Resumen para el Parcial de Karen
1. Lgica de Predicados
Es una forma de representar hechos y relaciones usando lgica matemtica.
- Usa variables, predicados (como Estudiante(x)) y cuantificadores:
- FORALL (para todo): FORALLx Estudiante(x) -> Estudia(x)
- EXISTS (existe): EXISTSx Ama(x, Morat)
- Tambin usa conectores como AND, OR, ->, NOT
Sirve para razonar y modelar conocimiento en IA.
2. Concepto de Sistemas Expertos
Simulan el conocimiento de un experto humano.
Componentes:
- Base de conocimientos (reglas y hechos)
- Motor de inferencia (razona con las reglas)
- Interfaz con el usuario
Ejemplo: Un sistema que diagnostica enfermedades basado en sntomas.
3. Regresin Lineal
Predice un valor numrico: Y = beta0 + beta1X
Mtricas:
- MAE = promedio de errores absolutos
- MSE = promedio de errores al cuadrado
- RMSE = raz cuadrada del MSE
- R^2 = mide qu tan bien el modelo explica los datos.
4. Matriz de Confusin y Mtricas
Tabla que muestra aciertos y errores del modelo.
- TP: Verdaderos positivos
- TN: Verdaderos negativos
- FP: Falsos positivos
- FN: Falsos negativos
Mtricas:
- Accuracy = (TP + TN) / Total
- Precision = TP / (TP + FP)
- Recall = TP / (TP + FN)
- F1 Score = 2 * (Precision * Recall) / (Precision + Recall)
5. Regresin Logstica
Modelo para clasificacin (ej: spam o no).
Frmula: P(y=1) = 1 / (1 + e^-(beta0 + beta1X))
Devuelve una probabilidad entre 0 y 1.
Mismas mtricas de clasificacin: Accuracy, Precision, Recall, F1.
Log Loss mide la calidad de las probabilidades predichas.
6. rboles de Decisin
