AI, graphs and neural networks
Introducido| English | Significado |
|---|---|
| machine learning/məˈʃiːn ˈlɜːnɪŋ/ | aprendizaje automático |
| deep learning/diːp ˈlɜːnɪŋ/ | aprendizaje profundo |
| graph/ɡræf/ | grafo |
| neural networks/ˈnjuːrəl ˈnetwɜːks/ | redes neuronales |
| nodes/nəʊdz/ | nodos |
| edges/ˈedʒɪz/ | aristas |
| minimax/ˈmɪnɪmæks/ | minimax |
| weight/weɪt/ | peso |
| activation function/ˌæktɪˈveɪʃn ˈfʌŋkʃn/ | función de activación |
| hidden layers/ˈhɪdn ˈleɪəz/ | capas ocultas |
El programa que aprendió a ver sin que le dijeran qué buscar
- En 2012, un equipo participó en una competición de reconocimiento de imágenes con un programa al que nunca se le había dado una sola regla sobre cómo es un gato. Se le mostraron un millón de fotografías etiquetadas y él mismo descubrió las reglas.
- Redujo a la mitad la tasa de error de cada entrada programada manualmente. En menos de tres años, todo el campo abandonó escribir reglas.
- Esa inversión es el tema de este módulo: no "cómo le decimos a una computadora qué es un gato", sino "cómo funciona una computadora para deducirlo a partir de ejemplos".
- Esta lección explica lo que significan el aprendizaje automático (machine learning) y el aprendizaje profundo (deep learning), cómo un grafo convierte los problemas de IA en búsqueda, y qué calcula realmente una red neuronal artificial.
IA, aprendizaje automático y aprendizaje profundo
- La inteligencia artificial es el objetivo amplio: sistemas que realizan tareas que normalmente requieren inteligencia humana, como visión, habla, traducción y conducción.
- El aprendizaje automático es el enfoque dominante: algoritmos que aprenden patrones de datos en lugar de ser programados paso a paso.
- El aprendizaje profundo es aprendizaje automático que utiliza redes neuronales con muchas capas. Ha liderado el campo desde la década de 2010 porque aprende directamente de datos crudos, píxeles, audio o texto, sin características diseñadas manualmente.
- Están anidados: el aprendizaje profundo es parte del aprendizaje automático, que a su vez es parte de la IA.

Tres círculos, no tres rivales
Machine learning means an algorithm that:
Dificultad 1/5 · 100 monedas + un pequeño bono en el primer intento de hoy
ML learns from data; deep learning is ML using multi-layer neural networks.
How do AI, machine learning and deep learning relate?
Dificultad 1/5 · 100 monedas + un pequeño bono en el primer intento de hoy
AI is the goal, machine learning is the dominant approach to it, and deep learning is machine learning with many-layered networks.
Grafos, y por qué gran parte de la IA es búsqueda
- Un grafo es un conjunto de nodos conectados por aristas (o bordes). Los nodos son estados, lugares o conceptos; las aristas son movimientos, caminos o relaciones.
- Búsqueda de rutas: una red de carreteras es un grafo, y encontrar una ruta es una búsqueda en grafos, utilizando el algoritmo de Dijkstra o A*.
- Juegos: cada posición en el tablero es un nodo y cada jugada legal es una arista, por lo que el juego es un árbol que busca mediante minimax, asumiendo que cada jugador toma su mejor opción.
- Representación del conocimiento: una red semántica mantiene conceptos como nodos y relaciones como aristas. La búsqueda en amplitud y la búsqueda en profundidad son las herramientas estándar para explorar cualquiera de estas estructuras.
In AI, a graph consists of:
Dificultad 1/5 · 100 monedas + un pequeño bono en el primer intento de hoy
Graphs model states/places as nodes and moves/relationships as edges — used for pathfinding, game trees and knowledge.
Ejemplo resuelto: modelar un problema como un grafo
- Una empresa de mensajería desea encontrar la ruta más corta entre dos ciudades. Describa cómo se representa esto como un grafo.
- Cada ciudad es un nodo; cada carretera es una arista que une dos nodos; la arista tiene un peso, que puede ser la distancia o el tiempo de viaje.
- El problema entonces se convierte en "encontrar el camino entre los dos nodos con el menor peso total", lo cual resuelve el algoritmo de Dijkstra.
- Indique cuáles son los nodos, cuáles son las aristas y qué significan los pesos. Una respuesta que solo diga "es un grafo" obtendrá cero puntos.
A road network is modelled as a graph to find the shortest route. Which statements are correct? Select todos that apply.
Dificultad 2/5 · 140 monedas + un pequeño bono en el primer intento de hoy
Places are nodes and connections are edges. Saying what the weights represent is the third mark.
La neurona artificial
- Una neurona artificial recibe varias entradas. Multiplica cada entrada por un peso, las suma junto con un sesgo (bias) y luego pasa el total a través de una función de activación no lineal para producir su salida.
- Los pesos son lo que la red aprende. La función de activación es lo que permite a la red representar algo más que una línea recta: sin ella, cualquier número de capas colapsaría en una única fórmula lineal.

Multiplicar, sumar y curvar
Put the steps inside one artificial neuron in order.
Dificultad 3/5 · 200 monedas + un pequeño bono en el primer intento de hoy
Multiply, sum, activate, pass on. Without the non-linear activation, any depth of network would collapse into one linear formula.
Capas, y lo que significa "profundo"
- Las neuronas están organizadas en capas. La capa de entrada recibe los datos. Una o más capas ocultas aprenden patrones internos. La capa de salida produce la respuesta, una clase o un número.
- Una red se considera profunda cuando tiene muchas capas ocultas, y entrenar una red de esta manera es aprendizaje profundo.
- Por qué importan las capas ocultas: en una red de imágenes, las primeras aprenden bordes, las intermedias formas y las posteriores objetos. Nadie diseñó esa jerarquía; es lo que produjo el entrenamiento.

Entrada, oculta, salida, y el aprendizaje reside en los pesos entre ellas
Tap the parts of a neural network
Explore the layers. Data flows left to right: the input layer takes the features, the hidden layers learn patterns, and the output layer gives the answer — with every connection carrying a weight that training adjusts.
Match each part of a neural network to its role.
Dificultad 2/5 · 140 monedas + un pequeño bono en el primer intento de hoy
Features enter the input layer, hidden layers learn patterns, the output layer answers; learning = tuning the weights.
A neural network is called "deep" when it has many hidden layers, and each neuron takes a weighted sum of its inputs (plus a bias) before applying an activation function.
Dificultad 1/5 · 100 monedas + un pequeño bono en el primer intento de hoy
Stacking many hidden layers lets the network learn richer patterns — training such a network is deep learning.
A neural network is called "deep" when it has:
Dificultad 1/5 · 100 monedas + un pequeño bono en el primer intento de hoy
Many hidden layers make a deep neural network; training one is deep learning.
During training, the values adjusted inside a neural network are its ____.
Dificultad 1/5 · 100 monedas + un pequeño bono en el primer intento de hoy
The architecture and the activation function are chosen by the designer; what the network learns is stored in the weights.
Ejemplo resuelto: describir cómo calcula una neurona
- Describa lo que sucede dentro de una sola neurona artificial. [3]
- Cada entrada se multiplica por su propio peso, y los productos se suman junto con un sesgo.
- La suma resultante se pasa a través de una función de activación, que es no lineal.
- El resultado es la salida de la neurona, que se convierte en una entrada para las neuronas de la siguiente capa. Los pesos y el sesgo son los valores ajustados durante el entrenamiento.
Puntos que se pierden fácilmente
- El aprendizaje automático aprende patrones de datos; no está "programado paso a paso" ni es magia. Indique de qué aprende.
- "Profundo" significa muchas capas ocultas, no "muy inteligente" o "muy grande".
- Un grafo consiste en nodos y aristas, y una respuesta sobre grafos debe indicar qué representa cada uno en este problema específico.
- Los pesos son lo que cambia el entrenamiento. La función de activación y la arquitectura son elegidas por el diseñador.
Ya lo tienes dominado
- La IA es el objetivo, el aprendizaje automático aprende patrones de datos en lugar de seguir reglas escritas, y el aprendizaje profundo es aprendizaje automático con redes neuronales de múltiples capas.
- Un grafo de nodos y aristas convierte la búsqueda de rutas, los juegos y la representación del conocimiento en búsqueda, utilizando Dijkstra, A*, minimax, búsqueda en amplitud y búsqueda en profundidad.
- Una neurona artificial multiplica las entradas por pesos, suma un sesgo y aplica una función de activación no lineal.
- Las capas se ejecutan en entrada, oculta, salida; profundo significa muchas capas ocultas, y el aprendizaje reside en los pesos.