Inteligencia Artificial

Inteligencia
artificial avanzada
Raúl Benítez
Gerard Escudero
Samir Kanaan
PID_00174137

Los textos e imágenes publicados en esta obra están sujetos –excepto que se indique lo contrario– a
una licencia de Reconocimiento-NoComercial-SinObraDerivada (BY-NC-ND) v.3.0 España de
Creative Commons. Podéis copiarlos, distribuirlos y transmitirlos públicamente siempre que citéis
el autor y lafuente (FUOC. Fundació per a la Universitat Oberta de Catalunya), no hagáis un uso
comercial y no hagáis una obra derivada. La licencia completa se puede consultar en
http://creativecommons.org/licenses/by-nc-nd/3.0/es/legalcode.es

CC-BY-NC-ND • PID_00174137

Inteligencia artificial avanzada

Índice

Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . .

7

1.

9

2.

Introducción a la inteligencia artificial (IA) . . . . . . . . . . . . . . . . .
1.1.

Neuronas y transistores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

9

1.2.

Breve historia de la IA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

12

1.3.Ámbitos de aplicación de la inteligencia artificial . . . . . . . . . . . . .

15

Recomendadores y agrupamientos . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

19

2.1.

2.2.

2.3.

3.

20

Ejemplo de aplicación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

20

2.1.2.

Distancia euclídea . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . .

21

2.1.3.

Correlación de Pearson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

23

2.1.4.

Procesamiento de datos reales . . . . . . . . . . . . . . . . . . . . . . . .

25

2.1.5.

Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

25

Recomendadores basados en memoria . . . . . . . . . . . . . .. . . . . . . . . .

26

2.2.1.

Conceptos generales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

26

2.2.2.

Aproximaciones simples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

26

2.2.3.

Recomendación ponderada . . . . . . . . . . . . . . . . . . . . . . . . . . .

27

2.2.4.

Conclusiones . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . .

28

Algoritmos de agrupamiento (clustering) . . . . . . . . . . . . . . . . . . . . . .

29

2.3.1.

Ejemplo de aplicación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

29

2.3.2.

Conceptos generales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

31

2.3.3.

Agrupamiento jerárquico.Dendrogramas . . . . . . . . . . . .

32

2.3.4.

k-medios (k-means) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

35

2.3.5.

c-medios difuso (Fuzzy c-means) . . . . . . . . . . . . . . . . . . . . . .

37

2.3.6.

Agrupamiento espectral (spectral clustering) . . . . . . . . . . .

37

2.3.7.

Recomendadores basados en modelos . . . . . . . . . . . . . . . .39

Extracción y selección de atributos . . . . . . . . . . . . . . . . . . . . . . . . . . . .

40

3.1.

Técnicas de factorización matricial . . . . . . . . . . . . . . . . . . . . . . . . . . . .

42

3.1.1.

Descomposición en valores singulares (SVD) . . . . . . . . .

43

3.1.2.

Análisis de componentes principales (PCA) . . . . . . . . . . .

47

3.1.3.

Análisisde componentes independientes (ICA) . . . . . .

61

3.1.4.

Factorización de matrices no-negativas (NMF) . . . . . . . .

72

Discriminación de datos en clases . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

79

3.2.1.

Análisis de discriminantes lineales (LDA) . . . . . . . . . . . . .

79

Visualización de datos mutidimensionales . . . . . . . . . . . . . . ....