Academia de Inteligencia Artificial
Aprende Machine Learning desde cero mediante simulaciones interactivas y visuales.
Entiende qué es el aprendizaje automático y clasifica casos reales entre aprendizaje supervisado, no supervisado y por refuerzo.
Dibuja puntos sobre un plano 2D interactivo y observa cómo se calcula y dibuja la recta de regresión por mínimos cuadrados.
Ajusta pesos y sesgo con deslizadores para clasificar puntos de dos colores y observa la frontera sigmoidea.
Mueve el umbral de decisión sobre un conjunto de datos lineal y aprende a medir la ganancia de información con Gini.
Entrena un perceptrón básico e intenta resolver compuertas lógicas lineales (AND/OR) y no lineales (XOR).
Visualiza el aprendizaje no supervisado. Ubica centroides y observa paso a paso cómo se agrupan los puntos de datos.
¡Certificado de Machine Learning Completado!
Has superado satisfactoriamente todos los módulos de entrenamiento técnico interactivo en aprendizaje automático.
Conceptos Básicos de ML
¿Qué es Machine Learning y qué tipos de algoritmos existen en la industria?
¿Qué es el Aprendizaje Automático?
El Machine Learning (ML) es un subcampo de la Inteligencia Artificial que otorga a las computadoras la capacidad de aprender patrones a partir de datos históricos sin ser programadas explícitamente.
Los Tres Grandes Paradigmas
- Aprendizaje Supervisado: Entrenamos al modelo con datos etiquetados (pares entrada-salida correctos). El objetivo es aprender una función de mapeo (ej. predecir precios de inmuebles).
- Aprendizaje No Supervisado: Los datos de entrada no tienen etiquetas. El algoritmo busca estructuras ocultas por similitud o comportamiento (ej. agrupar clientes en un clúster de mercadeo).
- Aprendizaje por Refuerzo: El modelo (llamado agente) aprende a tomar decisiones mediante interacción con un entorno dinámico, recibiendo castigos (penalizaciones) o premios (recompensas) (ej. un dron aprendiendo a volar estable).
Regresión Lineal
Encuentra la tendencia y haz predicciones continuas sobre variables numéricas.
Ajustando una Recta a los Datos
La regresión lineal modela la relación entre una variable dependiente continua ($y$) y una variable independiente ($x$) mediante una línea recta:
Donde w es el peso (pendiente de la recta) y b es el sesgo (intersección con el eje Y). En machine learning, medimos qué tan buena es la aproximación usando la función de pérdida del Error Cuadrático Medio (MSE):
El algoritmo de entrenamiento utiliza **Descenso de Gradiente** para ajustar iterativamente $w$ y $b$ con el fin de minimizar el MSE.
Prueba el Simulador
Agrega puntos en el lienzo de la derecha haciendo clic. La recta se ajustará inmediatamente mediante el método de Mínimos Cuadrados.
Regresión Logística
Clasificación binaria mediante límites de probabilidad sigmoideos.
Del Infinito a la Probabilidad
A diferencia de la regresión lineal, la regresión logística predice una probabilidad de clase entre 0 y 1. Para ello, toma la salida continua de una ecuación lineal y la pasa por la **Función Sigmoide**:
Donde $z = w_1 x_1 + w_2 x_2 + b$. Si la probabilidad $\sigma(z) \ge 0.5$, clasificamos el punto como clase 1 (azul), de lo contrario, como clase 0 (rojo). La frontera de decisión es la línea donde $\sigma(z) = 0.5$, es decir, donde $w_1 x_1 + w_2 x_2 + b = 0$.
Ajusta el Separador Lineal
Agrega puntos en el plano. Puedes presionar el botón de tipo de punto para cambiar de clase (rojo vs azul). Mueve los pesos y sesgo manualmente, o presiona "Auto-Entrenar" para que el algoritmo busque el ajuste óptimo mediante gradiente descendiente.
Árboles de Decisión
Divide y vencerás: separando datos mediante árboles jerárquicos basados en impureza.
¿Cómo decide un Árbol?
Un árbol de decisión busca realizar preguntas sucesivas sobre las variables de entrada de modo que divida el conjunto de datos en subgrupos cada vez más homogéneos ("puros").
Impureza de Gini
Mide la probabilidad de clasificar incorrectamente un elemento seleccionado al azar en un nodo. Para clasificación binaria, se calcula como:
Donde $p_0$ y $p_1$ son las proporciones de las clases 0 y 1 en el nodo. Un Gini de 0 significa pureza perfecta (todos pertenecen a una clase); un Gini de 0.5 representa mezcla máxima.
Redes Neuronales y Perceptrón
Conectando nodos lógicos para resolver problemas lineales y no lineales.
El Perceptrón
El perceptrón es la unidad fundamental de las redes neuronales artificiales. Recibe múltiples entradas ($x_1, x_2$), las multiplica por pesos asignados ($w_1, w_2$), añade un sesgo ($b$) y pasa el resultado por una función de activación (ej. escalón o sigmoide).
El Problema de la Separabilidad Lineal
Un solo perceptrón actúa como clasificador lineal. Puede modelar compuertas lógicas como **AND** u **OR** porque sus salidas pueden dividirse con una sola línea recta.
Sin embargo, un perceptrón no puede resolver la función lógica **XOR** (OR exclusivo) debido a que no es linealmente separable. Para resolver XOR se requiere al menos una capa intermedia (oculta) de neuronas (Multi-layer Perceptron).
K-Means Clustering
Agrupación de datos no etiquetados por similitud y centroides.
Agrupamiento Inteligente (Clustering)
El algoritmo K-Means clasifica un conjunto de datos en $K$ grupos distintos basándose en la distancia de los puntos a unos puntos de referencia llamados **centroides**.
El algoritmo iterativo
- 1. Inicialización: Elegimos $K$ centroides en posiciones aleatorias del plano.
- 2. Asignación: Cada punto de datos se asigna al centroide más cercano (usando la distancia euclidiana).
- 3. Actualización: Se recalculan las coordenadas de cada centroide moviéndolo al promedio o "centro de gravedad" de los puntos asignados a él.
- 4. Convergencia: Se repiten los pasos de asignación y actualización hasta que los centroides dejen de moverse.
Mi Ruta de Estudio
Revisa tu avance y desbloquea tu certificado técnico.
Hitos de Aprendizaje
Completa cada hito interactuando con los simuladores y respondiendo correctamente las evaluaciones. Cuando alcances el 100% de la ruta, tu certificado de finalización se desbloqueará en el Dashboard principal.