Please enable JavaScript.
Coggle requires JavaScript to display documents.
IA (FONAMENTS DE LA IA) - Coggle Diagram
IA
FONAMENTS DE LA IA
XARXES NEURONALS
Què és una Xarxa Neuronal?
Una xarxa neuronal és un model d'aprenentatge automàtic inspirat en el cervell humà.Es compon de neurones artificials connectades, que processen la informació i aprenen patrons.
Les xarxes neuronals són una part essencial de l'aprenentatge profund, que permet a la IA reconèixer patrons complexos com imatges, veus i textos.
Parts d'una xarxa neuronal
Neurones
Cada neurona en una xarxa neuronal rep informació, la processa i la transmet a altres neurones.
Capes
Capa d'entrada: Rep les dades (per exemple, imatges o textos).
Capes ocultes: Realitzen càlculs complexos i ajuden a trobar patrons en les dades.
Capa de sortida: Dona la resposta final (per exemple, identificar un objecte en una imatge).
Peses i biaixos
Les connexions entre les neurones tenen "peses", que representen la importància de cada connexió. Els biaixos ajusten la informació per millorar la precisió.
Com funcionen les Xarxes Neuronals?
Propagació cap endavant
La informació es mou des de la capa d'entrada, passant
per les capes ocultes fins a la sortida.
Entrenament
Les xarxes neuronals s'entrenen amb dades, ajustant els pesos per millorar les prediccions. Aquest procés es coneix com a aprenentatge supervisat.
Funció d'activació
Les neurones utilitzen funcions com la ReLU o la sigmoide per
decidir si transmeten informació a altres neurones.
Explicació ampliada dels conceptes clau de les Xarxes Neuronals
Tipus de Xarxes Neuronals
Xarxes Neuronals Convolucionals (CNN)
Utilitzades en el reconeixement d'imatges i vídeos.
• Xarxes Neuronals Recurrent (RNN)
deals per a dades seqüencials, com el text o l'àudio
Aplicacions pràctiques de les Xarxes Neuronals
Reconeixement facial
Assistents de veu
Traducció automàtica
Vehicles autònoms
Com s'entrenen les Xarxes Neuronals?
Dades d'entrenament
Retropropagació
Sobreajustament
Ampliació del mapa mental amb Coggle.it
Xarxes Neuronals
"Un model d'aprenentatge automàtic inspirat en el cervell humà, utilitzat en la IA per reconèixer patrons complexos."
Parts d'una Xarxa Neuronal
Neurones
Capa d'entrada
Capes ocultes
Capa de sortida
Peses i biaixos
Funcionament de les Xarxes Neuronals
entrenament
Funció d'activació
big data
que es
Són grans conjunts de dades o combinacions de grans volums de dades
COM ES RECULLEN LES DADES?
El big data fa referència a la gestió de quantitats de dades enormes, les dades es recullen a les xarxes socials, també en dispositius intel·ligents.
COM ES PROCESSEN LES DADES?
Les dades es processen a partir algorismes d'aprenentatge automàtic, També l'anàlisi de dades. I per últim, les infraestructures de computació.
exemples
com es recullen les dades
En les xarxes socials,TikTok WhatsApp..., també en cotxes...
Com es processen les dades
En Google, Amazon...
ARBRES DE DECISIÓ.
Introducció als Arbres de Decisió
Què és un Arbre de Decisió?
Un arbre de decisió és un model utilitzat per a la presa de decisions automàtiques. S'organitza de manera jeràrquica, des d'un node inicial, passant per diverses decisions, fins a arribar a un resultat final.
Composició d'un Arbre de Decisió
Node arrel: És el punt de partida, on es comença a prendre la decisió.
Branques: Les línies que connecten els nodes i representen les possibles opcions resultants d'una decisió.
Fulles : Els resultats finals d'un arbre de decisió, on ja no es prenen més decisions i es dona una resposta o classificació final.
Nodes interns: Nodes entre l'arrel i les fulles. Cada node representa una decisió basada en una condició o atribut.
Exemple senzill d'un Arbre de Decisió
Pregunta a l’arrel: “El dia està ennuvolat?”
• Si sí → “Porta un paraigua”.
• Si no → “Necessites un paraigua?”.
• Si sí → “Porta’l”.
• Si no → “No cal paraigua
Estructura del mapa mental sobre Arbres de Decisió
Què són
"Un model de presa de decisions basat en regles simples, que classifica o fa prediccions mitjançant decisions seqüencials."
Composició d'un Arbre de Decisió
Node arrel: Punt de partida, on es pren la primera decisió.
Branques: Opcions resultants de cada decisió.
Nodes interns: Decisions intermèdies basades en atributs.
Fulles: Resultats finals o decisions.
Funcionament
Regles simples: Com es prenen decisions successives.
Classificació: Decisions binàries o múltiples (com “spam” o “no spam”)
Regressió: Predicció de valors numèrics (per exemple, preu de cases).
Mesures de qualitat
Entropia: Mesura de la incertesa en les dades.
Ganància d’informació: Atribut que millor separa les dades per prendre decisions més clares.
Avantatges i Limitacions
Avantatges: Fàcil d'interpretar, no necessiten dades molt processades.
Limitacions: Poden sobreajustar-se, menys efectius amb dades sorolloses.
Aplicacions Pràctiques
Diagnòstic mèdic: Ajudar els metges a diagnosticar malalties.
Crèdit bancari: Determinar si es pot aprovar un crèdit.
Recomanació de productes: Recomanacions personalitzades en plataformes en línia.
Explicació ampliada dels conceptes clau dels Arbres de Decisió
Funcionament d'un Arbre de Decisió
Els arbres de decisió es basen en un conjunt de regles simples que guien el procés de decisió.
En cada node, es pren una decisió basada en una condició (per exemple, "El valor d'una variable és superior a X?").
Les branques representen les opcions o decisions resultants (per exemple, "Sí" o "No").
A cada fulla es troba la classificació o la predicció final (per exemple, "Comprar" o "No comprar").
Tipus de Decisions en un Arbre de Decisió
Classificació: S’utilitza per prendre decisions binàries o múltiples, com ara decidir si un correu electrònic és “spam” o “no spam”.
Regressió: S’utilitza per predir valors numèrics, com ara predir el preu d’una casa basada en les seves característiques.
Construcció d’un Arbre de Decisió
Es comença per la selecció de l’atribut més rellevant per la decisió inicial (per exemple, la temperatura per decidir si portar abric).
L’arbre es construeix des de l’arrel fins a les fulles mitjançant una sèrie de decisions.
El criteri per triar l’atribut sovint es basa en mesures com l’entropia o el ganància d’informació.
Mesures de qualitat en els Arbres de Decisió
Entropia: Mesura la incertesa d'un conjunt de dades. Es busca reduir la incertesa en cada decisió.
Ganància d’informació: Indica com de bé un atribut separa les dades en categories clares.
Avantatges i Limitacions dels Arbres de Decisió
Avantatges
Fàcils d’entendre i interpretar, ja que segueixen un flux lògic.
No necessiten dades molt processades o normalitzades.
Limitacions
Els arbres de decisió poden tendir a sobre ajustar-se si són massa profunds o complexos.
No sempre són l’opció més eficient amb dades molt variades o sorolloses
Aplicacions Pràctiques dels Arbres de Decisió
Diagnòstic mèdic: Utilitzats per ajudar a diagnosticar malalties basant-se en símptomes i proves mèdiques.
Crèdit bancari: Determinen si una persona és apte per obtenir un crèdit basant-se en el seu historial financer.
Recomanació de productes: Sistemes de comerç electrònic que recomanen productes basant-se en preferències o compres anteriors.
