Intelixencia Artificial. Recompilación e repaso. Curso 2023-2024.

Ao longo da 1ª avaliación realizamos unha introdución á IA que nos permitíu recoñecer a importancia do procesamento dos datos que se utilizan no adestramento das IA's mediante o adestramento automático (machine learning).

Tamén vimos que había 3 grandes tipos de aprendizaxe automática:

• Supervisada.
• Non supervisada.
• Por reforzo.

Comezamos probando un modelo aportado por UX1A (contidos DIXIT).

E vimos que adestramento automático se basea no concepto de rede neuronal e neurona (realmente unha función matemática).

De seguido, comezamos a realizar o noso primeiro modelo na páxina de Machine Learning for Kids, o detector de sentimentos que finalmente incorporamos a un programa de Scratch.

Este detector de sentimentos utilizaba as habilidades dun modelo preentrenado baseado en procesamento de linguaxe natural (NLP).

Pero antes de continuar a probar máis posibilidades de utilizar modelos preentrenados, imos a repasar conceptos que xa vimos anteriormente, para o que podes acceder aos seguintes vídeos da canle de Dot.csv:

¿Qué es una Red Neuronal? Parte 1 : La Neurona | DotCSV

¿Qué es una Red Neuronal? Parte 2 : La Red | DotCSV

¿Qué es una Red Neuronal? Parte 3 : Backpropagation | DotCSV

¿Qué es una Red Neuronal? Parte 3.5 : Las Matemáticas de Backpropagation | DotCSV

Ademais podedes acceder a un par de páxinas que vos permitirán aprender como os diversos parámetros da rede neuronal (número de capas, número de neuronas por capa, funcións de activación, etc) afectan ao aprendizaxe supervisado.

• Machine Learning Playground.
• Playground de Tensorflow.

Por último, poño aquí a ligazón a outro vídeo da canle Dot.csv na que explica o estado actual (principios de 2024) dos LLM (Inmensos modelos de linguaxe) como ChatGPT:

Lo que OpenAI NO quería que supieras sobre GPT4 - (De los MoEs a Mixtral)