Guía

FUNDAMENTOS DE INTELIGENCIA ARTIFICIAL MOOC Habilidades Computacionales – PUCE

“Los algoritmos mueven el mundo: conozcámoslos desde su ADN.”

1

Propósito y objetivos alineados a “Algoritmos clásicos” Propósito del documento Que el estudiante llegue a la lección de Algoritmos clásicos entendiendo qué problemas resuelven, por qué surgieron y cómo se conectan con los tres campos troncales de la IA. Objetivos concretos 1. Ubicar 5 hitos históricos que inspiraron los algoritmos clásicos (Dartmouth 1956 → ChatGPT 2023).

2. Diferenciar ML, PLN y Visión; identificar dónde se aplican algoritmos clásicos como k-NN, árboles o SVM. 3. Reconocer los riesgos de sesgo cuando se entrenan modelos clásicos con datos históricos.

4. Preparar Anaconda + JupyterLab para ejecutar los notebooks de Árboles de decisión y Regresión lineal en la siguiente lección.

1

Concepto y breve historia La génesis de los algoritmos Definición de IA: Sistemas que realizan tareas “inteligentes” aprendiendo de datos.

Línea de tiempo (resumida): • 1956 — Dartmouth: nace el término IA. • 1966 — ELIZA inspira los primeros algoritmos de coincidencia de patrones.

• 1986 — Retro-propagación (backprop) estabiliza redes neuronales clásicas.

• 1997 — Deep Blue usa minimax con poda α-β.

• 2012 — AlexNet revive las CNN profundas.

• 2023 — LLM revalorizan técnicas clásicas de optimización para escalar modelos.

1

Campos principales y algoritmos emblema Campo Problema típico ML

Clasificación

ML

Regresión

ML PLN

Segmentación Etiquetado de texto Reconocimiento

Visión

Algoritmo clásico que lo resuelve k-Nearest Neighbors (k-NN) Regresión lineal / múltiple k-Means Naïve Bayes

Ejemplo real

SVM con HOG

Control de calidad visual

Detección de spam Predicción de precios Agrupar clientes Filtrar correos

1

Ética, sesgo y algoritmos clásicos • • •

Sesgo algorítmico: los modelos clásicos también discriminan si los datos lo hacen.

Caso rápido: un árbol de decisión entrenado con historial de préstamos puede negar crédito a minorías.

Marco regulatorio: GDPR y AI Act exigen explicar reglas claras (punto crítico para árboles y SVM lineales).

Beneficios vs. Riesgos

1

Entorno Python + Pista de arranque para la lección Instalación rápida 1. Anaconda → JupyterLab. 2. pip install scikit-learn pandas matplotlib.

Checklist previo a la lección “Algoritmos clásicos” • • •

Notebook kNN_vs_DTree.ipynb descargado.

Dataset iris.csv ubicado en la carpeta de trabajo.

Conocimiento previo: métrica de distancia Euclídea, sobreajuste vs. subajuste

1