APRENDIZAJE

Carolina Guilln Romero

Enriqueta Snchez Blzquez
M ngeles Serna Moreno

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

una seal de entrada y la transforma en una de salida de acuerdo con

algn principio de organizacin.
Si tal principio esta sujeto a un criterio de validez de funcionamiento
(decir si funciona bien o mal), hay un objetivo de funcionamiento que
permite ver la evolucin del sistema. Si el mtodo de transformacin
se ajusta a fin de que tienda a mejorar el funcionamiento del sistema
de acuerdo con ese criterio. Se dice que el sistema aprende.

2 Aprendizaje animal (I)

Se entiende como un proceso adaptativo
que cumple las funciones de wiener,
aprendemos para ajustarnos al medio.
Para que se produzca aprendizaje animal se
entiende que debe de perdurar en la
memoria un cierto tiempo

2 Aprendizaje animal (II)

Es tambin difcil enunciar una definicin,
as que se definen una serie de
caractersticas:

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)

Consiste en la adquisicin de un nuevo conocimiento por la inferencia inductiva sobre

los datos por el entorno o el adiestrador.
Se suele caracterizar como una bsqueda heurstica en la que tenemos los siguientes
elementos:
1. Estado inicial: datos de entrada y las descripciones simblicas asociadas. La
descripcin simblica son descripciones de los elementos del dominio.
2. Estado de sucesores son descripciones simblicas con mayor o menos nmero de
generalidad.
3. Operadores: sern diversas reglas de induccin de dos tipos:
a.
Generalizacin: de descriptores concretos a descriptores mas generales.
b.
Especializacin: de una descripcin mas general a una mas concreta.
4. Estado final: va a ser una descripcin simblica con las siguientes caractersticas:
a.
Implica los datos de entrada.
b.
Satisface los requerimientos de1 dominio.
c.
Es suficientemente satisfactoria.
Inducir es suponer que lo que vemos es siempre as: si vemos que un gato tiene 4 patas,
todos los gatos tienen 4 patas.

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.

2 Tipos de aprendizaje inductivo (I)

Hay fundamentalmente dos tipos:
Adquisicin de conceptos (aprendizaje inductivo
supervisado). Contamos con una serie de
elementos ya clasificados y sabemos a que clase
pertenece cada elemento. Nuestro objetivo es
obtener un descriptor apropiado de cada clase.
Por observacin (no supervisado). Tenemos todo
el dominio y hemos de clasificar los elementos de
nuestro sistema.

2 Tipos de aprendizaje inductivo (II)

Mtodo de Hayes-Roth (supervisado)
Intenta las generalizaciones conjuntivas ms especficas a partir de un conjunto de afirmaciones
positivas, a ese conjunto se le llama "maximal abstraction" o "inferencial matches".
Ejemplo:

Case Frame (elementos): El, E2 Y E3.

Case labell (propiedades): sombreado, liso, grande, pequeo....
Parameters (partes): El esta formado por a, b y c.

2 Tipos de aprendizaje inductivo (III)

Mtodo de Hayes-Roth. Ejemplo
Buscamos un descriptor para los tres casos:
Paso 1: el primer elemento de entrada configura el primer conjunto de
generalizaciones conjuntivas de la clase que llamaremos G1. En el
ejemplo Gl=E1.
Paso 2: Para un nuevo elemento de entrada se consigue un nuevo
conjunto de generalizaciones M que se obtiene de un cotejamiento
parcial entre el nuevo elemento y la descripcin de la clase.
Paso 3: Cuando se han cotejado todos los elementos del conjunto de
entrada el conjunto de generalizaciones obtenido es la descripcin de
la clase.
Solo podemos asegurar la falsedad no la veracidad.

2 Tipos de aprendizaje inductivo (IV)

Mtodo de Hayes-Roth. Ejemplo
Cotejamiento parcial:
A. Se cotejan todas las generalizaciones conjuntivas de todas las
formas posibles hasta obtener un conjunto M formado por todas las
afirmaciones procedentes de la correspondencia entre parmetros que
coincidan en ambos casos. Si tenemos 'b' en El que es sombreado y
redondo lo podemos asociar a 'e' y 'f' de E2.
B. Seleccionamos un subconjunto de las correspondencias entre los
parmetros que se puedan vincular consistentemente. Una vinculacin
es consistente cuando no vincula a un parmetro de una instancia con
varios parmetros de otra instancia. Si a/b entonces no puedo coger a/c
porque entonces no seria consistente.

2 Tipos de aprendizaje inductivo (V)

Mtodo de Hayes-Roth. Ejemplo
Cotejamiento parcial:

2 Tipos de aprendizaje inductivo (VI)

Por observacin (no supervisado):
Es ms ambicioso y tiene dos puntos de vista: uno psicolgico y otro
computacional.
Componente psicolgica:
A. Enfoque clsico: se basa en que todas las instancias de una categora
comparten un conjunto de caractersticas comunes. Desventajas si
intentamos abordar esto computacionalmente no siempre es posible
encontrar una caracterstica comn que caracteriza la clase. La imposibilidad de
definir grados de pertenencia a un conjunto. Existen
asignaciones ambiguas.
B. Enfoque probabilstico se asocia un grado de pertenencia a cada clase. Para ello
se define un prototipo de la clase y luego mediramos la distancia de nuestro
elemento a la clase. Desventajas:
Habla independientemente del contexto.
Es difcil cuantificar la distancia al prototipo, es complicado
establecer la mtrica.
C. Categorizacin basado en teoras hay informacin difcil de inyectar en l
a clase y hemos de encajar la en el dominio.

2 Tipos de aprendizaje inductivo (VII)

Por observacin (no supervisado):
Componente computacional: el objetivo es conseguir agrupar los elementos en clases, y
conseguir las caractersticas que definen cada clase.
A.
Taxonoma numrica: son los primeros intentos de aprendizaje automtico no
supervisado mediante induccin y casi todos estn basados en algn tipo de
mtrica.
Distancia de Minkowski: d(i,k)=(nj=i (|xij xkj)| ), donde si es 1 se trata de
la
distancia eucldea y si vale 2 es la distancia hamming. Cada caso es un
vector de reales
de n nmeros (ms bien un punto). Es esquema de representacin es un vector de n
coordenadas. Para clasificar las clases los
vectores hay dos tipos de algoritmos:
1.
Algoritmos aglomerativos en principio suponen que cada elemento
es
una clase y luego se van uniendo hasta conseguir el nmero deseado.
2.
Algoritmos divisores consideran que todos los vectores pertenecen a
la
misma clase y luego los van dividiendo en subclases.
Objetivos:
- La similitud entre elementos de la misma clase debe ser prxima.
- La diferencia entre elementos de clases distintas debe ser mxima.
El problema es cuando parar (de juntar o dividir).

2 Tipos de aprendizaje inductivo (VIII)

Por observacin (no supervisado):
Componente computacional:
B.
Aprendizaje automtico: es una mejora de la taxonoma automtica, donde se intenta:
Resolver el problema de cuando parar.
Los parmetros numricos pueden no expresar bien el dominio.
Intenta encontrar otras alternativas.

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

1 Deductivo: EBL (explanation

based learning).(I)
El aprendizaje inductivo era el ms utilizado, pero
tiene un problema: el aprendizaje inductivo no
preserva la veracidad pero preserva la falsedad.
- No preserva la veracidad: por induccin no se
puede afirmar algo que hemos observado.
- Preserva la falsedad: podemos saber que algo es
falso.

1 Deductivo: EBL (explanation

based learning).(II)
La deduccin permite preservar la veracidad ya
que hay conocimiento del dominio que respalda
las afirmaciones. Sobre el conocimiento obtenido
inductivamente podemos deducir.
La segunda diferencia es que el aprendizaje
inductivo necesita muchos ejemplos para obtener
informacin del dominio. En el deductivo nos vale
con un ejemplo pero necesitamos ms
conocimiento del dominio.

1 Deductivo: EBL (explanation

based learning).(III)
La tercera diferencia es que el mtodo
deductivo no incorpora nuevo
conocimiento, tan solo consigue explicar
mejor (concretar) el conocimiento existente.

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.

2. Anlisis de la traza: analizamos la solucin para

conseguir obtener una explicacin. Usamos criterios:
A. Criterio de relevancia. va a ser realmente aquello
que sea importante para abordar problemas futuros, en
una traza va a ser realmente aquella informacin que
forme parte en el camino de llegar a la solucin.
B. Criterio de operatividad: son aquellas reglas que se
activan directamente.

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.

6. Incorporar: esas nuevas reglas hay que incorporarlas

a la base de conocimiento, pero a veces se obtienen
demasiadas reglas para introducir en nuestro sistema. Hay
que llegar a una solucin de compromiso (velocidad de
inferencia o base de afirmaciones mayor).

Problemas del EBL.(I)

Hemos supuesto que la base de
conocimiento es completa y es consistente
pero a veces la base que tenemos no es as.
Por ello se producen dos problemas:
1 Reformulacin de la teora: es provocado por el
aumento de volumen de la informacin o bien por
el aumento de la complejidad (reglas ms complejas
en la base de conocimiento .Y hay que determinar
que dejamos y que eliminamos. As que tenemos dos
soluciones: o almacenar siempre o bien no
almacenar nunca.

Problemas del EBL.(II)

2 Revisin de la teora: la informacin obtenida no
es adecuada porque:
La teora es incompleta.
La teora es incorrecta.
La teora es inconsistente: se puede llegar a
contradicciones.
La Teora es intratable: por su volumen son difciles
de abordar.

APRENDIZAJE POR ANALOGA

APRENDIZAJE AUTOMTICO

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.

Se usa cuando se conoce el comportamiento de

un sistema, para conocer como se comporta un
sistema anlogo.

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.

Modelo unificado de analoga (I).

KEDAR-COBELL (1988)

Fases:

1. Recuperacin: Partiendo del problema

objetivo (dominio objetivo) buscamos un
problema base en el dominio base que tenga
similitudes significativas.
2. Elaboracin: Define conocimiento del
problema base para poder aplicarlo en el
problema objetivo.

Modelo unificado de analoga (II).

KEDAR-COBELL (1988)

Fases:

3. Mapeo: Trasladamos el conocimiento

desde el problema base hasta el objetivo.
4. Justificacin: Comprobamos si lo que
sabemos es aplicable y funciona en la funcin
objetivo.
5. Aprendizaje: Consiste en almacenar el
conocimiento obtenido aprendido, en el
conocimiento objetivo

Analoga transformacional.
CARBONELL (1983)

Plantea un espacio llamado Tespacio y

decide que hay varios problemas que
pueden manejarse con el Tespacio, de
manera que, se puede asignar a distintos
problemas usando Toperadores.

APRENDIZAJE POR REFUERZO DE

TABLAS
APOYOS AL APRENDIZAJE

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

Aprendizaje por refuerzo de tablas (I).

El aprendizaje por refuerzo en tablas consiste en
gestionar el conocimiento mediante tablas de
valores que se van actualizando atendiendo al valor
del refuerzo. Son slo aceptables por problemas
aceptables por problemas de Markov.
Problemas modernizable por cadenas de Markov
slo dependen del estado en el que est el sistema y
no depende de cmo ha llegado a ese estado.

Aprendizaje por refuerzo de tablas (II).

TIPOS DE REFUERZO:
Refuerzo inmediato.
Refuerzo retardado.

Aprendizaje por refuerzo de tablas (III).

Refuerzo inmediato: el algoritmo normal (es el
que se conoce como algoritmo lineal de premio
castigo, LRP) constituye una tabla con todos los
posibles estados del sistema y todas las posibles
acciones.
El algoritmo lineal de refuerzo inaccin,
solamente se castiga, cuando lo haces bien no
modifica los pesos y cuando lo hace mal lo castiga.

Aprendizaje por refuerzo de tablas (IV).

ALGORITMO LINEAL DE PREMIO Y CASTIGO

E1_A1 E1,A2 E1,A3 E1, E2_A1 E2,A2 E2, A3 E2,...

Si se est en E1 y se pasa a E2, si es bueno se premia y si no se castiga.

Aprendizaje por refuerzo de tablas (V).

Refuerzo retardado: suele ser ms
complejo y menos autnomo. Segn se ha
llegado al final se valora si se ha hecho bien
o mal.
Es ms difcil detectar el fracaso en los
parmetros del sistema.

Pginas de inters

Aprendizaje en Inteligencia Artificial

Aprendizaje (definicin y tipos)
Resumen Aprendizaje y Memoria
Inteligencia en Redes de Comunicaciones (Aprendizaje)
Aprendizaje definicin y tipos en wikipedia
Aprendizaje Automtico:Aprendizaje de Conceptos y Espacio de Versi
ones.
Aprendizaje Deductivo (Basado en la Explicacin)
Introduction to Machine Learning
Machine Learning and Natural Language Processing
Aprendizaje automtico

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

Aprendizaje por analoga

Aprendizaje por analoga
Aprendizaje por analoga
Introduccin al aprendizaje de la maquina: s
istemas discentes

Aprendizaje basado en casos

Repositorio general sobre AI-CBR
Herramientas AI-CBR (ver acadmicas)
Documentacin y cdigo sobre el conocido sistema SWAL
E
Recursos CBR (AAAI)
INRECA: proyecto europeo del que se deriva CASUEL y
CBR-Works

Planificacin y CBR (Veloso) / Planning and CBR

Agentes y CBR (CSIC)
Gente relacionada con ML y CBR / ML and CBR people
Conferencia Internacional de CBR'03

Bibliografa

Mitchell (1997): Machine Learning. McGraw-Hill.

DA Norman (1988 ) El aprendizaje y la memoria. Alianza Editorial
LPEZ, J.A. (1990). "Inteligencia Artificial en Educacin". Apuntes de Educacin y
NN.TT., n 38" Madrid: Anaya
Gerhard Weib, Sandip Sen (1996) Adaptation and learning in multi-agent systems ed.
CASACUBIERTA, F. Y VIDAL, E. (1987 a) Reconocimiento automtico del habla.
Marcombo.
D. Borrajo, J.G. Boticario y P. Isasi. (saldr publicado en abril 2006).Aprendizaje
Automtico. Editorial Sanz y Torres
A. Moreno Ribas y otros (1994). Aprendizaje Automtico. Ediciones UPC
(Universidad Politcnica de Catalua)
Carbonell, J.G., Michalski, R.S., and Mitchell, T.M., "Machine learning: A historical and
methodological analysis". AI Magazine, Fall (1983) 69-79.
Chandrasekaran, B., Johnson, T.R., and Smith, J.W., "Task-structure analysis for
knowledge modeling". Communications of the ACM, 35 (1992) 124-137.

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

Artculos destacados (II)

Un mtodo deductivo para la enseanza

http://www.edscuola.it/archivio/software/bit/course/Revist
aEnsenanza.pdf

Aprendizaje Deductivo, Inductivo, y Abductivo con Algoritmos Genticos

http://www.inf.udec.cl/revista/ediciones/edicion10/apr-ag.pdf

Anlisis y sntesis de la seal acstica

http://cvc.cervantes.es/obref/congresos/sevilla/tecnologias/mesaredon_
casacuberta.htm
Aprendizaje en inteligencia artificial
http://www.sindominio.net/~apm/articulos/IAIC/aprendizaje/aprendiza
je.pdf

Aplicaciones
Sistema de tutora inteligente adaptativo considerando
estilos de aprendizaje
http://eia.udg.es/~clarenes/docs/ribie-udg-2002.pdf.

Sistema de Reconocimiento del habla

http://es.wikipedia.org/wiki/Reconocimiento_del_habla

Programa que aprende a jugar al Backgammon

entrenndose contra s mismo mediante aprendizaje con
refuerzo. El programa logr un nivel de juego comparable
al de los expertos humanos.
Temporal difference learning and TD-Gammon
(http://www.research.ibm.com/massive/tdl.html)

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