inteligencia artificial - disi.unal.edu.codisi.unal.edu.co/~lctorress/iartificial/iac012.pdf ·...

Inteligencia artificial

APRENDIZAJE DE MÁQUINAS(MACHINE LEARNING)

Aprendizaje

Las percepciones deben servir no solo para actuarsino para mejorar la capacidad del agente paraactuar en el futuro. S. Russell

Construcción o modificación de representaciones delo que se experimenta R. MichalskiLograr cambios útiles en nuestras mentes. M. Minsky

Adquirir conocimiento para modificar elcomportamiento según el entorno.

Cúmulo de conocimientos que enlazados en un todounitario contienen los modos, medios y mecanismosdel apoderamiento de la ciencia.Actividad que se origina a través de la reacción auna situación presentada, con tal que lascaracterísticas del cambio registrado en la actividadno puedan explicarse con fundamento en lastendencias innatas de respuesta, la maduración oestados transitorios del organismo (ej., fatiga,drogas, etc.)

Aprendizaje de máquinas

Sistema capaz adquirir e integrar autónomamenteconocimiento.

Cambios en un sistema que le permiten realizar unatarea de forma más eficiente la próxima vez ...H. Simon

Capacidad de un sistema para aprender a partir de laexperiencia, la observación analítica y otros medios.Sistema que puede autocorregirse y aumentar sueficiencia y efectividad.Sistema que puede detectar los errores, corregirlos y ser máseficiente.

Agentes capaces de mejorar su comportamientomediante el estudio de sus propias experiencias.

Sistema que mejora su comportamiento mediante elestudio de sus propias experiencias.

Agente que produce resultados de la interacción con elmundo; y de la observación del agente de sus propiosprocesos de toma de decisiones.

Propósito

Entender y mejorar la eficiencia del aprendizajehumano (CAI)Descubrir estructuras ocultas para los humanos.Completar especificaciones incompletas de undominio.Describir métodos y estrategias de aprendizaje eficiente paraser implementados en las máquinas.Analizar procesos cognitivos que efectúa el ser humano.

Interrelaciones

Ciencias del

conocimiento

Ciencias de la

computación

BiologíaSicología

NeurologíaEstadística

APRENDIZAJEDE

MÁQUINAS

Aplicaciones

Manejo de datos: expedientes médicos, estudios decrédito.

Reconocimiento de voz, conducción autónoma.

Buscadores, minería de datos, redes neuronalesartificiales, autómatas, ...

Enseñanza (tutores, agentes, ...)

Alvinn, 70 mph.

Aplicaciones

Agente

AMBIENTE

Elemento deAprendizaje

Elemento delDesempeño

Generador de deProblemas

Crítico

Metas deAprendizaje

Retro-alimentación

Sensores

conocimiento

modificaciones

EfectoresAGENTE

Desempeño estándar

Paradigmas

Aprendizaje supervisado: usa ejemplos, el “Profesor”especifica los respuestas correspondiente a las entradas, elcomportamiento deseado es conocido.

Aprendizaje por refuerzo: emplea recompensa y castigo,el aprendiz no se le indica que acciones debe elegir, perorecibe premio/penalización del entorno y ajusta/aprende laacción a elegir.

Aprendizaje no supervisado: emplea la observación, no sedispone de profesor, el aprendiz busca patrones en lasentradas, no existe una respuesta explícita que sea la correcta.

Paradigmas

Basado en problemas: el aprendiz se enfrenta a problemasy guarda las estrategias de solución, conjunto de casos.

Basado en analogías: el aprendiz busca en su base deconocimiento problemas similares y extracta las estrategiasempleadas en aquel caso.

Aprendizaje problema

Aprendizaje = emplear experiencia (E) en algunatarea (T) con respecto a alguna medida (m) dedesarrollo.Ejemplo: Aprender a hacer ensayosT = ensayoE = elementos para hacerlosm = parámetros definidos, nota evaluatoria,errores.¿Qué experiencia? ¿Qué se aprende? ¿Cómo serepresentara el aprendizaje? ¿Cuál es elalgoritmo?

Aprendizaje inductivo

•Generaliza a partir de ejemplos; curva de aprendizaje.

•El conocimiento solo puede ser probado falso.

•Usa sesgos para generalizar los ejemplos: espacio de hipótesis.

•Ej: aprendizaje de conceptos.

•Ejemplos positivos y negativos.

•Ruido.

Falsos positivos

Falsos negativos

Verdaderospositivos

ACTUAL

PREDICHO

Aprendizaje inductivo

El cometido es producir una función que seaproxime a otra a partir de una hipótesis, es decirunas posibles soluciones.Cualquier preferencia por una hipótesis esconocida como predisposición.Un agente puede realizar un aprendizaje gradual,en la que el agente se concentra en actualizar susantiguas hipótesis.

Aprendizaje con arboles de decisión

Constituye un adecuado medio para el área delaprendizaje inductivo, y una sencilla representacióndel conocimiento propositivo útil en la toma dedecisiones y en la clasificación de objetos.Es limitado en su representación. Toma comoentradas objetos o situaciones caracterizadosmediante un conjunto de propiedades.

Arboles de decisión

Si existen ejemplos positivos y negativos, entoncessepararlos escogiendo el mejor atributo.Si los ejemplos son positivos (o todos negativos),no hay problema; podemos responder si o no.Si no hay ejemplos, significa que no se observo unejemplo tal, por lo que se regresa al valorpredefinido calculado a partir de la clasificaciónde la mayoría en el padre del nodo.

Sino quedan atributos, pero si tanto ejemplospositivos como negativos, entonces hay problemas.significa que la descripción de estos ejemplos esexactamente la misma, pero su clasificación esdiferente. Lo anterior sucede cuando algunos de losdatos son incorrectos (se dice que hay ruido dedatos).También sucede cuando los atributos noproporcionan suficiente información para describircabalmente la situación, o cuando el dominio esauténticamente no determinista.

Arboles de decisión

alArbol para decidir la espera de una mesa en unrestaurante

Aprendizaje de conceptos

Parte Rectáng.

Rectáng.

Soporta

Triáng.Polígono

Rectáng.

Triáng.

Polígono

Rectáng.

Polígono

Soporta

No toca

Rectáng.

Polígono

Soporta

No toca

Árboles de decisión

Algoritmos: C4.5, ID3, CART

Células cancerosas

Células sanas

Núcleo?

Cuerpo?

Colas?

Cancerosa

Saludable

SaludableSesgo preferencial: navaja de Ockham,la explicación más simple consistentecon las observaciones es la mejor.

al Eliminación de candidatos

Mejor hipótesis del momento

Hipótesis

consistente

Negativo

Generalización Positivo

Especialización

Espacio de hipótesis

Eliminación de candidatosG: {Obj(X,Y,Z)}

G: {Obj(X,Y,Z)}S:{Obj(peq,rojo,bola)}

G: {Obj(X,rojo,Z),Obj(X,Y,bola)}S:{Obj(peq,rojo,bola)}

G: {Obj(peq,rojo,bola)}S:{Obj(peq,rojo,bola)}

-:G: {Obj(X,rojo,Z),Obj(X,Y,bola)}

S:{Obj(X,rojo,bola)}

Espacio de hipótesis

Aplicaciones: Robótica

Exploración autónoma Manipulación

Movimientopreferible

Movimientoinútil

Evaluación de la eficiencia de un algoritmo de aprendizaje

Reunir una gran cantidad de ejemplos.Dividirla en dos conjuntos diferentes: el conjunto decapacitación y el conjunto de prueba.Emplear el algoritmo de aprendizaje, con el conjunto decapacitación como ejemplo de base para producir unahipótesis.Medir el porcentaje de ejemplos del conjunto de pruebacorrectamente clasificados como hipótesis.Repetir los pasos del 1 al 4 en conjuntos de capacitación.

Taxonomía basada en enfoques delconocimiento

Enfoque conductista (llamados subsimbólicos)– Aprendiz sufre modificaciones en su estructura para

ajustarse al comportamiento a simular.– Enfasis en el rendimiento y no en el conocimiento

adquirido.

Ejemplos: aprendizaje inductivosGenerales (pueden ser supervisados o no)

Sistemas conexionistas: Redes neuronales.Sistemas evolucionistas: Algoritmos genéticos.

Más específicos (tienden a no ser supervisados)Clasificadores: Clusterings.

Aprendizaje conductista

SistemaAprendiente

Crítico oMaestro

Refuerzo

Modelo Estímulo-Respuesta = Caja Negra

Aprendizaje cognoscitivo

SistemaAprendiente

Crítico oMaestro

Refuerzo

Base deConocimiento

Módulo deEjecución

Modelo espacio de estados = Representación conocimiento

Memorización

Archivo de los pasos que se han seguidoArchivo de respuestas obtenidasArchivo de ....

Existe variantes en las que se almacenan ejemplosy se recupera posteriormente el más parecido.

• Aprendizaje basado en Instancias• Aprendizaje por Analogía.

Aprendizaje por instrucción

Es el mecanismo más simpleRequiere la intervención de– Otro agente– Una persona

Se selecciona información más relevante y setransforma a representación adecuadaEs como aprendemos en clase (↑↑ %)

Aprendizaje por instrucción

Pide reglas

ReglasMotor

Inferencia

Generadorde

Reglas

Sistema con “Aprendizaje”

Inducción

He visto un cisne grisHe visto otro cisne grisHe visto otro cisne gris.........................................

Todos los cisnes son grises

Aprendizaje a partir de ejemplos

Pide reglas

Reglas

Motorinferencias

Aprendiz

Sistema con “Aprendizaje”

Gestor dedatos

Pide datos

Creatividad

Habilidad que posee una persona para generarconclusiones rápidas y eficaces.Habilidad para solucionar problemas de unamanera diferente a las demás personas.Capacidad para generar ideas que pueden alterarun sistema.

Imaginar

Capacidad para crear mundos no existentes.Capacidad de generar ideas que a la vista de losdemás parecen irreales.Capacidad de idear soluciones no lógicas aproblemas.Habilidad de producir objetos a partir de ideas nodefinidas adecuadamente.

Razonar

Capacidad de encadenar conocimiento que setiene con nuevo conocimiento.Capacidad de generar conclusiones combinandoconocimiento existente y experiencia nueva.Reproducción amplia de conocimiento a partir delaprendizaje llevado a cabo.

Pensar

Capacidad de imaginar y razonar determinandoque el resultado es bueno o malo.Ampliación del razonamiento para determinar laaplicabilidad de algo.Acto de la mente que permite generar ideas(pensamientos)Acto del cerebro que permite determinar que sedesea aprender.

AprendizajeImaginar Razonar

Pensar

Creatividad

Reflexiones finales

•“Si un sistema experto – diseñado e implementadobrillantemente – no puede aprender a no repetir suserrores, no es más inteligente que un gusano...” – O.Selfridge

•“Encuentre un error en un programa, y repárelo, yel programa funcionará hoy. Muéstrele al programacomo encontrar y reparar errores, y el programatrabajará para siempre.” – O. Selfridge

¿El aprender una cosa ayuda a aprender otra?¿Qué es lo que ocurre cuando recordamos ycuando olvidamos?– ¿Cuál es el proceso (s)?– ¿Qué control se ejerce sobre estos procesos?

Referencias

•Inteligencia Artificial – Russell y Norvig

•Artificial Intelligence – Luger y Stubblefield

•http://www-2.cs.cmu.edu/afs/cs.cmu.edu/project/theo-3/www/ml-1997.html – ML por Tom Mitchell

•http://www.aic.nrl.navy.mil~aha/ - ML por David Aha

•http://www-2.cs.cmu.edu/~rll/welcome.html - RobotLearning Laboratory

•Machine Learning. Tom Mitchell, McGraw Hill, 1997.

inteligencia artificial - disi.unal.edu.codisi.unal.edu.co/~lctorress/iartificial/iac012.pdf ·...

Documents

inteligencia artificial - universidad nacional de...

inteligencia artificial -...

redes neuronales artificiales -...

1. caracterÍsticas y...

4. representaciÓn formal -...

inteligencia artificial - departamento de ingeniería de...

perspectivas de la ia - departamento de ingeniería de...

inteligencia...

1. caracterÍsticas y bases - departamento de ingeniería...

diplomado -...

inteligencia de negocios -...

disi.unal.edu.codisi.unal.edu.co/.../posgrados/mafq/propuestamafc2… ·...

ajuste de curvas -...

bases de datos introducción -...

inteligencia artificiallctorress/iartificial/iac003.pdf ·...

raices de polinomios -...

inteligencia artificial - departamento de ingeniería...

redes neuronales artificiales -...

model curriculum for information -...

introducciÓn a las curvas elÍpticas -...