Qué es machine learning? Algunos Tipos de Machine Learning. Generalización & Exploración. Aprendizaje a partir de Ejemplos. Inferencia Inductiva
|
|
- Joaquín Ávila Naranjo
- hace 5 años
- Vistas:
Transcripción
1 Prof Carlos Iván Chesñevar Datamining y Aprendizaje Automatizado Introducción al Machine Learning Prof Carlos Iván Chesñevar Departamento de Cs e Ing de la Computación Universidad Nacional del Sur Qué es machine learning? Meta: Cómo hacer que los programas mejoren su performance en ciertas tareas a partir de la experiencia "performance" = velocidad, exactitud, "experiencia" = cjto de casos conocidos ("observaciones") Ej (método simple): experiencia: ejecutar acción A en situación S dio resultado R la situación S aparece otra vez si R era indeseable: probar otra cosa si R era deseable: intentar otra vez acción A cic@csunseduar / Prof Carlos I Chesñevar UNS Prof Carlos I Chesñevar UNS Generalización & Exploración Este es un ejemplo muy simple Sólo funciona si encontramos exactamente la misma situación Pero si la situación es similar? Necesitamos generalización Y si elegimos otra acción alternativa que es aún mejor que la que ya conocemos? Necesitamos exploración La generalización está asociada a la inferencia inductiva Prof Carlos I Chesñevar UNS Algunos Tipos de Machine Learning Aprender a través de terceros maestro nos dice todo Problema: entender al maestro Aprender por descubrimiento aprendiz planea experimentos, posiblemente formula lenguajes de descripción, generaliza a partir de observaciones Aprendizaje a partir de ejemplos maestro provee ejemplos (posiblemente buenos) el aprendiz generaliza Prof Carlos I Chesñevar UNS Aprendizaje a partir de Ejemplos Aprendizaje Inductivo En general, los expertos encuentran más fácil producir buenos ejemplos que proveer teorías completas y generales Los ejemplos pueden provenir de la naturaleza, de experimentos, de observaciones, o bases de datos preexistentes Inferencia Inductiva = Razonar de lo específico a lo general eg estadística: de una muestra, inferimos propiedades de una población muestra población obs: estos perros son todos marrones" hipótesis: todos los perros son marrones" Prof Carlos I Chesñevar UNS 5 Prof Carlos I Chesñevar UNS 6
2 Prof Carlos Iván Chesñevar Nota: la inferencia inductiva es más general que la estadística la estadística se involucra básicamente con métodos numéricos para hacer inferencias inferir media, moda, distribución probabilística, etc de una población Otros enfoques más generales en cambio son: encontrar definición simbólica de un concepto ( concept learning ) encontrar leyes (quizá con estructura compleja) que gobiernen los datos estudiar inducción desde un punto de vista filosófico Dos grandes aplicaciones de inferencia inductiva: Machine learning muestra" de observaciones = experiencia generalización a una población = encontrar patrones (modelos) en las observaciones que en general valen y pueden usarse para futuras tareas Descubrimiento de conocimiento (Data mining) muestra" = base de datos generalización = encontrar patrones que valen en una BD y que pueden esperarse también en datos similares que NO están en la BD Conocimiento descubierto= descripción comprensible de estos patrones Prof Carlos I Chesñevar UNS 7 Prof Carlos I Chesñevar UNS 8 Un ejemplo: cómo construir un sistema que juega al ajedrez Aprender = mejorar en una tarea T, con respecto a una medida de performance P, basada en experiencia E En este caso: T = jugar a las damas P = % de juegos ganados en un torneo mundial E = juegos jugados contra sí misma / secuencias de partidos previos jugados por campones mundiales Preguntas a responder: Qué es lo dado? qué es lo aprendido? qué algoritmo de representación y aprendizaje hay que usar? Prof Carlos I Chesñevar UNS 9 Ajedrez: ejemplo Qué queremos aprender? dada una situación de tablero, que movida hay que hacer Qué es lo dado? evidencia directa o indirecta? Directa: ej, que movidas fueron buenas, y cuáles fueron malas Indirecta: movidas consecutivas en un juego resultado del juego en este caso: evidencia indirecta Evidencia directa requeriría un maestro Prof Carlos I Chesñevar UNS Ajedrez: ejemplo Qué es lo que en concreto queremos aprender? Elegir tipo de target function : ChooseMove: Tablero Movida? aplicable directamente V: Tablero Real indica calidad del estado al jugar, elegir la movida que lleva al mejor estado Nota: def razonable para V sería:» V(gana) =, V(pierde) =, V(empate) =, V(s) = V(e) siendo e el mejor estado alcanzable desde s al jugar optimamente Ajedrez: ejemplo Elegir representación para la target function : cjto de reglas? función polinómica en base a caract numéricas? Ejemplo: l V = w bpw rpw bkw rk bp, rp : nro de piezas negras / blancas sin amenazar bk, rk : nro de damas negras / blancas amenazadas w i : constantes aprendidas a partir de experiencia Prof Carlos I Chesñevar UNS Prof Carlos I Chesñevar UNS
3 Prof Carlos Iván Chesñevar Elementos influyentes en elecciones de diseño Qué algoritmos son útiles para qué tipo de funciones? Cómo se ve influenciado el aprendizaje por # ejemplos de entrenamiento complejidad de representación de hipótesis ruido en los datos Límites teóricos para aprendizaje? Podemos ayudar al aprendiz con conoc previo? Podría un sistema alterar su representación por sí mismo? Tareas de aprendizaje típicas Concept learning: aprender una definición de un concepto (ej: fraude bancario; compuesto químico peligroso) Aprendizaje supervisado vs no supervisado Aprendizaje de funciones Discreta ("clasificación") o continua ("regresión") Concepto = función con resultado booleano Clustering Encontrar patrones descriptivos Prof Carlos I Chesñevar UNS Prof Carlos I Chesñevar UNS Ejemplo: Aprendizaje sobre Hongos 5 6 Prof Carlos I Chesñevar UNS 5 Clases y Atributos Ejemplo de hongo venenoso Ejemplo de hongo comestible 5 6 Dos atributos: altura y ancho de un hongo Dos clases: venenosos () y comestibles () Prof Carlos I Chesñevar UNS 6 Tarea De Aprendizaje Ejemplo de hongo venenoso Ejemplo de hongo comestible 5 6 Aprender el concepto de hongo comestible Prof Carlos I Chesñevar UNS 7 Conceptos a partir de Ejemplos Conceptos como conjuntos: U = conjunto de todos los objetos (instance space) Un concepto C, C U Aprender un concepto C significa Aprender a reconocer, para todo U, si C o C Ejemplos de conceptos: Concepto de hongo venenoso Concepto de enfermedad: cjto de pacientes que sufren de esa dolencia Concepto de arco Concepto de letra A (OCR) Concepto de multiplicación = {(x,y,z) x*y=z} Prof Carlos I Chesñevar UNS 8
4 Prof Carlos Iván Chesñevar Conceptos a partir de Ejemplos Usualmente, el resultado del aprendizaje es una descripción de concepto o un clasificador Un clasificador puede definirse en distintas formas, utilizando varios formalismos, alternativamente llamados: Lenguajes de Descripción de Conceptos, o bien Lenguajes de Hipótesis Los clasificadores describen las hipótesis del aprendiz (sobre la base de los datos de aprendizaje) sobre un concepto meta En gral un aprendiz nunca está seguro de si una hipótesis inducida corresponde al concepto meta Prof Carlos I Chesñevar UNS 9 (H) 5 6 IF <W and W< and H< THEN comestible ELSE venenoso Hipot H (W) Prof Carlos I Chesñevar UNS 5 6 IF H>W THEN venenoso ELSE IF H>6 W THEN venenoso ELSE comestible Hipot H Prof Carlos I Chesñevar UNS Hipot H 5 6 IF H< (W) THEN comestible ELSE venenoso Prof Carlos I Chesñevar UNS Contrastando Hipótesis Las tres hipótesis presentadas eran consistentes con los datos Pero hay diferencias cuando se clasifican nuevos datos! Prof Carlos I Chesñevar UNS H H H 5 6 H es la hipótesis más específica H y H son más generales (=menos específicas) que H Prof Carlos I Chesñevar UNS
5 5 Prof Carlos Iván Chesñevar Lenguajes de Hipótesis Arbol de Decisión Descripciones AtributoValor Se refieren a atributos únicos Ej: IF <W AND W< THEN Descripciones relacionales Hacen referencia a relaciones entre componentes Ej: IF H>W THEN Brinda un lenguaje de hipótesis AtributoValor Hipótesis H puede representarse como árbol de decisión IF <W and W< and H< THEN comestible ELSE venenoso W< True False W> False True H> False True Prof Carlos I Chesñevar UNS 5 Prof Carlos I Chesñevar UNS 6 Descripciones Relacionales Datos de lentes de contacto Aprender el concepto de un arco Posible hipótesis Inducida por un aprendiz automático: arco arco Un arco consiste de tres polígonos A,B, y C A y B son rectángulos C es polígono estable A y B soportan a C A y B no se tocan arco arco Prof Carlos I Chesñevar UNS 7 Prof Carlos I Chesñevar UNS 8 Dos descripciones estructurales: reglas y árbol de decisión Aprendizaje a partir de Ejemplos C C U C es un concepto meta indica ejemplos positivos indica ejemplos negativos C es un concepto inducido, o concepto aprendido, o hipótesis Prof Carlos I Chesñevar UNS 9 Prof Carlos I Chesñevar UNS
6 6 Prof Carlos Iván Chesñevar Aprendizaje a partir de Ejemplos C C Los errores (clasificaciones incorrectas) son: CC = ejemplos que están en C pero no en C C C = ejemplos que están en C pero no en C Error cometido: (CC ) (C C) Exactitud de concepto inducido = proporción de clasificación correcta = U (CC ) (C C) / U U Bias (=sesgo) en Machine Learning Sesgo de Restricción: limita el conjunto de hipótesis posibles A menudo llamado sesgo del lenguaje Sesgo de preferencia: ordena las hipótesis disponibles; también llamado sesgo de búsqueda Ejemplos: Hipótesis maximamente grales Hipótesis máximamente específicas Navaja de Occam (Occam s razor) Prof Carlos I Chesñevar UNS Prof Carlos I Chesñevar UNS Navaja de Occam (Occam s Razor) William of Occam (859) Entities should not be multiplied unnecessarily Se aplica en ciencias experimentales como Navaja de Occam Criterios de Exito en ML Exactitud de hipótesis inducidas Comprensibilidad = grado de entendimiento de la hipótesis inducida En la práctica, la comprensibilidad puede ser más importante que la exactitud! Dadas dos explicaciones de los datos, la explicación más simple es la preferida Prof Carlos I Chesñevar UNS Prof Carlos I Chesñevar UNS Concept learning : supervisado Dados ejemplos positivos () y negativos () de un concepto, inferir propiedades que hagan que las instancias sean positivas o negativas (= concept definition) ) C: {true,false} Prof Carlos I Chesñevar UNS 5 C Concept learning : nosupervisado Dados ejemplos de instancias Inventar conceptos razonables ( = clustering) Encontrar definiciones para estos conceptos C Prof Carlos I Chesñevar UNS 6 C C Eg taxonomías de animales, identificación de segmentos de mercado,
7 7 Prof Carlos Iván Chesñevar Aprendizaje de funciones Generaliza la noción de concept learning Aprender función f: S donde S es un cjto finito de valores: clasificación S es un rango continuo de reales: regresión f Clustering Encontrar grupos de instancias que son similares Puede ser una meta en sí mismo (clasificación no supervisada) pero también es usada para otras tareas regresión predicción flexible: cuando no se sabe por adelantado qué propiedades p predecir a partir de cuáles otras propiedades Prof Carlos I Chesñevar UNS 7 Prof Carlos I Chesñevar UNS 8 Representación de los datos Datos numéricos : las instancias son puntos en el espacio ndimensional Muchas técnicas se focalizan en este tipo de datos Datos simbólicos (true/false, negro/blanco,) Pueden convertirse a datos numéricos Algunas técnicas funcionan directamente con datos simbólicos Datos estructurales Las instancias tienen estructura interna (grafos, cjtos, ; ej moléculas) Difíciles de convertir a un formato más sencillo Existen pocas técnicas para manipularlos Prof Carlos I Chesñevar UNS 9 Acercamientos existentes Acercamientos simbólicos: Version Spaces, Inducción de árboles de decisión, Inducción de cjtos de reglas, inductive logic programming, Acercamientos numéricos: Redes Neurales, support vector machines, Acercamientos probabilísticos ( aprendizaje bayesiano ) Misceláneos: Aprendizaje basado en ejemplos, algoritmos genéticos, aprendizaje por refuerzo, etc Prof Carlos I Chesñevar UNS Síntesis Aprendizaje automatizado Generalización, exploración, Aplicaciones Sistemas adatpativos Conceptos Descripciones i de conceptos Lenguajes de hipótesis Leer: Machine Learning (TMitchel), Cap Prof Carlos I Chesñevar UNS
Introducción. Qué es machine learning? Algunos Tipos de Machine Learning. Generalización & Exploración. Ejemplos de aplicaciones en Machine Learning
Introducción Qué es aprendizaje automatizado e inferencia inductiva"? Para qué sirve? (ejemplos/aplicaciones) Tareas de aprendizaje Representación de datos Enfoques usados Concept learning: algoritmos
Más detallesInteligencia Artificial e Ingeniería del Conocimiento
Inteligencia Artificial e Ingeniería del Conocimiento I. A. Clásica Nuevos enfoques de la I. A. Agentes Inteligentes Aprendizaje Introducción Aprendizaje inductivo decisión Planteamiento conectivista.
Más detallesLingüística computacional
Lingüística computacional Definición y alcance Escuela Nacional de Antropología e Historia (ENAH) Agosto diciembre de 2015 Lingüística Ciencias de la computación Lingüística computacional Estudio del lenguaje
Más detallesReconocimiento de Patrones DRA. LETICIA FLORES PULIDO
Reconocimiento de Patrones DRA. LETICIA FLORES PULIDO 2 CONTENIDO TEMA1: INTRODUCCIÓN TEMA2: APRENDIZAJE MÁQUINA TEMA3: REDES NEURONALES MULTICAPA TEMA4: PROGRAMACIÓN EVOLUTIVA 3 TEMA 2 : APRENDIZAJE MÁQUINA
Más detallesAprendizaje Automatizado
Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto
Más detallesAprendizaje Automatizado
Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto
Más detallesTema 4: Introducción al Aprendizaje Automático
Introducción a la Ingeniería del Conocimiento Curso 2004 2005 Tema 4: Introducción al Aprendizaje Automático Miguel A. Gutiérrez Naranjo Dpto. de Ciencias de la Computación e Inteligencia Artificial Universidad
Más detallesIntroducción al Aprendizaje de Máquina II
Depto. de Ing. de Sistemas e Industrial Universidad Nacional de Colombia, Bogotá 12 de febrero de 2007 Contenido Patrones y Generalización 1 Patrones y Generalización Generalización a partir de ejemplos
Más detallesTareas de la minería de datos: clasificación. CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR
Tareas de la minería de datos: clasificación CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR Tareas de la minería de datos: clasificación Clasificación (discriminación) Empareja
Más detallesInteligencia Artificial: Su uso para la investigación
Inteligencia Artificial: Su uso para la investigación Dra. Helena Montserrat Gómez Adorno Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas helena.adorno@iimas.unam.mx 1 Introducción
Más detallesAprendizaje Automático Segundo Cuatrimestre de Árboles de Decisión
Aprendizaje Automático Segundo Cuatrimestre de 2015 Árboles de Decisión Aproximación de Funciones Ejemplo: Un amigo juega al tenis los sábados. Juega o no, dependiendo del estado del tiempo. Cielo: {Sol,
Más detallesCI5438. Inteligencia Artificial II Clase 1: Aprendizaje Cap Russel & Norvig
CI5438. Inteligencia Artificial II Clase 1: Aprendizaje Cap 18.1-18.2 Russel & Norvig Ivette C. Martínez traducción de http://aima.eecs.berkeley.edu/slides-pdf/ Universidad Simón Boĺıvar 18 de septiembre
Más detallesTareas de la minería de datos: clasificación. PF-5028 Minería de datos Prof. Braulio José Solano Rojas UCR
Tareas de la minería de datos: clasificación PF-5028 Minería de datos Prof. Braulio José Solano Rojas UCR Tareas de la minería de datos: clasificación Clasificación (discriminación) Empareja o asocia datos
Más detallesPrimera aproximación al aprendizaje automático.
APRENDIZAJE Introducción al aprendizaje algorítmico José M. Sempere Departamento de Sistemas Informáticos y Computación Universidad Politécnica de Valencia Aprender: Tomar algo en la memoria [...] Adquirir
Más detallesIntroducción. Qué es Machine Learning?
Introducción Qué es Machine Learning? Introducción Hay problemas en Informática que se pueden definir concretamente y son simples de convertir en un algoritmo Ejemplo: Ordenar alfabéticamente una lista,
Más detallesAnálisis de Datos. Introducción al aprendizaje supervisado. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Introducción al aprendizaje supervisado Profesor: Dr. Wilfrido Gómez Flores 1 Conceptos básicos Desde la antigüedad, el problema de buscar patrones en datos es fundamental en diversas
Más detallesInteligencia artificial
Inteligencia artificial APRENDIZAJE DE MÁQUINAS (MACHINE LEARNING) Aprendizaje Construcción o modificación de representaciones de lo que se experimenta R. Michalski Lograr cambios útiles en nuestras mentes.
Más detallesCientífico de datos o data scientist
Científico de datos o data scientist La demanda de científicos de datos se ha incrementado de manera constante en los últimos años, existe en el mercado una amplia oferta para los científicos de datos.
Más detallesAprendizaje de Conceptos
Aprendizaje Automático Segundo Cuatrimestre de 2016 Aprendizaje de Conceptos Aprendiendo un Concepto...? Qué es un ave? 2 Aprendizaje de Conceptos Aprender un concepto: inducir una función booleana a partir
Más detallesTema I Testing Estructurado
Tema I Testing Estructurado 4ta Parte Verificación y Validación de Software UNS Contenido Testing de Unidad: Caja Negra Grafos Causa Efecto Clases de Equivalencia Valores Límite Verificación y Validación
Más detalles3. Árboles de decisión
3.1 Introducción Método para aproximación de funciones objetivo que tengan valores discretos (clasificación) Uno de los métodos mas extensamente usados para inferencia inductiva Capaz de aprender hipótesis
Más detallesIntroducción a la minería de datos. CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR
Introducción a la minería de datos CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR Minería de datos Detección, interpretación y predicción de patrones cuantitativos y cualitativos
Más detallesCI5438. Inteligencia Artificial II Clase 4: Aprendizaje en Árboles. Cap 18.3: RN
CI5438. Inteligencia Artificial II Clase 4: Aprendizaje en Árboles de Decisión Cap 18.3: RN Universidad Simón Boĺıvar 5 de octubre de 2009 Árboles de Decisión Un árbol de decisión es un árbol de búsqueda
Más detallesIntroducción a los sistemas Multiclasificadores. Carlos J. Alonso González Departamento de Informática Universidad de Valladolid
Introducción a los sistemas Multiclasificadores Carlos J. Alonso González Departamento de Informática Universidad de Valladolid Contenido 1. Combinación de modelos 2. Descomposición bias-varianza 3. Bagging
Más detallesTema 4: Aprendizaje de conceptos
Inteligencia Artificial II Curso 2004 2005 Tema 4: Aprendizaje de conceptos José A. Alonso Jiménez Francisco Jesús Martín Mateos José Luis Ruiz Reina Dpto. de Ciencias de la Computación e Inteligencia
Más detallesAprendizaje Automático para el Análisis de Datos GRADO EN ESTADÍSTICA Y EMPRESA. Ricardo Aler Mur
Aprendizaje Automático para el Análisis de Datos GRADO EN ESTADÍSTICA Y EMPRESA Ricardo Aler Mur TIPOS DE TAREAS, MODELOS Y ALGORITMOS ? Datos Entrenamiento Algoritmo Modelo Galaxia espiral TAREAS / MODELOS
Más detallesAprendizaje basado en ejemplos.
Aprendizaje basado en ejemplos. In whitch we describe agents that can improve their behavior through diligent study of their own experiences. Porqué queremos que un agente aprenda? Si es posible un mejor
Más detallesTipos de Aprendizaje
Karina Figueroa Contenido Objetivo: Comprender las nociones básicas de los enfoques representativos de aprendizaje automático Nota del día Aprendizaje y el modelo científico Clasificación de los algoritmos
Más detallesAprendizaje inductivo
Inteligencia Artificial Aprendizaje inductivo Ing. Sup. en Informática, 4º Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani Aprendizaje Resumen: 3. Aprendizaje automático 3.1 Introducción
Más detallesAprendizaje Automático Segundo Cuatrimestre de Aprendizaje de Conceptos
Aprendizaje Automático Segundo Cuatrimestre de 2015 Aprendizaje de Conceptos Aprendiendo un Concepto...? Qué es un ave? 2 Aprendizaje de Conceptos Aprender un concepto : inducir una función booleana a
Más detallesTema 13: Introducción a la Programación Lógica Inductiva
Razonamiento Automático Curso 2000 2001 Tema 13: Introducción a la Programación Lógica Inductiva José A. Alonso Jiménez Miguel A. Gutiérrez Naranjo Dpto. de Ciencias de la Computación e Inteligencia Artificial
Más detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Agentes que Aprenden Introducción Tipos de aprendizaje Aprendizaje cómo
Más detallesMachine Learning El fin de la programación?
Machine Learning El fin de la programación? Pablo Brusco pbrusco@dc.uba.ar Algunos problemas N es múltiplo de 2017? N es primo? Encontrar el máximo en una lista. Ubicar 8 reinas en un tablero y que no
Más detallesAprendizaje de conceptos. El aprendizaje como generalización
Aprendizaje de conceptos. El aprendizaje como generalización 1 Aprendizaje de conceptos Consideraremos el problema de inferir automáticamente la definición general de un concepto o clase a partir de un
Más detallesIntroducción Aprendizaje de Máquina. Gerardo Gutiérrez Gutiérrez Alexis Rodríguez Gutiérrez
Introducción Aprendizaje de Máquina Gerardo Gutiérrez Gutiérrez Alexis Rodríguez Gutiérrez Qué es Aprendizaje de Máquina? "Field of study that gives computers the ability to learn without being explicitly
Más detallesBuenas prácticas para la implementación de herramientas de Ciencia de Datos Leonardo Alfonso Ramos Corona Facultad de Geografía, UAEM.
Buenas prácticas para la implementación de herramientas de Ciencia de Datos Leonardo Alfonso Ramos Corona Facultad de Geografía, UAEM. Qué es la ciencia de datos? Es muy difícil encontrar una definición
Más detallesHipótesis. Teoria del Aprendizaje Computacional
Teoria del Aprendizaje Computacional CI5438 - Inteligencia Artificial 2 Clase 7 Cap 18. Russel & Norvig: Inteligencia Artificial. Un enfoque estructurado El aprendiz inductivo se puede reinterpretar como
Más detallesÍndice general. Prefacio...5
Índice general Prefacio...5 Capítulo 1 Introducción...13 1.1 Introducción...13 1.2 Los datos...19 1.3 Etapas en los procesos de big data...20 1.4 Minería de datos...21 1.5 Estructura de un proyecto de
Más detallesDiagnóstico. Dirección de Cómputo para la Docencia. UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO Dirección General de Servicios de Cómputo Académico
TALLER DE APLICACIONES ESTADÍSTICAS CON EXCEL Diagnóstico Elaborado por Mónica Patricia Ballesteros Chávez 1. Es una expresión en Excel que puede incluir operadores, referencias a celdas, valores, funciones
Más detallesMétodos de Remuestreo en Aprendizaje Automático
Métodos de Remuestreo en Aprendizaje Automático en datos, en hipótesis, y algunos otros trucos: Cross-validation, Bootstrap, Bagging, Boosting, Random Subspaces Lo que sabemos hasta ahora: Hemos visto
Más detallesUNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍAS MAESTRÍA EN INGENIERÍA DE SISTEMAS Y COMPUTACIÓN APRENDIZAJE DE MÁQUINA
UNIVERSIDAD TECNOLÓGICA DE PEREIRA FACULTAD DE INGENIERÍAS MAESTRÍA EN INGENIERÍA DE SISTEMAS Y COMPUTACIÓN APRENDIZAJE DE MÁQUINA OBJETIVO GENERAL El objetivo general del Aprendizaje de Máquina (ML por
Más detallesEl uso de la estadística en los trabajos de titulación. Pedro F Quintana Ascencio
El uso de la estadística en los trabajos de titulación Pedro F Quintana Ascencio Objetivos Estimular una apreciación de las bases filosóficas de la investigación científica Definir conceptos centrales
Más detallesCiencias de la Computación I
Ciencias de la Computación I Nociones básicas de Computabilidad Problemas y Lenguajes Un problema se describe con un lenguaje Cuanto más formal el lenguaje, más precisa la formulación del problema Los
Más detallesAprendizaje Automático para el Análisis de Datos GRADO EN ESTADÍSTICA Y EMPRESA. Ricardo Aler Mur
Aprendizaje Automático para el Análisis de Datos GRADO EN ESTADÍSTICA Y EMPRESA Ricardo Aler Mur EVALUACIÓN Evaluación: entrenamiento y test Una vez obtenido el conocimiento es necesario validarlo para
Más detallesAnálisis de Datos. Introducción al aprendizaje supervisado. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Introducción al aprendizaje supervisado Profesor: Dr. Wilfrido Gómez Flores 1 Conceptos básicos Reconocimiento de patrones (RP): clasificar objetos en un número de categorías o clases.
Más detallesInducción de árboles de decisión. Qué son los árboles de decisión? Tipos de problemas abordables. Ejemplo de árbol de decisión 2
1 Datamining y Aprendizaje Automatizado 05 Arboles de Decisión Prof. Carlos Iván Chesñevar Departamento de Cs. e Ing. de la Computación Universidad Nacional del Sur Email: cic@cs.uns.edu.ar / Http:\\cs.uns.edu.ar\~cic
Más detallesMachine Learning y su Utilización en Riesgo de. Seemant Teotia Sr. Director International Analytics Equifax Inc. USA. Crédito
Machine Learning y su Utilización en Riesgo de Seemant Teotia Sr. Director International Analytics Equifax Inc. USA Crédito Principios de Machine Learning Qué es? Por qué lo usamos? Cuándo lo usamos? Ejemplos
Más detallesAnálisis Inteligente de Datos: Introducción
Análisis Inteligente de Datos: cvalle@inf.utfsm.cl Departamento de Informática - Universidad Técnica Federico Santa María Santiago, Marzo 2009 Temario 1 Temario 1 Preguntas Relevantes Por qué análisis
Más detallesAprendizaje Automático. Objetivos. Funciona? Notas
Introducción Las técnicas que hemos visto hasta ahora nos permiten crear sistemas que resuelven tareas que necesitan inteligencia La limitación de estos sistemas reside en que sólo resuelven los problemas
Más detallesInteligencia Artificial
Mayo 21 de 2008 El estudiante de la Pontificia Universidad Javeriana, como agente de su propia formación, es corresponsable de la Identidad Institucional, uno de cuyos cimientos es tener como hábito un
Más detallesYO, CIENCIA DE DATOS. BIG DATA DAY Facultad de Ciencias, UNAM Ciudad de México, marzo 2016
YO, CIENCIA DE DATOS BIG DATA DAY Facultad de Ciencias, UNAM Ciudad de México, marzo 2016 Qué es CIENCIA DE DATOS? La ciencia de datos es un campo interdisciplinario que involucra los procesos y sistemas
Más detallesInteligencia en Redes de Comunicaciones - 06 Aprendizaje
El objetivo de este tema es realizar una introducción a los conceptos, fundamentos y técnicas básicas de aprendizaje computacional. En primer lugar se formalizará el concepto de aprendizaje y se describirán
Más detallesEncontrando estructura en grandes volúmenes de datos
Encontrando estructura en grandes volúmenes de datos ACIS 13 de julio 2017 Carenne Ludeña Facultad de Ciencias Básicas Sobre mi trabajo: Profesora/investigadora en estadística Intereses: estadística, modelos,
Más detallesProgramación Evolutiva
Introducción a la Computación Evolutiva Quinta Clase: Programación Evolutiva Programación Evolutiva Desarrollada en USA durante los años 60 Autores principales: D. Fogel Aplicada típicamente a: PE tradicional:
Más detallesInducción de Árboles de Decisión ID3, C4.5
Inducción de Árboles de Decisión ID3, C4.5 Contenido 1. Representación mediante árboles de decisión. 2. Algoritmo básico: divide y vencerás. 3. Heurística para la selección de atributos. 4. Espacio de
Más detallesAprendizaje Automatizado. Árboles de Clasificación
Aprendizaje Automatizado Árboles de Clasificación Árboles de Clasificación Estudiaremos un algoritmo para la creación del árbol. Selección de atributos comenzando en el nodo raíz. Proceso recursivo. Árboles
Más detallesConclusiones. Somos la suma de nuestras decisiones. WOODY ALLEN Delitos y Faltas (1989)
Capítulo 7 Conclusiones Somos la suma de nuestras decisiones WOODY ALLEN Delitos y Faltas (1989) En este trabajo se ha presentado una nueva estrategia para construir árboles de decisión que ha conseguido
Más detallesConjuntos de Clasificadores (Ensemble Learning)
Aprendizaje Automático Segundo Cuatrimestre de 2016 Conjuntos de Clasificadores (Ensemble Learning) Gracias a Ramiro Gálvez por la ayuda y los materiales para esta clase. Bibliografía: S. Fortmann-Roe,
Más detallesSISTEMAS INTELIGENTES
SISTEMAS INTELIGENTES T9: Árboles de Decisión www.aic.uniovi.es/ssii Sistemas Inteligentes T9: Árboles de decisión Índice Árboles de decisión para clasificación Mecanismo de inducción: divide y vencerás
Más detallesReconocimiento Automático de Voz
Reconocimiento Automático de Voz Presentación basada en las siguientes Referencias: [1] Rabiner, L. & Juang, B-H.. Fundamentals of Speech Recognition, Prentice Hall, N.J., 1993. [2] Rabiner, L. & Juang,
Más detallesINTRODUCTION TO MACHINE LEARNING ISABELLE GUYON
INTRODUCTION TO MACHINE LEARNING ISABELLE GUYON 2008-02-31 Notas tomadas por: María Eugenia Rojas Qué es Machine Learning? El proceso de aprendizaje de maquina consiste en tener una gran base de datos
Más detallesAprendizaje para Clasificación con Factorización Matricial Basado en Listwise para Filtrado Colaborativo
2012 Aprendizaje para Clasificación con Factorización Matricial Basado en Listwise para Filtrado Colaborativo Iván López Espejo 22/04/2012 2 Aprendizaje para Clasificación con Factorización Matricial Basado
Más detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Agentes basados en conocimiento Contenido Sistemas basados en conocimiento
Más detallesUnidad 1. Análisis de Algoritmos. Ing. Leonardo R. L. Estructura de datos - Generalidades Unidad I Pág 1
Unidad 1 Análisis de Algoritmos Ing. Leonardo R. L. Estructura de datos - Generalidades Unidad I Pág 1 GENERALIDADES Qué se necesita para escribir un programa eficiente? Para diseñar programas eficientes
Más detallesAPRENDIZAJE PROBABILÍSTICO NAIVE BAYES
1 APRENDIZAJE PROBABILÍSTICO NAIVE BAYES Bases de Datos Masivas 9 de Noviembre de 2016 2 Razonamiento Probabilístico Es una herramienta de aprendizaje estadístico. Se trata de razonar en un contexto incierto;
Más detallesPLANES CURRICULARES GRADO9º/ 01 PERIODO
PLANES CURRICULARES GRADO9º/ 01 PERIODO Grado: 9º Periodo: 01 PRIMERO Aprobado por: G. Watson - Jefe Sección Asignatura: MATEMATICAS Profesor: Gloria rueda y Jesús Vargas ESTANDARES P.A.I. I.B. A. Conocimiento
Más detallesModelo Neuronal de Estimación para el Esfuerzo de Desarrollo en Proyectos de Software (MONEPS)
VICERRECTORADO DE INVESTIGACIÓN INNOVACIÓN Y TRANSFERENCIA DE TECNOLOGÍA MAESTRÍA EN INGENIERÍA DE SOFTWARE SEGUNDA PROMOCIÓN Modelo Neuronal de Estimación para el Esfuerzo de Desarrollo en Proyectos de
Más detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Agentes que Aprenden: Clasificador Bayesiano Clasificación Clasificador
Más detallesTipos De Datos. Numéricos. Alfanuméricos (string) Arreglos (Vectores, Matrices) Estructurados Registros (Def. Por el Archivos Usuario) Apuntadores
Tipos De Datos Todos los datos tienen un tipo asociado con ellos. Un dato puede ser un simple carácter, tal como b, un valor entero tal como 35. El tipo de dato determina la naturaleza del conjunto de
Más detallesTécnicas de aprendizaje automático en el análisis de datos de DP. Dr. Carlos Fernández Lozano Juan de la Cierva-Formación
Técnicas de aprendizaje automático en el análisis de datos de DP Dr. Carlos Fernández Lozano Juan de la Cierva-Formación carlos.fernandez@udc.es Índice Acerca de mí Big data? Medicina de precisión? Integración
Más detallesEstadística Computacional
Estadística Computacional Profesor : Héctor Allende O. Departamento de Informática Universidad Técnica Federico Santa María Estructura del Curso 1.- Introducción. 2.- Análisis Exploratorio de Datos. 3.-
Más detallesGrado en Estadística Guía Académica Universidad de Salamanca
Grado en Estadística Guía Académica 2015-2016 131 TERCER CURSO. CUATRIMESTRE 2 TÉCNICAS ESTADÍSTICAS EN MINERÍA DE DATOS 1. Datos de la Asignatura Código 100726 Plan 2009 ECTS 6 Carácter Optativa Curso
Más detallesSistemas de Percepción Visión por Computador
Nota: Algunas de las imágenes que aparecen en esta presentación provienen del libro: Visión por Computador: fundamentos y métodos. Arturo de la Escalera Hueso. Prentice Hall. Sistemas de Percepción Visión
Más detallesProf. María Alejandra Quintero. Informática Año
Prof. María Alejandra Quintero Informática Año 2014-2015 Es la acción de escribir programas de computación con el objetivo de resolver un determinado problema. Implica escribir instrucciones para indicarle
Más detallesTema 8: Árboles de decisión
Introducción a la Ingeniería del Conocimiento Curso 2004 2005 Tema 8: Árboles de decisión Miguel A. Gutiérrez Naranjo Dpto. de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla
Más detallesDe qué tratará el curso. Otras consideraciones. Objetivos. Introducción. Motivación Explosión en la disponibilidad de información:
Datamining y Aprendizaje Automatizado Prof. Carlos Iván Chesñevar Email: cic@cs.uns.edu.ar Http:\\cs.uns.edu.ar\~cic Departamento de Cs. e Ing. de la Computación Universidad Nacional del Sur Bahía Blanca,
Más detallesAprendizaje Automático
Aprendizaje Automático cbea LSI - FIB IA - Curso 2014/2015 cbea (LSI - FIB) Aprendizaje Automático IA - Curso 2014/2015 1 / 46 Índice 1 Introducción 2 Aprendizaje inductivo 3 Árboles de decisión 4 Aprendizaje
Más detallesQué son los datos? Tipos de atributos. Propiedades de Valores de Atributos
10 Datamining y aprendizaje automatizado Datamining y Aprendizaje Automatizado 03 Consideraciones generales sobre Tratamiento de datos Departamento de Cs. e Ing. de la Computación Universidad Nacional
Más detallesLenguaje de Diseño. Primera Parte. Resolución de Problemas y Algoritmos. Primer Cuatrimestre Ing. En Informática e Ing.
Primera Parte Resolución de Problemas y Algoritmos Ing. En Informática e Ing. En Computación Primer Cuatrimestre 2017 1 Lenguajes Algorítmicos Los algoritmos pueden describirse, en mayor o menor detalle,
Más detallesEl Juego como Problema de Búsqueda
El Juego como Problema de Búsqueda En este algoritmo identificamos dos jugadores: max y min. El objetivo es encontrar la mejor movida para max. Supondremos que max mueve inicialmente y que luego se turnan
Más detallesQué son los árboles de decisión? Inducción de árboles de decisión. Tipos de problemas abordables. Ejemplo: árbol de decisión 1
Inducción de árboles de decisión Qué son los árboles de decisión? Cómo pueden inducirse automáticamente? inducción topdown de árboles de decisión cómo evitar el overfitting cómo convertir árboles en reglas
Más detallesPlanteamiento del problema y conceptos básicos Sistemas de reconocimiento de patrones Ciclo de diseño Reconocimiento de patrones y aprendizaje
Tema 1: Introducción 10529 Informàtica Encastada i Aplicacions Máster en Tecnologías de la Información y las Comunicaciones Universitat de les Illes Balears Departament de Ciències Matemàtiques i Informàtica
Más detallesAPRENDIZAJE POR REFUERZO
Aprendizaje Automático y Data Mining Bloque V APRENDIZAJE POR REFUERZO 1 Índice Introdución. Modelado mediante estados y acciones. Recompensa retrasada. Aprendizaje Q (Q-learning) 2 INTRODUCCIÓN 3 Introducción
Más detallesSíntesis arquitectónica y de alto nivel
Síntesis arquitectónica y de alto nivel Módulo 1. Concepto y fases de la Síntesis de Alto Nivel 1 Diseño de circuitos: la complejidad Tratamiento de problemas de complejidad creciente Rápido desarrollo
Más detallesInterpolacion y extrapolacion numerica y Ajuste de datos
Universidad Nacional de Ingeniería Facultad de Ciencias Física Computacional CC063 Interpolacion y extrapolacion numerica y Ajuste de datos Prof: J. Solano 2012-I Introducción La interpolación y extrapolación
Más detallesEjemplo: El problema de la mochila. Algoritmos golosos. Algoritmos y Estructuras de Datos III. Segundo cuatrimestre 2013
Técnicas de diseño de algoritmos Algoritmos y Estructuras de Datos III Segundo cuatrimestre 2013 Técnicas de diseño de algoritmos Algoritmos golosos Backtracking (búsqueda con retroceso) Divide and conquer
Más detallesFabio A. González Ph.D. 8 de febrero de 2007
Depto. de Ing. de Sistemas e Industrial Universidad Nacional de Colombia, Bogotá 8 de febrero de 2007 Contenido Introducción 1 Introducción Deep Blue Darpa Grand Challenge 2 Deep Blue Darpa Grand Challenge
Más detallesIntroducción a Azure Machine Learning. Alan Koo Senior Consultant Nagnoi, LLC. Microsoft MVP
Introducción a Azure Machine Learning Alan Koo Senior Consultant Nagnoi, LLC. Microsoft MVP acerca de mi senior consultant en Nagnoi enfoque en business intelligence & application architecture 15+ años
Más detallesUniversidad de Sonora. Departamento de Matemáticas. Área Económico Administrativa.
Universidad de Sonora. Departamento de Matemáticas. Área Económico Administrativa. Materia: Estadística I. Maestro: Dr. Francisco Javier Tapia Moreno. Semestre: 2017-1. * Estadística clásica: Es la ciencia
Más detallesTECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN
TECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN PROCESOS Y CASOS DE ESTUDIO CURSO DE DOCTORADO Dr. Ramón García-Martínez CORRESPONDENCIA ENTRE PROCESOS DE EXPLOTACION DE INFORMACION, TECNOLOGIAS
Más detallesMétodo comparativo en el análisis de los sistemas políticos
Método comparativo en el análisis de los sistemas políticos Perspectivas y retos metodológicos Marco Iván Vargas Lijphart El método existe? El método comparativo es uno entre varios. No mide, sino observa
Más detallesIdentificación de variables asociadas al éxito académico en Estudiantes de la Facultad de Informática Mazatlán
Your logo Identificación de variables asociadas al éxito académico en Estudiantes de la Facultad de Informática Mazatlán Universidad Autónoma de Sinaloa M.C. Rogelio Estrada Lizárraga Abril 16, 2013 Introducción
Más detallesModelo Neuronal de Estimación para el Esfuerzo de Desarrollo en Proyectos de Software (MONEPS)
Molo Neuronal Estimación para el Esfuerzo Desarrollo en Proyectos Software (MONEPS) Mario G. Almache C. Jenny A. Ruiz R. Geovanny Raura Rodrigo E. Fonseca C. Julio 4 y 5 2015 AGENDA 1. Antecentes 2. Trabajos
Más detallesAnalizando patrones de datos
Analizando patrones de datos SQL Server DM, Excel DM, Azure ML y R Ana María Bisbé York @ambynet http://amby.net/ Temario Introducción a Minería de datos MS Office Excel Herramientas de tabla y Minería
Más detallesTema AA-4: Sesgo inductivo
Razonamiento Automático Curso 2002 2003 Tema AA-4: Sesgo inductivo Miguel A. Gutiérrez Naranjo José A. Alonso Jiménez Dpto. de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla
Más detallesASIGNATURA: INTELIGENCIA ARTIFICIAL
ASIGNATURA: INTELIGENCIA ARTIFICIAL Código: 33-505 Régimen: cuatrimestral Horas reloj semanales: 4 Horas teóricas: 26 Horas prácticas: 34 Carrera: Sistemas Año del programa: 2016 FUNDAMENTOS: La evolución
Más detallesComputación I Curso 2016 Facultad de Ingeniería Universidad de la República
Computación I Curso 2016 Facultad de Ingeniería Universidad de la República Objetivos de la programación Exactitud en la realización de la tarea Tiene que satisfacer la especificación exactamente. Simplicidad.
Más detallesPROGRAMA DE CURSO. Código Nombre INTRODUCCIÓN A LA MINERÍA DE DATOS Nombre en Inglés Introduction to Data Mining Unidades
PROGRAMA DE CURSO Código Nombre IN 4521 INTRODUCCIÓN A LA MINERÍA DE DATOS Nombre en Inglés Introduction to Data Mining es Horas Docencia Horas de Trabajo SCT Horas de Cátedra Docentes Auxiliar Personal
Más detallesUniversidad Técnica Federico Santa María
Universidad Técnica Federico Santa María Departamento de Informática Preguntas Relevantes del Análisis de Datos Capítulo 1: Introducción: Análisis Inteligente de Datos II Semestre 2005 Profesor: Héctor
Más detallesTema 7: Aprendizaje de árboles de decisión
Inteligencia Artificial 2 Curso 2002 03 Tema 7: Aprendizaje de árboles de decisión José A. Alonso Jiménez Miguel A. Gutiérrez Naranjo Francisco J. Martín Mateos José L. Ruiz Reina Dpto. de Ciencias de
Más detalles