Qué aprende un sistema de IA
Generar contenido describe una finalidad: las redes profundas también pueden clasificar, no sólo generar.
Los enlaces con ?t= abren el vídeo en un segundo concreto.
Las ideas que debes retener
1. El Marco General: IA, ML, DL y GenAI
Una forma efectiva de visualizar la jerarquía es la siguiente:
2. ¿Cómo aprenden estos sistemas?
No son tipos de modelos, sino formas distintas de construir la señal de aprendizaje: en definitiva, de qué tipo de profesor usamos.
3. Cómo se ajustan estos sistemas
Saber de dónde sale la señal que hace que aprenda (supervisado / auto-supervisado / RL) no basta.
Ve directamente a una sección
Leer transcripción revisada
Vídeo sin narración. Esta transcripción reproduce el texto visual del vídeo; no atribuye una voz inexistente.
Familia técnica y finalidad no son lo mismo
IA es el conjunto amplio; incluye sistemas de reglas y sistemas que aprenden.
Machine learning aprende de datos. Deep learning utiliza redes neuronales de múltiples capas.
Generar contenido describe una finalidad: las redes profundas también pueden clasificar, no sólo generar.
Un árbol aprende una pregunta concreta
Probamos si la lectura del sensor supera cuatro unidades.
El entrenamiento compara ese corte con otro en seis unidades.
El ejemplo elige seis porque separa estas etiquetas; no porque seis sea una ley física.
Contar frecuencias no es demostrar una causa
La palabra urgente aparece en ocho de diez mensajes spam del ejemplo.
También aparece en uno de diez mensajes legítimos.
Son frecuencias condicionadas a la clase; el posterior requiere además priors y otras evidencias.
El centro se mueve hacia sus ejemplos
Un grupo contiene tres puntos con coordenadas horizontales uno, tres y cinco.
Su centro actual está en dos; recalcular la media lo desplaza a tres.
El nuevo centro depende de la asignación del grupo, no de una etiqueta externa.
Una neurona calcula, compara y se ajusta
Dos entradas y dos pesos: 2 × 0,4 − 0,2 = 0,6.
ReLU conserva 0,6. Con objetivo 1, el error cuadrático es 0,16.
Entrenar ajusta pesos usando el error. Inferir utiliza los pesos fijados.
Los datos de mañana pueden cambiar
La evaluación inicial usa lecturas parecidas a las del entrenamiento.
Después cambia la distribución de entrada, aunque el modelo permanezca idéntico.
Detectar deriva pide investigar el rendimiento; la deriva sola no demuestra que todas las predicciones fallen.
