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 del Aprendizaje Automático (AA) Conclusiones 1
Nota del día Un individuo no es hábil en una sola tarea, sino tiene una capacidad general de aprendizaje, y es capaz de ejecutar una serie de nuevas tareas Aprendizaje Automático y la metodología de la ciencia La ciencia moderna se encarga de explicar y predecir. Idealmente es el siguiente ciclo empírico: Observación: Se comienza con un número de observaciones. Análisis: Se trata de encontrar patrones en las observaciones. Teoría: Si se encuentran regularidades, se formula la teoría (hipótesis) que explique los datos. 2
Aprendizaje Automático y la metodología de la ciencia Predicción: La teoría debería predecir nuevos fenómenos que puedan ser verificadas por las nuevas observaciones. Dos posibilidades Las predicciones son correctas la teoría es corroborada Las predicciones son erróneas se analizan nuevas observaciones y se trata de formular otra teoría. Y el ciclo comienza de nuevo. Funciona? Donde y para que se puede usar el aprendizaje automático? Tareas difíciles de programar (reconocimiento de caras, voz,...) Aplicaciones auto adaptables (interfaces inteligentes, spam killers, sistemas recomendadores,...) Minería de datos (análisis de datos inteligente) 3
Según el grado de realimentación Según el paradigma utilizado Clasificación del Aprendizaje Según su realimentación Supervisado vs no supervisado Conocimiento básico vs conocimiento elaborado Inductivo vs deductivo basado en símbolos vs conexionista 4
Clasificación del Aprendizaje Según su realimentación Aprendizaje Supervisado (función) Clasificación Aprendizaje No supervisado Modelado Aprendizaje por refuerzo Feedback Transducción Clasificación con nuevas categorías Aprendizaje multi tarea Permite interactuar con otros agentes Según el paradigma usado Aprendizaje Inductivo Aprendizaje analítico o deductivo Aprendizaje analógico Aprendizaje genético Aprendizaje Conexionista 5
Trabajo en equipo 20 min para preparar una breve explicación (5 min) de los tipos de aprendizaje asignados La presentación deberá contener Definición Ejemplos de aplicación Aprendizaje Inductivo Aprendizaje inductivo: Creamos modelos de conceptos a partir de generalizar ejemplos simples. Buscamos patrones comunes que expliquen los ejemplos. Se basa en una generalización: Datos de entrada específicos: ejemplos dados por un usuario (sólo un subconjunto de todas las posibles situaciones). Datos de salida generales: modelo o regla que puede ser aplicada a todos los ejemplos, conocidos o no. Ejemplo: reconocimiento de caras. EJEMPLOS ESPECÍFICOS > MODELO GENERAL 6
8/23/08 7
Aprendizaje Analítico o deductivo Aprendizaje analítico o deductivo: Aplicamos la deducción para obtener descripciones generales a partir de un ejemplo de concepto y su explicación Se basa en una especialización: Datos de entrada: reglas o modelos generales (aplicables a todos los ejemplos). Datos de salida: reglas específicas (aplicables sólo a los ejemplos en los que se cumplen ciertas condiciones). MODELOS GENERALES > MODELOS ESPECÍFICOS 8
Aprendizaje Analógico Aprendizaje analógico: Buscamos soluciones a problemas nuevos basándonos en encontrar similaridades con problemas ya conocidos y adaptando sus soluciones Este tipo de aprendizaje intenta emular algunas de las capacidades humanas más sorprendente poder entender una situación por su parecido con situaciones anteriores conocidas. Ejemplo: sistemas eléctricos Aprendizaje genético Aprendizaje genético: Aplica algoritmos inspirados en la teoría de la evolución para encontrar descripciones generales a conjuntos de ejemplos. Ejemplo: Problema del viajero Con 20 ciudades, el viajero debería calcular 2.432.902.008.176.640.000 combinaciones (20!) 9
Aprendizaje conexionista Aprendizaje conexionista: Busca descripciones generales mediante el uso de la capacidad de adaptación de redes de neuronas artificiales Ejemplo Quake II Neuralbot. Simula un jugador humano Ejemplos Aprendizaje automático: programas que mejoran su comportamiento con la experiencia (aprendizaje automático= software). Dos formas posibles de adquirir experiencia: A partir de ejemplos suministrados por un usuario (ej. Reconocimiento de patrones: un conjunto de ejemplos clasificados o etiquetados es la fuente de información o la experiencia necesaria para el aprendizaje). APRENDIZAJE SUPERVISADO Mediante exploración autónoma (ej. software que aprende a jugar al ajedrez mediante la realización de miles de partidas contra sí mismo; o robot que aprende a salir de un laberinto mediante prueba y error). APRENDIZAJE NO SUPERVISADO. 10
Conclusiones Tipos de aprendizaje por el paradigma usado Aprendizaje Inductivo Aprendizaje analítico o deductivo Aprendizaje analógico Aprendizaje genético Aprendizaje Conexionista Tipos de aprendizaje según su realimentación Supervisado vs no supervisado Conocimiento básico vs conocimiento elaborado Inductivo vs deductivo basado en símbolos vs conexionista Tarea Entrega 11 de agosto Bajar e instalar el software WEKA http://www.cs.waikato.ac.nz/ml/weka/ Lectura http://taylor.us.es/componentes/miguelangel/ algoritmosgeneticos.pdf 11