Investigació n Unidad 1

Índice
 Procesamiento de lenguaje Natural………………………………………Pg 3
 Reconocimiento de Patrones………………………………………………..Pg 5
 Robótica……………………………………………………………………………….Pg 6
 Sistemas expertos…………………………………………………………………Pg 8
 Lógica difusa………………………………………………………………………..Pg 10
 Sistemas de regresión ………………………………………………………….Pg 12
 Sistemas de optimización……………………………………………………..Pg 13
 Opinión Personal………………………………………………………………….Pg 15
 Referencias bibliográficas…………………………………………………….Pg 16

2
Procesamiento de Lenguaje Natural (PLN)
Definición
Es un campo dentro de la inteligencia artificial y la lingüística aplicada que estudia
las interacciones mediante uso del lenguaje natural entre los seres humanos y las
máquinas. Más concretamente se centra en el procesamiento de las
comunicaciones humanas, dividiéndolas en partes, e identificando los elementos
más relevantes del mensaje. Con la Comprensión y Generación de Lenguaje
Natural, busca que las máquinas consigan entender, interpretar y manipular el
lenguaje humano.

Características

 Se encarga de interpretar un mensaje y entender su significado e intención

 Se encarga de procesar textos de documentos, para poder recuperar partes
específicas en base a palabras clave. Por ejemplo técnicas como la extracción
de información estructurada o los sistemas de respuesta a preguntas de
usuarios.
 Estudia los sistemas capaces de traducir mensajes entre diferentes lenguas o
idiomas.
 También se está utilizando el procesamiento del lenguaje natural para resumir
textos de extensiones largas de manera automática o extraer palabras clave
para clasificarlos.

Ejemplos

Los filtros de correo electrónico son una de las aplicaciones más básicas e iniciales
del procesamiento del lenguaje natural en línea. Comenzaron con los filtros de
correo no deseado, que dependían de ciertas palabras o frases. Sin embargo, el
filtrado ha ido mejorando, al igual que las primeras adaptaciones del NLP.

3
Los motores de búsqueda usan NLP para obtener resultados relevantes sobre la
base de comportamientos de búsqueda o intenciones de usuarios similares. Como
consecuencia, la persona promedio encuentra lo que necesita sin tener que ser un
mago de los términos de búsqueda.

Las herramientas como la corrección automática, la función de autocompletar y el

texto predictivo son tan comunes en nuestros smartphones que las damos por
sentadas. Las funciones de autocompletar y texto predictivo son similares a los
motores de búsqueda, ya que predicen lo que el usuario va a decir sobre la base de
lo que escribió, y completan la palabra o sugieren cómo terminar la frase.

4
Reconocimiento de patrones

Definición

Es la ciencia que se encarga de la descripción y clasificación (reconocimiento) de

los procesos sobre ingeniería, computación y matemáticas relacionados con
objetos físicos y/o abstractos, personas, señales, representaciones, etc., con el
propósito de extraer información que permita establecer propiedades de o entre
conjuntos de dichos objetos. 

Características

 El reconocimiento de patrones aprende de los datos.

 Reconoce patrones automáticamente incluso cuando son parcialmente visibles.
 Debe ser capaz de reconocer patrones que le sean familiares.
 El patrón debe reconocerse desde diferentes ángulos y formas.
 El objetivo principal de un sistema de reconocimiento automático de patrones
es descubrir la naturaleza subyacente de un fenómeno u objeto, describiendo y
seleccionado las características fundamentales que permitan clasificarlo en una
categoría determinada.

Ejemplos
Clasificación por forma: Cuando se plantea la tarea de asignar objetos por forma,
se deben especificar primitivas de clasificación. La mayoría de los métodos de
búsqueda utilizan objetos redondos, elípticos, rectangulares o rectilíneos como
primitivos.

Búsqueda por plantilla: El método universal de búsqueda por forma es reconocido

por el método de ajuste de la plantilla. Una plantilla que tiene una forma cuyos
objetos deben seleccionarse se mueve a lo largo de la imagen, se calcula la
característica de posición, y donde el indicador de esta característica excede algún
umbral, puede estar el objeto de la forma deseada.

5
 Búsqueda por descripción analítica del formulario: La práctica común de buscar
objetos en una forma que tiene una descripción analítica. Por ejemplo, una elipse
se puede describir con una fórmula simple del curso de geometría analítica.

Clasificación por color: Muchos objetos se pueden clasificar en función de su color:

tienen una coloración específica permanentemente o, en algunos momentos, su
coloración se puede regular con bastante claridad. Además, debido al hecho de
que hay muchas bases de representación de componentes de color, no es raro que
en una base en particular, este objeto se pueda clasificar casi sin errores.

Robótica

Definición

La robótica es una disciplina que se ocupa del diseño, operación, manufacturación,

estudio y aplicación de autómatas o robots. Para ello, combina la ingeniería
mecánica, ingeniería eléctrica, ingeniería electrónica, ingeniería biomédica y las
ciencias de la computación, así como otras disciplinas.

Características

 La robótica es la ciencia que estudia a los robots, y como tal, concentra las
distintas disciplinas necesarias para diseñar y fabricarlos. Así, reúne
conocimientos de distintas ramas de la ingeniería, de la electrónica, de la física,
la informática, la mecánica, la animatrónica y otras áreas del saber semejantes.
6
  Su cometido, claramente, es desarrollar los diferentes aspectos de un robot
funcional: su autonomía e inteligencia propia, su resistencia y capacidad de
operatividad, su programación y mecanismos de control.
 Además, se trata de una disciplina relativamente joven, cuyas aplicaciones en la
vida real tienen un enorme impacto. Al mismo tiempo es fuente de
desconfianza y de temores de parte de la sociedad.

Ejemplos

 Control y administración del gasto: Es cierto que existe una gran alternativa de
opciones de software para acometer esta función, pero las soluciones robóticas
pueden llegar a ser mucho más eficientes. Pueden realizar tareas mucho más
específicas como, por ejemplo, la extracción automática de campos
importantes de recibos o facturas necesarias para cada tarea a desarrollar.
 Categorización de productos: Especialmente en el caso de las empresas
minoristas, la gestión de productos incluye labores tan repetitivas y
tediosas como la actualización de código de artículo o número de referencia
con el producto. Se pueden utilizar los robots para automatizar este proceso, lo
que ahorra miles de horas de trabajo.
 Procesamiento de pedidos: Otra área funcional que conlleva un buen número
de tareas, procesos diarios y repetitivos: direcciones, introducir datos, facturas,
etiquetas de envío, o control y gestión del  inventario del almacén. Un sistema
de automatización robótica podría desarrollar estas funciones con toda
la naturalidad y 0% de errores.

7
Sistemas Expertos

Definición

Son sistemas basados en computadoras, interactivos y confiables, que pueden

tomar decisiones y resolver problemas complejos. La toma de decisiones se
considera el más alto nivel de inteligencia y experiencia humana. La IA simula estos
procesos y cuando hablamos de sistemas expertos nos referimos a la resolución de
los problemas más complejos en un dominio específico.

Características

Para que un sistema actúe como un verdadero experto, es deseable que reúna, en
lo posible, lo más importante de las características de un experto humano, esto es:

 Habilidad para adquirir conocimiento.

 Fiabilidad, para poder confiar en sus resultados o apreciaciones.
 Solidez en el dominio de su conocimiento.
 Capacidad para resolver problemas.

Dada la complejidad de los problemas que usualmente tiene que resolver un

sistema experto, puede existir cierta duda en el usuario sobre la validez de
respuesta obtenida. Por este motivo, es una condición indispensable que un
sistema experto sea capaz de explicar su proceso de razonamiento o dar razón del
por qué solicita tal o cual información o dato.

Estas características le permiten almacenar datos y conocimiento, sacar

conclusiones lógicas, tomar decisiones, aprender de la experiencia y los datos
existentes, comunicarse con expertos humanos, explicar el por qué de las
decisiones tomadas y realizar acciones como consecuencia de todo lo
anterior.Técnicamente un sistema experto, contiene una base de conocimientos
que incluye la experiencia acumulada de expertos humanos y un conjunto de

8
 reglas para aplicar ésta base de conocimientos en una situación particular que se le
indica al programa. Cada vez el sistema se mejora con adiciones a la base de
conocimientos o al conjunto de reglas.

Ejemplos

 MYCIN: es uno de los primeros sistemas expertos basados en el

encadenamiento hacia atrás. Este sistema es capaz de identificar varias
bacterias que pueden causar infecciones agudas y también puede
recomendar medicamentos según el peso del paciente.
 DENDRAL: es un sistema experto basado en inteligencia artificial
utilizado para el análisis químico. 
 R1 / XCON: es usado en el campo de la informática. Es capaz de
seleccionar un software específico para generar un sistema informático
a gusto del usuario.
 PXDES: es un gran sistema para la medicina moderna. Puede determinar
fácilmente el tipo y el grado de cáncer de pulmón en un paciente a
través de un análisis de datos.
 CaDet: también es un sistema de apoyo clínico que podría identificar el
cáncer en etapas tempranas.
 DXplain: otro sistema de apoyo clínico, pero en este caso, tiene la
capacidad de sugerir una variedad de enfermedades según los hallazgos
del médico.

9
Lógica difusa
Definición

Es básicamente una lógica que permite valores imprecisos, inexactos, intermedios

o aproximados para poder definir evaluaciones convencionales entre sí/no,
verdadero/falso, negro/blanco, etc. La inventó Lofti Zadeh en los años 60’s
combinando los conceptos de la lógica y de los conjuntos de Lukasiewicz mediante
la definición de grados de pertenencia.

Características

 Soporta datos imprecisos

 Es conceptualmente fácil de entender
 Es flexible
 Es tolerante a los datos imprecisos
 Se basa en el lenguaje humano
 Se basa en la experiencia de expertos conocedores del problema en
cuestión.
 Puede modelar funciones no lineales de alguna complejidad.
 Combina en forma unificada expresiones lingüísticas con datos numéricos.

Ejemplo

10
Típico ejemplo del ventilador y la pelota. El script principal es:

El modulo que contiene a todas las funciones de membrecía es:

11
Sistemas de regresión

Definición
La regresión es una de las herramientas estadísticas y de aprendizaje automático
más importantes. No nos equivocaríamos al decir que el viaje del aprendizaje
automático comienza con la regresión. Puede definirse como la técnica
paramétrica que nos permite tomar decisiones basadas en datos o, en otras
palabras, nos permite hacer predicciones basadas en datos aprendiendo la relación
entre las variables de entrada y salida.

Un ejemplo de esta es la Regresión lineal que utiliza la relación entre los puntos de
datos para dibujar una línea recta a través de todos ellos. Esta línea se puede
utilizar para predecir valores futuros.

Características

12
  Utiliza una variable dependiente (desenlace o “y”) para predecir
 Utiliza una variable independiente (maniobra o “x”)
 Utiliza un término aleatorio
 El primer paso es determinar la pendiente o inclinación de la línea de
regresión

Ejemplo

Podemos predecir la emisión de CO2 de un automóvil en función del tamaño del

motor, pero con la regresión múltiple, podemos incluir más variables, como el peso
del automóvil, para que la predicción sea más precisa.

En Python, tenemos módulos que harán el trabajo por nosotros. Comience

importando el módulo Panda

13
Sistemas de optimización
Definición
Uno de los pilares del aprendizaje automático es la optimización matemática, que
implica el cálculo numérico de parámetros en sistemas diseñados para tomar
decisiones sobre datos que aún no han sido analizados. La mejora de los métodos
de optimización para el aprendizaje automático ha inspirado a un gran número de
personas en varias comunidades de investigación a abordar problemas cada vez
más desafiantes y a diseñar nuevos métodos de aplicación más amplia.

Estos desafíos conducen a problemas de gran escala en el que las técnicas

tradicionales de optimización no lineal sobre regiones no convexas empiezan a no
ser adecuadas y, por lo tanto, conducen a considerar otros enfoques.

Características

o Hace uso de modelos matemáticos para dar la mejor respuesta a

problemas complejos en los cuales se quieren optimizar los recursos
para alcanzar varios objetivos
o Permiten identificar la solución óptima donde encontrar el punto de
equilibrio que maximiza el cumplimiento de los objetivos marcados.
o La creciente complejidad de los problemas que se han resuelto con
estas disciplinas y la eficiencia de sus resultados han ayudado
enormemente a su popularización.

Ejemplos

Actualmente existen diferentes técnicas de optimización que surgen de la gran

variedad de problemas de aprendizaje automático. Así como, por ejemplo, para la
clasificación de textos se han obtenido buenos resultados con técnicas como la
regresión logística o máquinas de vectores de soporte, para problemas de
14
 reconocimiento de voz o imágenes (tareas perceptivas) necesitamos resolver
problemas muy complejos no lineales con regiones no convexas.

Opinión Personal

Primero está el tema de procesamiento de lenguaje natural que es una disciplina

encargada de estudiar las interacción entre el humano y la maquina mediante el
uso de lenguaje natural. Es algo que podemos encontrar fácilmente en la
actualidad por ejemplo la autocorrección de la aplicación de teclado. Después
tenemos el reconocimiento de patrones que está encargado de describir y
clasificar procesos y este los clasifica mediente la características del objeto o dato.
Después esta la robótica, que sinceramente no muestro mucho interés en lo
referente a mecanismos que realiza un comportamiento parecido al humano,
aunque hay varias invenciones bastante interesantes en el campo de la robótica,
sinceramente no es mi fuerte. En cuanto al resto de temas puede ver gran
influencia de uso de las matemáticas con la inteligencia artificial, aunque
realmente todo lo referente a la programación usa esa lógica matematica.

15
Referencias bibliográficas

 https://www.tableau.com/es-es/learn/articles/natural-language-processing-
examples
 https://decidesoluciones.es/procesamiento-del-lenguaje-natural-pln-o-nlp-
que-es-y-para-que-se-utiliza/
 https://www.viewnext.com/que-es-pln-procesamiento-lenguaje-natural/
 https://itziasite.wordpress.com/reconocimiento-de-patrones/
 https://ichi.pro/es/reconocimiento-de-patrones-en-que-se-diferencia-del-
aprendizaje-automatico-103548183079097
 https://recfaces.com/es/articles/reconocimiento-de-patrones
 https://concepto.de/robotica/
 https://www.up-spain.com/blog/ejemplos-automatizacion-robotica-
organizaciones/
 https://www.ecured.cu/Sistemas_expertos
 https://www.tecnologias-informacion.com/sistemas-expertos.html
16
  https://pythonr2.wordpress.com/2008/10/29/un-tipico-ejemplo-de-logica-
borrosa-o-disfusa-en-python/
 https://es.slideshare.net/CrypticHernndezOrtega/lgica-difusa-fuzzy-logic
 https://ichi.pro/es/la-guia-definitiva-para-principiantes-sobre-regresion-en-
python-255480813895949
 https://isolution.pro/es/t/artificial-intelligence-with-python/artificial-
intelligence-with-python-supervised-learning-regression/ia-con-python-
aprendizaje-supervisado-regresion
 https://www.gams.com/docs/contributed/modelado_en_gams.pdf
 https://www.tecnologiaclic.com/ciencia/optimizacion-matematica-inteligencia-
artificial/

17