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