Texto base usado para explicar los ejemplos del playground. La fuente editable
esta en docs/example_content.csv.
Francisco Franco
Docente del curso introductorio de Inteligencia Artificial
Aprende IA: ruta practica para aprender IA con ejemplos interactivos
Estos datos se editan desde docs/example_content.csv para mantener el contenido del curso centralizado.
Capacidad de un sistema informatico para realizar tareas que normalmente requieren inteligencia humana, como reconocer patrones, clasificar informacion, tomar decisiones o generar texto.
La inteligencia artificial puede clasificarse hoy en varias categorías según su alcance y función. Entre las más conocidas están la IA estrecha, diseñada para realizar tareas concretas con un alto nivel de especialización; la IA general, que todavía es una idea teórica y se refiere a sistemas capaces de razonar y aprender como una persona en distintos contextos; y la IA generativa, enfocada en crear contenido nuevo como texto, imágenes, audio o código a partir de patrones aprendidos. También destacan la IA predictiva, que analiza datos para anticipar resultados o comportamientos, y los sistemas de apoyo a decisiones, que ayudan a interpretar información y a tomar mejores decisiones en entornos complejos. En este portal trabajamos principalmente con IA estrecha, aplicada a tareas específicas y orientada a resolver necesidades concretas de forma eficiente. Este enfoque permite aprovechar el potencial de la inteligencia artificial en contextos prácticos, con soluciones especializadas que aportan valor real en procesos, análisis y automatización.
Conjunto de instrucciones que una computadora sigue para resolver un problema. En IA, los algoritmos ayudan a aprender patrones a partir de los datos.
Informacion utilizada para entrenar, probar y evaluar modelos de IA.
Variables o atributos que describen cada dato. En Titanic pueden ser edad, sexo y clase del boleto.
Respuesta correcta que se utiliza durante el entrenamiento supervisado. En Titanic: sobrevivio o no sobrevivio.
Resultado del aprendizaje de la IA después de analizar muchos ejemplos. Durante ese proceso, el modelo identifica regularidades y patrones que aparecen una y otra vez en los datos, como relaciones entre entradas y salidas, formas comunes de describir situaciones o señales que suelen acompañar a ciertos resultados. Gracias a esa experiencia acumulada, la IA aprende a generalizar: no solo repite lo que vio en el entrenamiento, sino que utiliza lo aprendido para responder ante datos nuevos que no son idénticos, pero sí parecidos. Por ejemplo, si la IA se entrena con muchos textos donde ciertas palabras aparecen en contextos similares, puede reconocer el sentido probable de una frase nueva y generar una respuesta coherente. De forma análoga, si ha visto numerosos ejemplos de imágenes con objetos en distintas condiciones de luz o ángulo, puede clasificar una imagen nueva aunque no sea exactamente igual a las anteriores. En resumen, el modelo no “memoriza” cada caso de manera literal, sino que guarda patrones útiles para tomar decisiones y producir respuestas cuando recibe información nueva. Esto es lo que permite que la IA funcione de manera práctica: adapta lo aprendido a situaciones nuevas y ofrece resultados consistentes basados en los ejemplos analizados.
El proceso mediante el cual el modelo aprende patrones presentes en los datos consiste en analizar ejemplos para identificar regularidades que se repiten. A partir de esa información, el modelo ajusta su funcionamiento para que pueda reconocer relaciones entre las entradas y las salidas esperadas, incluso cuando se le presentan casos nuevos. Por ejemplo, si se entrena con correos electrónicos etiquetados como “spam” o “no spam”, el modelo puede aprender qué características suelen aparecer en los correos no deseados, como ciertos tipos de palabras o estructuras. Luego, cuando recibe un correo que no vio antes, utiliza lo aprendido para estimar a qué categoría se parece más. De manera similar, en el reconocimiento de imágenes, al mostrarle muchas fotos con sus etiquetas, el modelo puede aprender patrones visuales como formas, texturas o combinaciones de colores asociadas a distintas categorías. Con el tiempo, su capacidad para clasificar imágenes nuevas mejora porque ya no depende de reglas fijas, sino de los patrones que detectó durante el entrenamiento. En general, este aprendizaje se basa en que el modelo observa datos, compara sus resultados con lo que se esperaba y ajusta su comportamiento para reducir los errores. Con suficientes ejemplos y un entrenamiento bien planteado, el modelo logra capturar patrones útiles y generalizar mejor a situaciones que no estaban exactamente en el conjunto de entrenamiento.
Respuesta que genera el modelo cuando recibe datos nuevos, procesando la información recibida para producir una salida coherente y adaptada al contexto. Puede tratarse de una contestación breve, una explicación más amplia o una reformulación del contenido, según el tipo de datos de entrada y el objetivo de la interacción. Por ejemplo, si se le proporciona una pregunta, el modelo puede responder directamente; si recibe un texto, puede resumirlo o ampliarlo; y si se le da una instrucción, puede seguirla para generar el resultado solicitado.
La evaluacion mide aciertos y errores. La probabilidad expresa que tan posible considera el modelo una respuesta; la confianza resume la seguridad de una prediccion.
La inteligencia artificial se apoya en distintos tipos de IA, algoritmos y modelos que permiten procesar grandes volúmenes de datos y aprender de ellos para realizar tareas específicas. A partir de conjuntos de datos organizados con etiquetas, los sistemas pueden identificar patrones, reconocer relaciones y ajustar sus parámetros durante el entrenamiento. Gracias a este proceso, desarrollan capacidades que les ayudan a mejorar su desempeño en diferentes contextos, por ejemplo, al clasificar información, detectar tendencias o hacer recomendaciones. Una vez entrenado, el modelo puede hacer predicciones sobre nueva información y generar resultados a partir de lo que ha aprendido. Después, suele someterse a un proceso de evaluación para medir su precisión, su eficacia y su capacidad de generalizar en situaciones distintas a las vistas durante el entrenamiento. Este ciclo, que combina datos, algoritmos, entrenamiento, predicción y evaluación, es fundamental para construir soluciones de IA confiables, útiles y adaptadas a distintas necesidades.
Hechos, base de conocimiento, reglas IF-THEN, motor de inferencia y explicabilidad.
Machine Learning general, tipos de aprendizaje, clasificacion, regresion, prueba, sobreajuste y modelos clasicos.
Redes neuronales, neurona artificial, pesos, activaciones, capas, retropropagacion, CNN y frontera de decision.
Sistemas de recomendacion, similitud, planificacion, estados, busqueda, heuristica y costo.
La IA generativa y los LLMs IA generativa, LLM, prompt, token, embedding, contexto, temperatura y alucinacion.
Programa que imita una parte del razonamiento de una persona especialista usando conocimiento estructurado y reglas.
Conjunto de hechos, reglas y criterios que el sistema usa para tomar decisiones.
Dato conocido sobre el caso actual, por ejemplo fiebre verdadera, suelo franco o costo menor a cierto limite.
Condicion y conclusion: si se cumplen los hechos indicados, entonces el sistema activa una recomendacion o diagnostico.
Parte del sistema que revisa los hechos, aplica reglas y produce conclusiones.
Capacidad de mostrar que regla se activo y por que se obtuvo una conclusion.
Las reglas no aprenden solas desde datos; dependen de que el conocimiento humano este bien escrito y actualizado.
Rama de la IA donde los sistemas aprenden patrones desde datos en lugar de depender solo de reglas escritas manualmente.
Tipo de aprendizaje donde cada ejemplo tiene una etiqueta o respuesta correcta. Se usa para clasificacion y regresion.
Tipo de aprendizaje donde el modelo busca patrones o grupos sin recibir respuestas correctas previamente.
Tipo de aprendizaje donde un agente prueba acciones y aprende segun recompensas o penalizaciones.
Problema donde la IA selecciona una categoria. Ejemplos del portal: Titanic, Iris, Cancer de mama y Digitos manuscritos.
Problema donde la IA predice un valor numerico. Ejemplo: precio de vivienda.
El modelo aprende con una parte de los datos y se evalua con datos nuevos para comprobar si generaliza.
Ocurre cuando el modelo memoriza demasiado los datos de entrenamiento y falla con datos nuevos.
Modelo que toma decisiones mediante preguntas sucesivas. Ejemplo: Titanic.
Conjunto de muchos arboles de decision que trabajan juntos para mejorar estabilidad y precision. Ejemplo: vivienda.
Modelo que busca separar grupos mediante fronteras matematicas. Ejemplo: Iris.
Modelos inspirados en neuronas biologicas que combinan muchas unidades simples para aprender patrones complejos.
Rama del Machine Learning basada en redes neuronales profundas con varias capas.
Unidad basica de una red neuronal: recibe entradas, las combina con pesos y produce una salida.
Los pesos indican la importancia de cada entrada y el sesgo ajusta la salida de la neurona.
Regla matematica que decide como responde una neurona y permite aprender relaciones no lineales.
Capas intermedias que transforman la informacion para detectar patrones mas complejos.
Proceso con el que la red calcula errores y ajusta sus pesos para mejorar sus predicciones.
Redes especializadas en imagenes que detectan bordes, formas y patrones visuales. Ejemplo: Fashion MNIST.
Limite matematico que separa diferentes categorias aprendidas por un modelo.
Modelos que sugieren contenido basandose en preferencias, similitud y patrones de usuarios o elementos.
Medida que indica que tan parecidos son dos usuarios, productos, textos o vectores.
Area de IA que busca una secuencia de acciones para alcanzar un objetivo.
Descripcion de como se encuentra un problema en un momento determinado, por ejemplo la posicion actual en un laberinto.
Exploracion de posibles caminos o soluciones hasta encontrar una respuesta valida.
Estimacion que guia la busqueda hacia soluciones prometedoras. En A*, ayuda a encontrar rutas mas eficientes.
El costo, en planificación, es un valor numérico que se asocia a una acción o a un camino dentro de un problema. Sirve para medir “qué tan caro” resulta tomar una determinada decisión o recorrer una ruta específica. La idea central es que, al evaluar alternativas, el planificador compara costos para decidir cuál opción conviene más según el objetivo del problema. En muchos casos, la búsqueda se guía por ese costo para encontrar una solución eficiente. Por ejemplo, si existen varias formas de llegar de un punto A a un punto B, cada movimiento puede tener un costo distinto (por ejemplo, por distancia, tiempo o esfuerzo). La búsqueda puede intentar minimizar el costo total acumulado, eligiendo rutas que, en conjunto, resulten más convenientes. También puede ocurrir que el costo se calcule de manera acumulativa: el costo de un camino se obtiene sumando los costos de las acciones que lo componen. Así, una ruta con menos pasos no necesariamente es la mejor si algunas acciones son muy costosas. En cambio, otra ruta con más etapas podría ser preferible si sus acciones tienen costos menores. En resumen, el costo funciona como una medida de preferencia: permite que la búsqueda no solo busque una solución, sino que además intente encontrar la solución con el menor costo posible, ajustándose a la forma en que el problema define ese valor.
Tipo de IA que crea contenido nuevo, como texto, imagenes, codigo o audio, a partir de patrones aprendidos.
Modelo de lenguaje entrenado con enormes cantidades de texto. Ejemplos: ChatGPT, Claude y Gemini.
Instruccion o mensaje que una persona escribe para guiar la respuesta de un modelo generativo.
Pequena unidad de texto usada por modelos de lenguaje. Puede ser una palabra, parte de una palabra o signo de puntuacion.
Representacion numerica de palabras, frases o documentos que conserva parte de su significado.
Informacion disponible para el modelo al generar una respuesta: prompt, historial, documentos o instrucciones.
Parametro que controla creatividad y variacion: baja produce respuestas mas consistentes; alta produce respuestas mas variadas.
Respuesta incorrecta o inventada que el modelo puede presentar con seguridad. Por eso es importante verificar informacion.
Capacidad de un sistema informatico para realizar tareas que normalmente requieren inteligencia humana, como reconocer patrones, clasificar informacion, tomar decisiones o generar texto.
Procedimiento con reglas fijas definidas por el programador. Para la misma entrada siempre produce el mismo resultado, sin aprender ni cambiar su comportamiento.
La inteligencia artificial suele clasificarse en tres tipos principales: estrecha, general y superinteligente. La inteligencia artificial estrecha es la más común hoy en día. Se caracteriza por estar diseñada para realizar tareas específicas y acotadas, como reconocer patrones, clasificar información o generar respuestas dentro de un marco determinado. Por ejemplo, puede ayudar a filtrar correos no deseados, recomendar películas según lo que te gusta o traducir textos de un idioma a otro. Aunque estas herramientas pueden parecer “inteligentes”, en realidad funcionan bien en el tipo de problema para el que fueron entrenadas, pero no “entienden” el mundo de la misma forma que una persona. La inteligencia artificial general, en cambio, sería capaz de realizar cualquier tarea intelectual humana. Esto implicaría poder aprender y adaptarse a situaciones muy distintas, con flexibilidad para resolver problemas nuevos sin depender de un entrenamiento tan específico. En la práctica, todavía no existe una IA general plenamente funcional. La idea es que, si llegara a desarrollarse, podría pasar de un tipo de tarea a otra con una comprensión más amplia, similar a la que usamos los humanos cuando enfrentamos retos desconocidos. Por último, la inteligencia artificial superinteligente se plantea como una inteligencia teórica que superaría ampliamente las capacidades humanas. No se trata solo de hacer tareas mejor o más rápido, sino de alcanzar niveles de rendimiento muy superiores en áreas como el razonamiento, la creatividad o la resolución de problemas complejos. Este tipo de IA es, por ahora, más una hipótesis que una realidad tecnológica. Actualmente, todas las herramientas de IA disponibles en el día a día pertenecen al grupo de la inteligencia artificial estrecha. Es decir, aunque ya pueden automatizar y mejorar muchos procesos, lo hacen dentro de límites definidos, y no alcanzan todavía la flexibilidad y amplitud que se asocian con la inteligencia general o superinteligente.
Tecnica donde una funcion se llama a si misma sobre subproblemas mas pequenos. Ejemplo: Torres de Hanoi resuelve n discos moviendo primero n-1 discos.
Un algoritmo es un conjunto ordenado de instrucciones que una computadora sigue para resolver un problema o realizar una tarea específica. En otras palabras, es una secuencia lógica de pasos que organiza el proceso de principio a fin y permite transformar datos de entrada en una respuesta o resultado concreto. Por ejemplo, puede servir para ordenar una lista, calcular un resultado o indicar qué acción debe realizar un sistema en una situación determinada. En el campo de la inteligencia artificial, los algoritmos son fundamentales porque permiten a los sistemas aprender patrones a partir de los datos, identificar relaciones, hacer predicciones y tomar decisiones de manera automática. Gracias a ellos, la IA puede analizar información, reconocer tendencias y ajustar su comportamiento según la experiencia acumulada. Por ejemplo, un sistema puede aprender a distinguir entre distintos tipos de contenido o a anticipar una posible respuesta a partir de datos previos. En este sentido, los algoritmos no solo hacen posible que la inteligencia artificial funcione, sino que también le dan la capacidad de mejorar su desempeño con el tiempo y adaptarse a distintas situaciones. Esto los convierte en una pieza esencial para desarrollar soluciones más eficientes, precisas y útiles en diferentes contextos.
Estrategia que divide un problema en partes, resuelve cada parte y combina resultados. Merge Sort y busqueda binaria son ejemplos classicos.
Informacion utilizada para entrenar, probar y evaluar modelos de IA.
Mide cuanto tiempo o memoria requiere un algoritmo. Fibonacci recursivo crece exponencialmente; la version iterativa es lineal.
Variables o atributos que describen cada dato. En Titanic pueden ser edad, sexo y clase del boleto.
Estos algoritmos no entrenan con datos ni detectan patrones automaticamente. Contrastan con modelos de ML que aprenden desde ejemplos.
Respuesta correcta que se utiliza durante el entrenamiento supervisado. En Titanic: sobrevivio o no sobrevivio.
Resultado del aprendizaje de la IA despues de analizar muchos ejemplos. El modelo guarda patrones utiles para responder ante datos nuevos.
Proceso mediante el cual el modelo aprende patrones presentes en los datos.
Respuesta que genera el modelo cuando recibe datos nuevos.
La evaluacion mide aciertos y errores. La probabilidad expresa que tan posible considera el modelo una respuesta; la confianza resume la seguridad de una prediccion.
Rama de la IA donde los sistemas aprenden patrones desde datos en lugar de depender solo de reglas escritas manualmente.
Programa que imita una parte del razonamiento de una persona especialista usando conocimiento estructurado y reglas.
Tipo de aprendizaje donde cada ejemplo tiene una etiqueta o respuesta correcta. Se usa para clasificacion y regresion.
Conjunto de hechos, reglas y criterios que el sistema usa para tomar decisiones.
Tipo de aprendizaje donde el modelo busca patrones o grupos sin recibir respuestas correctas previamente.
Dato conocido sobre el caso actual, por ejemplo fiebre verdadera, suelo franco o costo menor a cierto limite.
Tipo de aprendizaje donde un agente prueba acciones y aprende segun recompensas o penalizaciones.
Condicion y conclusion: si se cumplen los hechos indicados, entonces el sistema activa una recomendacion o diagnostico.
Problema donde la IA selecciona una categoria. Ejemplos del portal: Titanic, Iris, Cancer de mama y Digitos manuscritos.
Parte del sistema que revisa los hechos, aplica reglas y produce conclusiones.
Problema donde la IA predice un valor numerico. Ejemplo: precio de vivienda.
Capacidad de mostrar que regla se activo y por que se obtuvo una conclusion.
El modelo aprende con una parte de los datos y se evalua con datos nuevos para comprobar si generaliza.
Las reglas no aprenden solas desde datos; dependen de que el conocimiento humano este bien escrito y actualizado.
Ocurre cuando el modelo memoriza demasiado los datos de entrenamiento y falla con datos nuevos.
Modelo que toma decisiones mediante preguntas sucesivas. Ejemplo: Titanic.
Conjunto de muchos arboles de decision que trabajan juntos para mejorar estabilidad y precision. Ejemplo: vivienda.
Modelo que busca separar grupos mediante fronteras matematicas. Ejemplo: Iris.
Las redes neuronales son modelos computacionales inspirados en el funcionamiento de las neuronas biológicas. En lugar de resolver un problema con reglas fijas, están formadas por muchas unidades simples conectadas entre sí, que trabajan en conjunto para aprender a partir de los datos. Cada unidad recibe información, la transforma mediante operaciones matemáticas y la transmite a las siguientes, de modo que el sistema completo pueda capturar relaciones cada vez más complejas. Durante el entrenamiento, la red ajusta sus conexiones para reducir el error entre sus predicciones y los resultados reales. Este proceso permite que la red identifique patrones que podrían ser difíciles de describir manualmente. Por ejemplo, en reconocimiento de imágenes, una red puede aprender a distinguir bordes, formas y finalmente objetos completos, sin que se le indiquen explícitamente esas características. En el procesamiento de lenguaje, puede aprender regularidades del texto, como patrones de palabras o contextos frecuentes, para tareas como clasificar mensajes o predecir la siguiente palabra. En general, cuanto más capas y conexiones tenga la red, mayor capacidad tendrá para representar patrones complejos. Sin embargo, el desempeño depende también de la calidad y cantidad de datos, así como de la forma en que se entrena el modelo. Así, las redes neuronales se han convertido en una herramienta fundamental para resolver problemas variados, desde visión por computadora hasta análisis de texto, gracias a su capacidad para aprender a partir de ejemplos.
Rama del Machine Learning basada en redes neuronales profundas con varias capas.
Unidad basica de una red neuronal: recibe entradas, las combina con pesos y produce una salida.
Los pesos indican la importancia de cada entrada y el sesgo ajusta la salida de la neurona.
Regla matematica que decide como responde una neurona y permite aprender relaciones no lineales.
Capas intermedias que transforman la informacion para detectar patrones mas complejos.
Proceso con el que la red calcula errores y ajusta sus pesos para mejorar sus predicciones.
Redes especializadas en imagenes que detectan bordes, formas y patrones visuales. Ejemplo: Fashion MNIST.
Limite matematico que separa diferentes categorias aprendidas por un modelo.
## Sistemas de recomendación Los sistemas de recomendación son modelos y herramientas que ayudan a sugerir contenido de manera personalizada. Su objetivo es mostrar opciones que probablemente le interesen a una persona, en función de lo que esa persona ha hecho antes y de lo que otros usuarios hacen en situaciones parecidas. Para lograrlo, suelen apoyarse en varios enfoques. Uno de ellos es la similitud: el sistema identifica patrones en usuarios que se comportan de forma parecida y recomienda elementos que funcionaron bien para ese grupo. *Por ejemplo, si a dos personas les gustan películas del mismo tipo y una de ellas también disfruta una película nueva, el sistema puede sugerir esa película a la otra.** Otro enfoque es el uso de preferencias. Aquí el sistema intenta entender qué le gusta a cada usuario a partir de señales como lo que ve, lo que guarda, lo que reproduce o lo que califica. Por ejemplo, si alguien suele elegir videos cortos sobre un tema específico, el sistema puede priorizar contenido similar cuando aparezcan nuevas opciones. Además, muchos sistemas incorporan patrones de usuarios y elementos. Esto significa que no solo miran al usuario de forma aislada, sino también cómo se relacionan los elementos entre sí. Por ejemplo, si ciertos artículos o canciones suelen aparecer juntos en las elecciones de muchas personas, el sistema puede recomendar uno cuando el usuario muestra interés por el otro. En conjunto, estos métodos permiten que las recomendaciones cambien con el tiempo y se ajusten a nuevas interacciones. Así, a medida que el usuario consume contenido diferente, el sistema puede actualizar sus sugerencias para reflejar mejor sus intereses actuales.
Medida que indica que tan parecidos son dos usuarios, productos, textos o vectores.
La planificación es un área de la inteligencia artificial que se enfoca en encontrar una secuencia de acciones que permita alcanzar un objetivo. En lugar de limitarse a responder de forma inmediata, un sistema de planificación intenta pensar “paso a paso” qué debe hacer, considerando las condiciones del entorno y cómo cada acción puede afectar el resultado. Para lograrlo, la planificación suele trabajar con un conjunto de estados posibles y reglas que describen qué acciones están disponibles y qué cambios producen. A partir de esa información, busca una ruta que lleve desde un estado inicial hasta un estado deseado. El objetivo puede ser, por ejemplo, mover un robot de un lugar a otro, organizar tareas en un horario o decidir qué pasos seguir para resolver un problema. Un aspecto clave es que no todas las acciones llevan directamente al objetivo. A veces se requiere una serie de movimientos o decisiones intermedias. Por ejemplo, si un robot necesita llegar a una habitación pero hay obstáculos, puede tener que rodearlos y elegir rutas alternativas. En ese caso, la planificación ayuda a evaluar diferentes opciones y seleccionar la secuencia más adecuada. Además, la planificación puede adaptarse a cambios. Si el entorno no se comporta como se esperaba o aparece nueva información, el sistema puede recalcular la secuencia de acciones para ajustar el plan. Esto es útil en situaciones donde hay incertidumbre, como cuando un agente debe actuar con información incompleta o cuando el mundo puede variar durante la ejecución. En resumen, la planificación en IA busca coordinar acciones de forma ordenada y razonada para alcanzar metas, considerando el efecto de cada paso y, cuando es necesario, ajustándose a nuevas circunstancias.
Descripcion de como se encuentra un problema en un momento determinado, por ejemplo la posicion actual en un laberinto.
Búsqueda en la planificación. Consiste en explorar distintos caminos o soluciones hasta encontrar una respuesta válida. Este proceso implica revisar alternativas, probar enfoques y evaluar cuál opción se ajusta mejor a lo que se busca. A medida que se avanza, es común descartar ideas que no funcionan o que no encajan con las condiciones del problema, y retomar aquellas que sí muestran resultados. Por ejemplo, si se intenta resolver una duda, primero se puede consultar una fuente o probar un método sencillo; si no se obtiene el resultado esperado, se pasa a otra estrategia. De manera similar, al planear una tarea, es posible considerar varias rutas, comparar sus ventajas y limitaciones y, con base en ello, tomar una decisión. La clave es mantener una búsqueda ordenada y flexible hasta llegar a una respuesta coherente y comprobable.
Estimacion que guia la busqueda hacia soluciones prometedoras. En A*, ayuda a encontrar rutas mas eficientes.
Valor asociado a una accion o camino. La busqueda puede intentar minimizar ese costo.
Tipo de IA que crea contenido nuevo, como texto, imagenes, codigo o audio, a partir de patrones aprendidos.
Modelo de lenguaje entrenado con enormes cantidades de texto. Ejemplos: ChatGPT, Claude y Gemini.
Instruccion o mensaje que una persona escribe para guiar la respuesta de un modelo generativo.
Pequena unidad de texto usada por modelos de lenguaje. Puede ser una palabra, parte de una palabra o signo de puntuacion.
Representacion numerica de palabras, frases o documentos que conserva parte de su significado.
Informacion disponible para el modelo al generar una respuesta: prompt, historial, documentos o instrucciones.
Parametro que controla creatividad y variacion: baja produce respuestas mas consistentes; alta produce respuestas mas variadas.
Respuesta incorrecta o inventada que el modelo puede presentar con seguridad. Por eso es importante verificar informacion.
Este ejemplo usa datos historicos del Titanic para estimar si una persona sobreviviria segun clase del boleto, sexo y edad. Es una clasificacion supervisada: el modelo aprende desde filas que ya tienen una respuesta conocida.
El arbol de decision divide los datos con preguntas simples. Por ejemplo, puede separar por sexo, clase o edad. Cada division intenta crear grupos mas claros de sobrevivientes y no sobrevivientes.
La prediccion muestra una clase y una confianza. La confianza no es certeza absoluta; indica que tan fuerte fue la probabilidad del modelo para esa entrada. El arbol visible ayuda a explicar por que tomo esa decision.
Cambia una variable a la vez: primero la clase, despues el sexo y despues la edad. Observa si la confianza cambia poco o mucho y revisa el arbol para ubicar la regla que explica el resultado.
Iris clasifica flores en setosa, versicolor o virginica usando cuatro medidas: largo y ancho de sepalo, largo y ancho de petalo.
El modelo SVM busca fronteras entre especies en el espacio de medidas. Cuando mueves los sliders, cambias una flor artificial y el modelo calcula a que grupo se parece mas.
Una alta confianza indica que la flor se encuentra lejos de la frontera entre clases, lo que significa que sus características están claramente alineadas con una sola especie. En estos casos, el modelo asigna un valor de probabilidad cercano a 1 (o 100 %) para la clase correspondiente, lo que refleja una certeza casi absoluta. Por ejemplo, una flor con pétalos de color rojo intenso, hojas largas y una altura de 15 cm puede clasificarse con una confianza del 99 % como una especie de rosales, porque todas esas medidas se encuentran muy alejadas de los rangos típicos de otras especies. Por el contrario, una baja confianza suele aparecer en regiones donde dos especies comparten medidas muy parecidas. Cuando el modelo detecta que las características de una muestra se sitúan en la zona de superposición, la probabilidad de pertenencia a cada clase se vuelve más uniforme y la confianza disminuye. Un caso típico es el de dos especies de margaritas que presentan tamaños de pétalos y longitudes de tallo muy similares; una flor con pétalos de 4 cm y tallo de 12 cm podría recibir una confianza del 60 % para cada una de las especies, lo que indica que el modelo no puede decidir con claridad cuál es la correcta. En estos escenarios, la baja confianza sugiere que se necesita información adicional o una revisión manual para asegurar una clasificación precisa.
Comienza con valores tipicos de setosa y aumenta el largo del petalo. Veras como el modelo pasa hacia versicolor o virginica cuando la muestra se parece menos a la clase inicial.
Este ejemplo usa el dataset Wisconsin Breast Cancer para clasificar muestras como benignas o malignas a partir de mediciones de celulas observadas en imagenes clinicas. Es una demo educativa y no debe usarse como diagnostico medico.
El modelo recibe diez caracteristicas numericas como radio, textura, perimetro, area, suavidad, compacidad y concavidad. Con esas senales aprende patrones que suelen diferenciar muestras benignas de malignas.
Cada slider representa una medicion de la muestra. Valores mas altos de radio, area, perimetro, concavidad o puntos concavos suelen empujar la prediccion hacia mayor riesgo, pero el resultado depende de la combinacion completa.
El resultado muestra Benigno o Maligno junto con una confianza. Revisa tambien las probabilidades: si estan muy cercanas, el caso esta cerca de la frontera del modelo y debe interpretarse con mas cautela.
El modelo aprende de un dataset pequeno y simplificado. No considera historia clinica, examenes adicionales ni validacion medica. Sirve para entender clasificacion binaria, variables de entrada y probabilidad del modelo.
Este ejemplo estima precios de vivienda usando el dataset California Housing. A diferencia de clasificacion, aqui el modelo predice un numero continuo.
El modelo Random Forest combina muchos arboles de decision. Cada arbol propone una estimacion y el sistema promedia sus respuestas para producir un precio.
El precio es una estimacion aproximada, no una tasacion real. El intervalo mostrado ayuda a recordar que un modelo de regresion siempre tiene incertidumbre.
El ingreso medio suele tener mucho peso. La ubicacion tambien importa: latitud y longitud aproximan zonas de California con mercados distintos.
El dataset es historico y agregado por bloques geograficos. No incluye acabados, estado real de una casa, tasas de interes ni condiciones actuales del mercado.
Este ejemplo reconoce digitos del 0 al 9 dibujados a mano. Usa imagenes pequenas de 8x8 pixeles del dataset Digits de scikit-learn.
El dibujo se convierte a una cuadricula de pixeles y el modelo compara ese patron con ejemplos aprendidos. La forma, el grosor y la ubicacion del trazo influyen en la prediccion.
El Top 3 muestra alternativas posibles. Si dos digitos tienen probabilidades parecidas, el dibujo puede ser ambiguo o estar fuera del estilo del dataset original.
Dibuja un numero centrado, grueso y con contraste alto. Luego prueba escribirlo inclinado o incompleto para ver cuando el modelo empieza a confundirse.
El dataset original tiene imagenes 8x8 muy simples. Un dibujo humano en canvas puede verse diferente al estilo de entrenamiento, por eso algunos resultados fallan aunque el numero parezca claro.
Fashion MNIST clasifica imagenes de ropa y calzado en diez categorias como camiseta, pantalon, sandalia, bolso o botin.
La red neuronal transforma una imagen de 28x28 pixeles en numeros, aprende patrones visuales y produce una probabilidad por categoria.
La categoria principal es la probabilidad mas alta. El Top 3 permite ver si el modelo esta dudando entre prendas visualmente parecidas.
Al reentrenar, la red vuelve a recorrer imagenes de entrenamiento y ajusta sus pesos. Mas epocas pueden mejorar accuracy, pero tambien tardan mas y pueden sobreajustar.
Los dibujos hechos a mano no siempre se parecen a las prendas del dataset. El resultado es una aproximacion pedagogica, no reconocimiento visual general.
Este ejemplo recomienda peliculas a partir de patrones de usuarios y calificaciones. La idea es encontrar preferencias similares.
El sistema observa peliculas vistas por un usuario y busca relaciones con otras peliculas o usuarios. Luego ordena sugerencias segun afinidad estimada.
Una recomendacion alta no significa que la pelicula sea objetivamente mejor. Significa que encaja con patrones de usuarios o items similares dentro del dataset.
Si un usuario tiene pocos datos, el sistema tiene menos senales para recomendar. Esto se conoce como problema de arranque en frio.
Los ejemplos de laberinto, Puzzle 8 y granjero muestran busqueda de soluciones paso a paso. No son modelos entrenados; exploran estados posibles.
La ruta o secuencia de pasos es el resultado importante. En A*, la heuristica guia la busqueda para llegar antes a la meta.
Compara una ruta corta con una ruta bloqueada. Observa como cambian los nodos explorados y por que una buena heuristica reduce trabajo.
Los modelos de lenguaje (LLM) son sistemas de IA entrenados con enormes cantidades de texto. Aprenden patrones presentes en el lenguaje humano y pueden responder preguntas, resumir documentos, traducir idiomas, generar contenido y ayudar a analizar información escrita.
Los tokens son las pequeñas piezas en las que el modelo divide el texto para procesarlo. Un token puede ser una palabra completa, parte de una palabra o un signo de puntuación. La temperatura controla el nivel de creatividad de las respuestas: valores bajos generan respuestas más predecibles y valores altos producen respuestas más variadas.
Escribe un prompt corto y luego una version mas especifica. Compara longitud, costo aproximado y calidad de respuesta para entender el valor del contexto.
Un LLM puede responder con seguridad aunque este equivocado. En tareas importantes hay que verificar fuentes, datos y restricciones.