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
