View
326
Download
0
Embed Size (px)
Citation preview
PERFIL DE TRABAJO
I. DATOS GENERALES:
1.1. TITULO :
- APRENDIZAJE AUTOMATICO
1.2. FECHA DE INICIO :
- LUNES, 7 de SETIEMBRE del 2015
1.3. ALUMNO(A) :
- BRAVO BAUTISTA JOSSELY
APRENDIZAJE AUTOMÁTICO
I. INTRODUCCIÓN
En cualquier caso, como el tema del que estamos hablando está relacionado con el
aprendizaje, lo primero que hemos de preguntarnos es ¿Qué entendemos por
aprender? y, ya que queremos dar metodologías generales para producir un
aprendizaje de forma automática, una vez que fijemos este concepto habremos de dar
métodos para medir el grado de éxito/fracaso de un aprendizaje. En cualquier caso, ya
que estamos trasladando un concepto intuitivo y que usamos normalmente en la vida
diaria a un contexto computacional, ha de tenerse en cuenta que todas las definiciones
que demos de aprendizaje desde un punto de vista computacional, así como las
diversas formas de medirlo, estarán íntimamente relacionadas con contextos muy
concretos y posiblemente lejos de lo que intuitivamente, y de forma general,
entendemos por aprendizaje.
Una definición relativamente general de aprendizaje dentro del contexto humano
podría ser la siguiente: proceso a través del cual se adquieren o modifican habilidades,
destrezas, conocimientos, conductas o valores como resultado del estudio, la
experiencia, la instrucción, el razonamiento y la observación. De esta definición es
importante hacer notar que el aprendizaje debe producirse a partir de la experiencia
con el entorno, no se considera aprendizaje toda aquella habilidad o conocimiento que
sean innatos en el individuo o que se adquieran como resultado del crecimiento natural
de éste. Siguiendo un esquema similar, en el AA vamos a considerar aprendizaje a
aquello que la máquina pueda aprender a partir de la experiencia, no a partir del
reconocimiento de patrones programados a priori. Por tanto, una tarea central de cómo
aplicar esta definición al contexto de la computación va a consistir en alimentar la
experiencia de la máquina por medio de objetos con los que entrenarse (ejemplos)
para, posteriormente, aplicar los patrones que haya reconocido sobre otros objetos
distintos.
II. DEFINICIÓN
A Grosso modo, el Aprendizaje Automático (AA, o Machine Learning, por su nombre en
inglés) es la rama de la Inteligencia Artificial que tiene como objetivo desarrollar
técnicas que permitan a las computadoras aprender. De forma más concreta, se trata
de crear algoritmos capaces de generalizar comportamientos y reconocer patrones a
partir de una información suministrada en forma de ejemplos.
El objetivo principal de todo proceso de aprendizaje es utilizar la evidencia conocida
para poder crear una hipótesis y poder dar una respuesta a nuevas situaciones no
conocidas.
Por ejemplo, un programa de computación que aprende a jugar al ajedrez debería
mejorar su performance, medida por su habilidad de ganar en la clase de
tareas correspondientes a jugar partidas de ajedrez, a través de la experiencia obtenida
jugando partidas.
Dosformasposiblesdeadquirirexperiencia:
APRENDIZAJESUPERVISADO
Apartirdeejemplossuministradosporunusuario(ej.Reconocimientode
patrones:unconjuntodeejemplosclasificadosoetiquetadoseslafuentede
informaciónolaexperiencianecesariaparaelaprendizaje).
APRENDIZAJENOSUPERVISADO.
Medianteexploraciónautónoma(ej.softwarequeaprendeajugar alajedrez
mediantelarealizacióndemilesdepartidascontrasí mismo;orobotque
aprendeasalirdeunlaberintomediante pruebayerror).
Algunos ejemplos de Problemas de AA:
Tarea: Jugar ajedrez
Medida de Performance: Porcentaje de partidas ganadas a oponentes
Experiencia de Entrenamiento: Partidas jugadas.
Tarea: Reconocer y clasificar palabras manuscritas.
Medida de Performance: Porcentaje de palabras bien reconocidas o clasificadas
Experiencia de Entrenamiento: Una base de datos de palabras manuscritas reconocidas
o clasificadas previamente.
Tarea: Conducir un vehículo en autopistas publicas utilizando sensores de visión
Medida de Performance: Distancia promedio hasta que se produzca un error (desde el
punto de vista de un juez humano)
Experiencia de Entrenamiento: Secuencia de imágenes y comandos de conducción del
vehículo extraídos de un conductor humano.
III. CLASIFICACIÓNDELAPRENDIZAJE
Aprendizajeinductivo:
Creamosmodelosdeconceptosapartirdegeneralizarejemplossimples.
Buscamospatronescomunesque expliquenlosejemplos.
Sebasaenunageneralización:
Datosdeentradaespecíficos:ejemplosdadosporunusuario (sólo un
subconjuntodetodaslasposiblessituaciones).
Datosdesalidagenerales:modelooreglaquepuedeseraplicadaa todoslos
ejemplos,conocidosono.
Ejemplo:reconocimientodecaras. EJEMPLOSESPECÍFICOS‐>MODELO
GENERAL
Aprendizajeanalíticoodeductivo:
Aplicamosladeducciónparaobtenerdescripcionesgeneralesapartirdeun
ejemplodeconceptoysuexplicación.
Sebasaenunaespecialización:
Datosdeentrada:reglasomodelosgenerales(aplicablesatodos los
ejemplos).Datosdesalida:reglasespecíficas(aplicablessóloalosejemplosen
losquesecumplenciertascondiciones).
MODELOSGENERALES‐>MODELOSESPECÍFICOS
Aprendizaje Analógico
Buscamossolucionesaproblemas nuevosbasándonosenencontrarsimilaridades
con problemasyaconocidosyadaptandosussoluciones. Estetipode
aprendizajeintentaemularalgunasdelas capacidadeshumanasmás
sorprendentepoderentenderuna situaciónporsuparecidoconsituaciones
anteriores conocidas.
Ejemplo: sistemaseléctricos
Aprendizajegenético:
Aplicaalgoritmosinspiradosenla teoríadelaevoluciónparaencontrar
descripcionesgeneralesaconjuntosdeejemplos
Ejemplo: Problemadelviajero Con20ciudades,elviajerodeberíacalcular
2.432.902.008.176.640.000combinaciones(20!).
IV. APLICACIONES
Hoy en día existen aplicaciones que utilizan agentes basados en aprendizaje en
numerosas ramas de la industria y de la ciencia. Por ejemplo:
Procesamiento del Lenguaje Natural
Para el análisis sintáctico y morfológico de los textos. Extracción de Información,
Clasificación Automática de Documentos, Agrupamiento Semántico, entre otras
tareas se cubren utilizando técnicas de ML. Los modelos de Análisis de
Sentimiento permiten reconocer la orientación o polaridad subjetiva de un
texto, esto es, si están hablando bien o mal de aquello que se está opinando.
Sistemas de Recuperación de Información
Los buscadores de Internet utilizan técnicas de ML para mejorar la performance
de sus búsquedas y confeccionar rankings personalizados según la experiencia
de los usuarios.
Diagnóstico Médico
Se utilizan técnicas de ML para asistir a médicos en el diagnóstico según la
historia clínica y los síntomas que presenta el paciente. También existen
modelos que miden el riesgo de vida de un accidentado y decidir en el envío de
una ambulancia, un médico particular o puede tratarse el incidente por
teléfono.
Ciencias biológicas
Para la clasificación de especies, reconocimiento de tumores o arritmias o
patrones en cadenas de ADN. Descubrimiento y predicción de patrones de
movilidad.
Finanzas e Industr ia bancaria
La industria bancaria utiliza modelos de riesgo crediticio para calificar a los
solicitantes según su nivel de cumplimiento esperado en el pago de las cuotas
del crédito. También existen modelos de fraude de consumo de tarjetas de
crédito y de predicción de comportamiento en el mercado de valores.
Anál isis de imágenes
Para reconocer escritura manuscrita, identificar direcciones y remitentes de un
envío postal, facturas o recibos u otro tipo de documentos legales. También otro
tipo de objetos dentro de una imagen, como personas, rostros, monumentos
arquitectónicos o accidentes geográficos, etc.
Juegos
Ya existen muchos juegos, como el Backgammon y las Damas, donde programas
de computadoras que han sido entrenadas con técnicas de ML superan a los
campeones mundiales.
Sistemas de Recomendación
- Extracción de Información, Clasificación Automática de Documentos
- Agrupamiento Semántico, Análisis de Sentimiento, entre otras tareas se
cubren utilizando técnicas de ML.
Robótica/ Electrónica
- Se utilizan modelos de ML para regular el desplazamiento de robots.
- Robótica, localización y sistemas de almacenamiento.
- Detección y predicción de fallas
- Monitoreo de procesos de manufactura
- Modelado de sistemas altamente no lineales