Objetivos

 

Razonamiento y resolución de problemas: Los Primeros Investigadores Desarrollaron Algoritmos Que Imitaban El Razonamiento Paso A Paso Que Los Humanos Usan Cuando Resuelven Acertijos O Hacen Deducciones Lógicas. A Finales De Los Años 80 Y 90, La Investigación De La Inteligencia Artificial Había Desarrollado Métodos Para Tratar Con Información Incierta O Incompleta, Empleando Conceptos De Probabilidad Y Economía. Estos Algoritmos Demostraron Ser Insuficientes Para Resolver Grandes Problemas De Razonamiento Porque Experimentaron Una «Explosión Combinatoria»: Se Volvieron Exponencialmente Más Lentos A Medida Que Los Problemas Crecían. De Esta Manera, Se Concluyó Que Los Seres Humanos Rara Vez Usan La Deducción Paso A Paso Que La Investigación Temprana De La Inteligencia Artificial Seguía; En Cambio, Resuelven La Mayoría De Sus Problemas Utilizando Juicios Rápidos E Intuitivos.

Aprendizaje: El Aprendizaje Automático Es Un Concepto Fundamental De La Investigación De La Inteligencia Artificial Desde El Inicio Del Campo; Consiste En El Estudio De Algoritmos Informáticos Que Mejoran Automáticamente A Través De La Experiencia. El Aprendizaje No Supervisado Es La Capacidad De Encontrar Patrones En Un Flujo De Entrada, Sin Que Sea Necesario Que Un Humano Etiquete Las Entradas Primero. El Aprendizaje Supervisado Incluye Clasificación Y Regresión Numérica, Lo Que Requiere Que Un Humano Etiquete Primero Los Datos De Entrada. La Clasificación Se Usa Para Determinar A Qué Categoría Pertenece Algo Y Ocurre Después De Que Un Programa Observe Varios Ejemplos De Entradas De Varias Categorías. La Regresión Es El Intento De Producir Una Función Que Describa La Relación Entre Entradas Y Salidas Y Predice Cómo Deben Cambiar Las Salidas A Medida Que Cambian Las Entradas. Tanto Los Clasificadores Como Los Aprendices De Regresión Intentan Aprender Una Función Desconocida; Por Ejemplo, Un Clasificador De Spam Puede Verse Como El Aprendizaje De Una Función Que Asigna El Texto De Un Correo Electrónico A Una De Dos Categorías, «Spam» O «No Spam». La Teoría Del Aprendizaje Computacional Puede Evaluar A Los Estudiantes Por Complejidad Computacional, Complejidad De La Muestra (Cuántos Datos Se Requieren) O Por Otras Nociones De Optimización.