>\n\n\n\n

En 1950, Alan Turing invent\u00f3 el test de Turing para evaluar si una m\u00e1quina es inteligente o no.<\/p>\n\n\n\n

El t\u00e9rmino Inteligencia Artificial se mencion\u00f3 por primera vez en 1956 en una conferencia en el Dartmouth College.<\/p>\n\n\n\n

Un importante invento de 1967 fue el algoritmo del vecino m\u00e1s cercano, importante para la clasificaci\u00f3n de objetos y el reconocimiento de patrones.<\/p>\n\n\n\n

El primer carro aut\u00f3nomo se desarroll\u00f3 en 1979. Se llamaba Stanford Cart y pod\u00eda detectar y esquivar paredes.<\/p>\n\n\n\n

En 1985 se invent\u00f3 la IA NETtalk. Utilizaba el Deep Learning para aprender a hablar.<\/p>\n\n\n

\n
\"Historia
Historia de la IA<\/figcaption><\/figure>\n<\/div>\n\n\n

En 1997 la IA empez\u00f3 a despegar de verdad. El superordenador Deep Blue de IBM consigui\u00f3 derrotar al entonces campe\u00f3n mundial de ajedrez Garry Kasparov.<\/p>\n\n\n\n

La NASA desarroll\u00f3 los rovers de exploraci\u00f3n Spirit y Opportunity, que circularon de forma aut\u00f3noma por la superficie de Marte en 2004.<\/p>\n\n\n\n

En 2011 una IA llamada Watson venci\u00f3 a un humano en el programa de juegos \"Jeopary!\".<\/p>\n\n\n\n

AlphaGo de Google venci\u00f3 a un jugador profesional de Go en 2016. El Go se considera mucho m\u00e1s complejo que el ajedrez y la capacidad de c\u00e1lculo no es lo \u00fanico que se necesita para triunfar.<\/p>\n\n\n\n

En 2019 una IA lleg\u00f3 a derrotar a un jugador profesional en Starcraft II.<\/p>\n\n\n\n

Hoy la IA est\u00e1 en todas partes. Ha resuelto el problema del plegado de prote\u00ednas e incluso ha aprendido a crear arte o a escribir c\u00f3digo.<\/p>\n\n\n\n

T\u00e9rminos importantes<\/h2>\n\n\n\n

He aqu\u00ed un resumen de los t\u00e9rminos m\u00e1s importantes relacionados con la IA.<\/p>\n\n\n

\n
\"T\u00e9rminos
T\u00e9rminos importantes<\/figcaption><\/figure>\n<\/div>\n\n\n

El campo de la IA es muy amplio. Abarca aspectos como la visi\u00f3n por ordenador, el procesamiento del lenguaje natural, la rob\u00f3tica y la automatizaci\u00f3n, por nombrar algunos.<\/p>\n\n\n\n

Una parte importante de la IA es el aprendizaje autom\u00e1tico. Se trata de un conjunto de m\u00e9todos y algoritmos que permiten a un ordenador aprender. Estos m\u00e9todos pueden dividirse en tres clases:<\/p>\n\n\n\n

Aprendizaje supervisado, aprendizaje no supervisado y aprendizaje por refuerzo.<\/p>\n\n\n\n

En el aprendizaje supervisado, la IA utiliza datos etiquetados para entrenar. Este no es el caso del aprendizaje no supervisado. El aprendizaje por refuerzo es una forma de entrenar a un agente virtual. El agente recibe una recompensa cada vez que hace lo que se supone que debe hacer. Esto fomenta el comportamiento deseado.<\/p>\n\n\n\n

Redes neuronales<\/h2>\n\n\n\n

Un m\u00e9todo espec\u00edfico de aprendizaje supervisado es el aprendizaje profundo. El aprendizaje profundo es el proceso de entrenamiento de la llamada red neuronal. La red est\u00e1 formada por innumerables nodos (neuronas). Se conectan con un peso espec\u00edfico y se apilan en capas con el llamado sesgo.<\/p>\n\n\n\n

Para calcular el valor de una neurona a partir de la neurona anterior, se multiplica el valor de la neurona anterior por el peso entre las neuronas y se a\u00f1ade el sesgo.<\/p>\n\n\n

\n
\"Red
Red neuronal<\/figcaption><\/figure>\n<\/div>\n\n\n

Para entrenar la red, hay que escribir los datos de entrenamiento etiquetados en la capa de entrada. La red propaga los datos a trav\u00e9s de una cantidad variable de capas ocultas en funci\u00f3n de los pesos y los sesgos.<\/p>\n\n\n\n

Finalmente los datos llegan a la capa de salida. La neurona de salida con el valor m\u00e1s alto es la predicci\u00f3n de la red. Dependiendo de si la predicci\u00f3n es correcta o no, la IA ajusta todos los pesos y sesgos individuales. De este modo, las predicciones son cada vez m\u00e1s precisas, lo que significa que la red est\u00e1 aprendiendo.<\/p>\n\n\n\n

Consulte nuestro V\u00eddeo de YouTube<\/a> para ver un ejemplo y entrenar tu propia IA.<\/p>\n\n\n\n

\n