Professional Documents
Culture Documents
APRENDIZAJE
APRENDIZAJE ANIMAL
Componentes:
Habituacin.
Aprendizaje asociativo.
Impronta.
Imitacin.
APRENDIZAJE
APRENDIZAJE AUTOMTICO
Tipos:
Deductivo
Componentes:
Resolucin de problemas.
Anlisis de la traza.
Filtrado.
Generalizacin.
Construir nueva informacin.
Incorporar.
APRENDIZAJE
APRENDIZAJE AUTOMTICO
Tipos:
Inductivo
Adquisicin de componentes (supervisado).
Por observacin (no supervisado).
APRENDIZAJE
APRENDIZAJE AUTOMTICO
Tipos:
Por analoga
Modelo unificado de analoga.
Analoga transformacional.
Algoritmo gentico
Conexionista
Multiestrategia
APRENDIZAJE
APOYOS AL APRENDIZAJE
Aprendizaje supervisado
Aprendizaje no supervisado
Aprendizaje con refuerzo de tablas
Inmediato.
Retardado.
1 Introduccin
Hay una corriente que dice que sin aprendizaje no hay
inteligencia, entonces los S.E. no son inteligentes.
Wiener:Un sistema organizado que aprende es aquel que recibe
Habituacin
Aprendizaje asociativo
Impronta
Imitacin
Habituacin:
El sistema aprende a no prestar atencin de
ciertos inputs y nos habituamos a ello y no
lo consideramos importante. Es muy
complicado en sistemas artificiales decidir
cuales aspectos son importantes y hemos de
prestarles, atencin.
Aprendizaje asociativo
Aprenden asociando elementos que llegan a
estar asociados (paulov: perro, comida y
campanilla). Hay un aprendizaje de este
modo que se llama latente: el aprender
habilita mayor capacidad de aprender.
Impronta
Durante un periodo de, tiempo de su vida todo
lo que el ser ve lo sigue como a una madre.
No existe dentro de la inteligencia artificial.
En las primeras fases de la vida la impronta
es ms fuerte que en la fases posteriores.
Imitacin:
Importante en sistemas biolgicos. Consiste
en imitar el comportamiento de otro ser. No
existe dentro de sistemas artificiales.
2 Aprendizaje automtico
(artificial)(I)
Tipos de aprendizaje automtico:
Deductivo: mediante procesos de inferencia
deductiva aplicando a hechos reglas conocidas.
Necesita conocimientos previos. Ejemplo: hay
colillas -> han fumado.
2 Aprendizaje automtico
(artificial)(II)
Tipos de aprendizaje automtico:
Inductivo: consiste en inducir informacin de una
concepto a partir de un conjunto de cosas en concreto.
No requiere informacin previa del dominio. Ejemplo:
ese gato tiene 4 patas -> todos los gatos tienen 4 patas.
Si veo un caso supongo que todos los casos son iguales
hasta que encuentre una contradiccin que me obligue a
remodelar las informaciones. Se realiza una estructura
del dominio a base de inducciones.
2 Aprendizaje automtico
(artificial)(III)
Tipos de aprendizaje automtico:
Analoga: aplicar un marco conocido a un
problema nuevo para resolver lo aprendizaje
basado en casos.
Algoritmos genticos: se basa en la teora de
Darwin, mediante mutaciones se mejora el
problema.
2 Aprendizaje automtico
(artificial)(IV)
Tipos de aprendizaje automtico:
Conexionista: es el que se usa en redes
neuronales. Algunos estn implcitos en la red y
otros son externos.
Multiestrategia: usa distintos tipos de
aprendizaje.
3 Apoyos al aprendizaje:
Aprendizaje supervisado: durante el proceso de
aprendizaje existe un profesor o tutor que mostrando
ejemplos y resultado al sistema. En la clasificacin de
elementos el profesor le ensea un elemento y el sistema
le dice a que clase pertenece. Por ejemplo
backpropagation.
No supervisado: no hay un profesor que gui el
aprendizaje sino que se le muestra el dominio completo
y se le deja al sistema que decida como realizar esta
clasificacin, solo hay ejemplos. Por ejemplo
contrapropagacin.
Con refuerzo: hay un supervisor que informa si los
resultados son correctos o no. No dice que clases hay.
APRENDIZAJE INDUCTIVO
APRENDIZAJE AUTOMTICO
1 Definicin (I)
1 Definicin (II)
Las reglas de generalizacin pueden ser:
Reglas de seleccin: va a modificar el conocimiento obtenido. Tenemos los siguientes.
Supresin de conjugados eliminando un elemento de la conjuncin para,
obtener un descriptor mas general. Por ejemplo: los latinos son simpticos y
bajitos -> los latinos son bajitos.
Adiccin de disyuntados: incluimos un descriptor ms como una disyuncin y
obtenemos una expresin mas general. Ejemplo: hay un fantasma bajo la cama
-> hay un fantasma bajo la cama o en el armario.
Cambio de constantes por variables. Por ejemplo: la hormiga atmica lleva
casco -> la hormiga X lleva casco.
Reglas constructivas: va a aadir nuevo conocimiento (nuevos descriptores).
Adiciones cuantitativas; por ejemplo: cosa lisa y negra -> cosa lisa, negra y con
tres picos
Deteccin de dependencias. Por ejemplo la serie: (3,6),(4,8),(5,10) seria dos
nmeros entre parntesis separados por una coma donde uno es la mitad del
otro.
Lo que hacemos es buscar un descriptor que mejor identifique a cada clase para
hacer una clasificacin eficiente. Para obtener buenos descriptores usamos los
operadores.
1.
Agrupacin conceptual: A y B van a ser casi siempre en la misma clase, sin embargo
hay un concepto ms all de la distancia, unos puntos forman un circulo y otros un
tringulo. Habra que introducir los conceptos crculo y tringulo.
2.
Cluster: a partir de una serie de semillas van creciendo (en forma de estrella)
3.
Teora de Witt: Se basa en teoras de la informacin.
4.
Autoclass: Teoras de Bayes.
5.
Formacin de conceptos: tiene mecanismos que permiten realizar el
aprendizaje de forma incremental.
APRENDIZAJE DEDUCTIVO
(APRENDIZAJE BASADO EN EXPLICACIONES)
APRENDIZAJE AUTOMTICO
Definiciones:
Teora del dominio (o conocimiento de respaldo) es la
informacin especfica del dominio que vamos a suponer
completa y consistente (en SBR es la base de
afirmaciones).
Concepto objetivo: es el concepto del que el mtodo EBL
debe determinar una definicin efectiva y operacional. Se
dice que es efectiva porque lleva a la solucin rpidamente
y es operacional porque se puede hacer en la mquina.
Ejemplo es una instancia concreta de un objetivo
Nueva teora del dominio es una teora del dominio
modificada.
Componentes
Componentes: (I)
1. Resolucin del problema: utilizar el dominio y el
ejemplo para 1Iegar al objetivo.
Componentes: (II)
3. Filtrado: filtra la informacin de la traza para llegar
a la explicacin. Coge lo que es relevante y operativo. Se
obtiene una explicacin.
4. Generalizacin: consiste en sustituir las constantes
por variables de forma que la expresin siga siendo vlida.
El mtodo ms usado es el algoritmo de regresin de
objetivos. Regresionar una frmula f a travs de una regla r
consiste en determinar las condiciones necesarias y
suficientes bajo las cuales puede usarse la regla r para
obtener f.
Componentes: (III)
5. Construir nueva informacin: La informacin que
construimos puede ser:
Reglas de dominio que expresaran nuevas definiciones de
conceptos en las que la parte izquierda de la regla sern las
combinaciones necesarias y suficientes del rbol de
explicacin generalizado mientras que la raz del mismo ser la
parte derecha de la regla.
Reglas de control que se construyen de forma similar.
Introduccin
Si dos situaciones son iguales en algunos de sus
aspectos, lo normal es que puedan serlo en otras.
Ejemplo:
Un circuito y un sistema con una frmula que define
su comportamiento similar. Analoga entre las dos
situaciones.
Definiciones.
Problema base: situacin conocida de ante
mano.
Dominio base: lo que se conoce de l.
Problema objetivo: aplicamos lo conocido a
la nueva situacin.
Dominio objetivo: conocimiento obtenido
de aplicar el problema objetivo junto con la
situacin conocida.
Fases:
Fases:
Analoga transformacional.
CARBONELL (1983)
Introduccin (I).
Aprendizaje por refuerzo de tablas
consiste en tener una serie de parmetros y
segn los resultados de la funcionalidad del
sistema ir modificando los parmetros.
Introduccin (II).
TIPOS DE APRENDIZAJE POR REFUERZO:
Inmediato: lleva una seal de refuerzo tras cada
actuacin del sistema y a cado paso tendr una seal
de refuerzo que indicar si va bien o mal.
Retardado: se pondera exclusivamente la accin del
sistema.
Es ms fcil manejar el retardado que el inmediato.
Introduccin (III).
CLASIFICACIN:
1. Refuerzo en tablas.
2. Redes neuronales.
3. Aprendizaje estmulo-accin
Pginas de inters
Aprendizaje inductivo
Aprendizaje por observacin (ppt)
Introduccin y descripcin de los algoritmo
s de Aprendizaje Inductivo-Incremental
Aprendizaje Inductivo
Aprendizaje Automtico: Aprendizaje de Con
ceptos y Espacio de Versiones.(
pdf)
Aprendizaje Inductivo
Aprendizaje deductivo
Aprendizaje Deductivo (
Basado en la Explicacin)
Articulo: Sugerencias para la enseanza tom
ando en cuenta mtodos de aprendizaje mecn
ico de la inteligencia artificial
Aprendizaje automtico. Tcnicas basadas
en EBL
DeJong y Mooney (1986), definieron el
Aprendizaje Basado en la Explicacin, EBL
Bibliografa
Artculos destacados
A Learning Algorithm For Neural Network Ensembles
http://ltcs.uned.es:8080/aepia/Uploads/12/128.pdf
Presentacion Monografia: Sistemas Inteligentes en el ambito de la
Educacion
http://ltcs.uned.es:8080/aepia/Uploads/12/131.pdf
Apredizaje de la similitud entre casos con valores discretos y
numricos(Premio Accsit Jose Cuena)
http://tornado.dia.fi.upm.es/caepia/numeros9/luaces.ps.gz
Aprendizaje o Aprendizajes?
http://contexto-educativo.com.ar/2001/2/nota-02.htm
http://www.edscuola.it/archivio/software/bit/course/Revist
aEnsenanza.pdf
Aplicaciones
Sistema de tutora inteligente adaptativo considerando
estilos de aprendizaje
http://eia.udg.es/~clarenes/docs/ribie-udg-2002.pdf.
Aplicaciones (II)
Machine Learning for Distributed Traffic Control
http://www.isle.org/%7Elangley/traffic.html
How can computers learn to decode a person's
mental state from their brain activity?
http://www.cs.cmu.edu/afs/cs/project/theo73/www/index.html