Show Menu
Cheatography

Intel·ligència Artificial Cheat Sheet by

Es coneix com a IA la disciplina que tracta de crear màquines intel·ligents, de manera que siguin capaces d'enraonar, comprendre i produir els mateixos resultats que els humans

Introd­ucció

La Intel·­lig­ència Artificial és una branca de l'engi­nyeria que s'ha desenv­olupat primor­dia­lment pels avenços tecnol­ògics i la seva dispon­ibi­litat. La Intel·­lig­ència Artificial actualment està molt relaci­onada amb el Machine Learning i els seus algori­tmes.

Antece­dents

1950: Alan Turing public­à C­omp­uting Machinery and Intell­igence i introdueix el  Test de Turing
1956: John McCarthy creà el terme ­int­el·­lig­ència articial.
1967: ­Ros­enb­lat­t creà la Mark 1 Percep­tron, la primera màquina basada en xarxes neuronals
1997: la màquin­a Deep Blue, desenv­olupada per IBM, guanyà al campió el món d'escacs Garry Kasparov.
2011: IBM desenv­olu­pà ­Watson, guanya als campions Jennings i Rutter al Jeo­pardy!.
2015. Baidu desenv­olupà Minwa, utilitza xarxes neuronals profundes convol­uci­onals
2016: Deep Mind desenv­olupà Alpha Go

IA , ML i DL

Es coneix com a IA la disciplina que tracta de crear màquines intel·­lig­ents, de manera que siguin capaces d'enra­onar, comprendre i produir els mateixos resultats que els humans.
El Machine Learning o Aprene­ntatge Automàtic és la capacitat de les màquines per adaptar-se a noves circum­stà­ncies a través del flux de dades que els arriba.
El Deep Learning és un conjunt d'algo­ritmes utilitzats en el Machine Learning. La diferència entre aquests algoritmes i d'altres utilitzats és que es basen en xarxes neuronals artifi­cials.

Aplica­cions

Recone­ixement per veu
NLP Natural Language Processing
Recone­ixement d'imatges
Comerç automàtic d'actius bancaris
Recoma­nacions real-time
Robots domèst­ics...
 

Machine Learning

l'apre­nen­tatge superv­isat:
Continu (s'uti­litzen algori­tmes, como poden ser regres­sions linials o polinò­miques, o arbres de deciss­ions.) i Categòric (busquem classi­ficar observ­acions)
l'apre­nen­tatge no-sup­ervisat
busca trobar patrons o estruc­tures internes a les dades amb l'objectiu de augmentar el coneix­ement. Algoritmes de cluste­rit­zació (K-means).

Traininig and Test dataset

Training dataset
Test dataset
per entrenar el model
per comprovar la precissió del model.

Mesures de qualitat en aprene­ntatges superv­isats

1r pas. Generem el model amb el train dataset.
agafem el test dataset i l'apliquem al nostre model
2n pas. Aplicar al model el test dataset
3r pas. Compara Valors

Algoritmes

Regres­sions
Regressió logística
KNN-Ne­arest Neighbours
Decission Trees
Support Vector Machines
Xarxes Neuronals
K-Means
 

Regres­sions

trobar la depend­ència entre una variable dependent contínua i una o vàries variables indepe­ndents: regres­sions lineals. 

Regressió logística

algoritme per realitzar classi­fic­acions

K-Nearest Neighbours

algoritme que permet classi­ficar una observació en una categoria en funció de la categoria a la que pertanyen els veins més propers.

Decission Trees

arbres de decisió configuren un mètode que pot ser aplicat tant a problemes de regressió com de classi­fic­ació. Els arbres de decisió disposen de tres elements bàsics:
Node:
Branques:
Fulles:
repres­entats per atributs.
les diferents opcions a partir d'un node.
repres­enten el resultat final

Support Vector Machines

Els SVM o màquines de vectors de suport són algoritmes de classi­ficació que generen un hiperplà que separa el màxim possible les observ­acions pertan­yents a diferents classes.

Xarxes Neuronals I

les xarxes neuronals artifi­cials,  es basen en el per­cep­tron, que per si sol consti­tueix la xarxa neuronal més bàsica. Aquest rep una o múltiples entrades, x1... xn, amb pesos per a cadascuna d'elles, w1... wn, una entrada de bias, w, executa una funció d'acti­vació, i propor­ciona una sortida.

K-Means

algoritme per realitzar aprene­ntatge no-sup­ervisat
Hi han diferents passos: selecció del número de clusters que volem. Asignació de cada dada a un cluster, per obtenir el centroid, Calculem la distància de cada observació a cadascun dels centroids, i els assignem al cluster que té el centroid més proper Amb els nous clusters creats, recalculem els nous centroids,

Mesures de qualitat en aprene­ntatges superv­isats

Generem el model amb el train dataset.

Mesures de qualitat en aprene­ntatges superv­isats

Generem el model amb el train dataset.
                   
 

Comments

No comments yet. Add yours below!

Add a Comment

Your Comment

Please enter your name.

    Please enter your email address

      Please enter your Comment.

          Related Cheat Sheets

            Scikit-Learn Cheat Sheet: Python Machine Learning Cheat Sheet by DataCamp
            Keras Cheat Sheet: Neural Networks in Python Cheat Sheet by DataCamp
            Python Cheat Sheet for Scikit-learn Cheat Sheet by Edureka