Inteligencia Artificial
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 . . . . . . . . . . . . . . ....
Regístrate para leer el documento completo.