Guía

FUNDAMENTOS DE INTELIGENCIA ARTIFICIAL

MOOC Habilidades Computacionales – PUCE

“Losalgoritmosmuevenelmundo:conozcámoslosdesdesuADN.”

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.

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.

Campos principales y algoritmos emblema

Campo Problema típico Algoritmo clásico que lo resuelve

Ejemplo real

ML Clasificación k-Nearest Neighbors (k-NN) Detección de spam

ML Regresión Regresión lineal / múltiple Predicción de precios

ML Segmentación k-Means Agrupar clientes

PLN Etiquetado de texto Naïve Bayes

Filtrar correos

Visión Reconocimiento SVM con HOG Control de calidad visual

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

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