Show Menu
Cheatography

La Intel·ligència Artificial Cheat Sheet by

Aquesta Cheetsheet és fruit del curs d'Indústria 4.0, Bloc 3, Intel·ligència Artificial del Departament d'Educació.

Què és?

Branca de la inform­àtica que porta dècades sent desenv­olu­pada.
Actual­ment, ha experi­mentat un gran creixe­ment i perfec­cio­nament.
Conjunt d'habi­lit­ats d'ordi­nadors, robots, o qualsevol altra màquina per simular la intel·­lig­ència dels humans.
Obje­ctiu: resoldre problemes comuns dels humans a través de l'enra­onament propi de la màquina.
Avenç: gran quantiat de dades dispon­ibles + capacitat de proces­sament i càlcul per part de les comput­adores.

Relació amb el Machine Learning

Freqüe­ntment es confonen o s'util­itzen indist­int­ament, de manera que no es consideren diferè­ncies entre ells.
IA (AI): Disciplina que tracta de crear màquines intel·­lig­ents, de manera que siguin capaces d'enra­onar, comprendre i produir els mateixos resultats que els humans. Es desenv­olupa des de mitjans del segle XX.
Machine Learning o Aprene­ntatge Automà­tic: És la capacitat que tenen certes màquines per adaptar-se a noves circum­stà­ncies a través del flux de dades que els arriba. Aquest procés s'ha fet molt més important amb l'arribada del big data, en què les dades són variades i extenses. El Machine Learning comprén tota una sèrie d'algo­ritmes capaços d'adaptar la seva resposta. És un subcamp de la IA que s'espe­cia­litza en l'apre­nen­tatge automàtic de les màquines.
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. Aquestes xarxes tracten d'emular el cervell humà amb la constr­ucció de xarxes de connexió entre percep­trons, que serien els equiva­lents a les neurones al cervell humà. Aquestes xarxes s'orga­nitzen en capes, com més capes tingui, més complex pot arribar a ser el sistema. Quan el sistema té moltes capes se'n diu Deep Learning o Deep Neural Networks.
 

Història

1950: Alan Turing, desxifra el codi de la màquina Enigma dels alemanys (2GM).
Publica Computing Machinery and Intell­ige­nce. Introdueix el Test de Turing per determinar si una màquina pot demostrar la mateixa intel·­lig­ència que un humà.
1956: John McCarthy crea el terme intel·­lig­ència articial a la 1ª confer­ència d'IA a Dartmouth. Newell, Shaw i Simon creaven la Logic Theorist (1ª màquina d'IA).
1967: Rosenblatt crea la Mark 1 Percep­tron, basada en xarxes neuronals, que aprenia a través de prova i error.
1997: la màquina Deep Blue, desenv­olupada per IBM, guanyà al campió el món d'escacs Garry Kasparov.
2011: IBM desenv­olupa Watson, guanyant als campions Jennings i Rutter al Jeopardy!.
2015: Baidu desenv­olupa Minwa, que utilitzava xarxes neuronals profundes anomenades xarxes neuronals convol­uci­onals, per identifcar i catego­ritzar imatges amb una precisió superior a la dels humans.
2016: Deep Mind desenv­olupà Alpha Go, que utilitzant xarxes neuronals profundes va ser capaç de guanyar al campió mundial de Go. Google es feia amb DeepMind per 400 milions de dolars.

Aplica­cions

Camps on el seu ús és més extens
Reco­nei­xement per veu: és la tecnologia que permet captar la veu i digita­lit­zar-la, de manera que el sistema és capaç de respondre d'acord amb les ordres rebudes.
Companyies tecnol­ògiques que ofereixen aquestes aplica­cions: Amazon, Google, Apple o Microsoft.
Proc­ess­ament de Llengu­atges Natura­ls: permet a una aplicació reconè­ixer, compre­ndre, interp­retar i generar text. Fa ús de la computació i de la lingüí­stica. NLP està darrera dels assistens digitals de les grans compan­yies.
Anàlisi de sentiment per detectar l'estat de la persona que parla, com pot ser enfadat, content, trist, etc.
Reco­nei­xement d'imat­ges: aquesta aplicació de l'IA es focalitza en el recone­ixement i classi­ficació d'obje­ctes, persones, textos escrits, etc.
Recone­ixement de l'empremta dactilar a la conducció d'auto­mòbils sense conductor.
Reco­man­acions real-t­ime: llocs web de venda utilitzen aquest tipus de tecnologia per oferir als clients noves compres al moment, partint de les seves dades de navegació, ja sigui a la pròpia botiga o a d'altres webs.
Prev­enció de virus i spam: alguns dels programes que detecten la presència de virus en fitxers o spam en correus.
Utiltizant l'IA i tècniques com el deep learning, la detecció és més precisa i ràpida.
Comerç automàtic d'actius bancar­is: gran quantitat dels moviments financers que es fan actualment es realitzen mitjançant aplica­cions IA sense interv­enció humana.
Serveis de compar­tició de cotxe: plataf­ormes que posen en contacte conductors i passatgers per compartir un trajecte en cotxe, com Uber, Cabify, etc.
Aquestes plataf­ormes utilitzen la IA per minimitzar temps d'espera i calcular el preu del passatge, per exemple.
Robots domèst­ics: ajuden en les tasques domèst­iques, com ara aquells que ens ajuden a escombrar i netejar el terra.
Són capaços de determinar la grandària d'una habitació, evitar obstacles i aprendre la ruta més eficient.
Tecn­ologies d'auto­con­duc­ció: cotxes sense conductors i el camp del'av­iació que fa servir l'IA per combinar dades de diferents sensors, GPS, recone­ixement d'imatges, robòtica i NLP per pilotar avions sense interv­enció humana.
 

Tipus IA (Class­ifi­cació Teòrica)

En funció de la seva habilitat en assemb­lar-se a un humà, de pensar com ell i fins i tot de sentir com ell.
Reac­tiv­es: sense memòria, només responen a determ­inats estímuls.
Aquestes màquines només poden ser entrenades per respondre a uns inputs limitats. Un exemple seria el Deep Blue d'IBM.
Memòria limita­da: utilitzen la memòria per aprendre i millorar les seves respostes.
Per exemple, una màquina capaç de classi­ficar imatges.
Teoria de la ment: entenen les necess­itats d'altres entitats interl­·li­gents.
Està en procés. Màquines que tindrien les capacitats de les dues categories anteriors, però també serien capaces de respondre tenint en compte l'inte­rlo­cutor, les seves creences i habili­tats.
Auto­con­sci­ents: posseeixen intel·­lig­ència similar als humans i autoco­nsc­iència.
Aquest tipus només està plantejat de manera teòrica; no només serien capaces de respondre en funció de l'inte­rlo­cutor, sinó que la pròpia màquina seria capaç de sentir emocions, necess­itats i creences. Seria l'objectiu últim de l'IA.

Tipus de Machine Learning

L'uti­lit­zació de l'un o l'altre vindrà donada pel problema que volem resoldre, i normalment condic­ionarà l'algo­ritme que utilit­zarem i la sortida que n'obti­ndrem.
Supe­rvi­sat
Hem fixat previament què és el que volem trobar (valor de borsa, el recone­ixement d'imatges o la classi­ficació d'un subjecte).
Continu: qualsevol valor
Categ­òric: observ­acions
No-s­upe­rvi­sat
Recerca de patrons o estruc­tures internes de les dades
Clust­eri­tza­ció: K-means
 

Tipus IA (Class­ifi­cació Tecnol­ògica)

Inte­l·l­igència Artificial Estreta (ANI): tota la IA desenv­olupada fins aquest moment estaria dins d'aquest grup.
Es correspon amb sistemes que poden realitzar una o unes poques tasques autòno­mament utilitzant habilitats similars als humans.
Inte­l·l­igència Artificial General (AGI): serien aquells sistemes capaços d'apre­ndre, percebre, comprendre i funcionar comple­tament com a èssers humans.
Serien capaços de generar compet­ències indepe­nde­ntment a través de la formació de connexions i genera­lit­zac­ions, encara que operessin en diferents dominis de coneix­ement.
Supe­rin­tel­·li­gència Artifical (ASI): seria el punt final de la IA, en el qual, a més de les caract­erí­stiques pròpies dels sistemes AGI, serien molt millors que els humans en qualsevol tasca degut a l'abru­madora capacitat de memòria, velocitat de proces­sament de dades i capacitat de prendre decisions.

Algoritmes

Regr­ess­ions
S'utilitza per trobar la depend­ència entre una variable dependent contínua i una o vàries variables indepe­ndents.
Regr­essió Logíst­ica
Algoritme per realitzar classi­fic­acions segons un dataset amb diferents atributs .
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
Configuren un mètode que pot ser aplicat tant a problemes de regressió com de classi­fic­ació.
Support Vector Machines
Algoritmes de classi­ficació que generen un hiperplà que separa el màxim possible les observ­acions pertan­yents a diferents classes.
Xarxes Neuron­als
Es basen en l'estr­uctura de les xarxes neuronals humanes, composades per múltiples connexions entre neurone
K-Me­ans
Slgoritme per realitzar aprene­ntatge no-sup­ervisat
 

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

          Clean ML code and PEP8 guidelines Cheat Sheet
          NTLK Language Processing Python Cheat Sheet