INTRODUCCION

El presente artculo tiene como finalidad, el abordar que es el aprendizaje

automtico,como colabora en el desarrollo de agentes inteligentes, para la inteligencia
artificial,cuales son algunas de sus mejores variantes, as como una visin comparativa de
cmoson cada uno de los tipos de aprendizaje en cuanto a su forma de resolver
problemas y sermodelados.Hemos tomado como referencia algunos libros de texto as
como una tesis doctoral, deIsmael Ledesma Espino
en conjuntos
desarrollo de agentesinteligentes con datos continuos en dominios, estticos. Adems de
esta, consultamos ellib de Antonio Moreno, donde se
presentan los conceptosbsicos sobre el aprendizaje automtico y una clasificacin de los

Introduccin to Machine


se muestra el concepto bsico del aprendizajeautomtico, sus diversas acepciones segn
nuestras fuentes, enseguida se muestran losdiversos tipos de aprendizaje automtico,
esta informacin se ve esquematizada encuadros sinpticos y una descripcin
medianamente extensa.En la siguiente parte del artculo se tocan algunos tipos de
modelado de agentesinteligentes entre los que destacan los de
teora de juegos
.Finalmente se concluye con una comparativa de donde y cuando se deben de aplicar
losdiversos tipos de aprendizaje

APRENDIZAJE AUTOMATICO

Antes de definir aprendizaje automtico debemos tener claro lo que es la inteligencia
artificial.

Como nos damos cuenta cada vez mas las definiciones tienden a simplificarse como
podemos observar en las siguientes dos definiciones de Bellman en 1978 y de Nilsson en
1998.

[La automatizacin de] actividades que vinculamos con procesos de pensamiento
humano, actividades como la toma de decisin, resolucin de problemas, aprendizaje ...
Bellman, 1978.

IA... est relacionada con conductas inteligentes en artefactos. Nilsson, 1998.

Aprendizaje automatico

El Aprendizaje Automtico es una disciplina dentro de los Sistemas Inteligentes cuya
importancia ha quedado establecida desde hace dos dcadas [Anderson y Kline, 1979].
De las variadas formas que se han explorado, la que mejor modeliza el aprendizaje
humano es la que toma en los sistemas con aprendizaje por observacin y
descubrimiento.

Tambin podemos definirlo como la rama de la Inteligencia Artificial que se dedica al
estudio de los agentes/programas que aprenden o evolucionan basados en su
experiencia, para realizar una tarea determinada cada vez mejor. El objetivo principal de
todo proceso de aprendizaje es utilizar la evidencia conocida para poder crear una
hiptesis y poder dar una respuesta a nuevas situaciones no conocidas.
Por ejemplo, un software que juegue al backgammon; no slo que realice movimientos
vlidos sino que en cada partida (contra oponentes reales o bien contra sigo mismo)
mejora su performance (medida por ejemplo en cant. de partidas ganadas / partidas
jugadas en un torneo).

Bock [1985] sostiene que no se puede hablar de Sistemas Inteligentes sino hay
Aprendizaje Automtico. En apoyo de la postulacin de Bock sobre aprendizaje, Rauch-
Hindin [1985] sostiene que los sistemas que pueden observar y aprender a manejar
cambios incesantes en los entornos de funcionamiento son el sueo de las organizaciones
e industrias. Sostiene tambin el principio de que los programas de aprendizaje permiten
comprobar teoras de aprendizaje [Moravec, 1988] y define los sistemas de produccin
adaptativos como sistemas que aprenden nuevas reglas basadas en lo que han observado
[Carbonell, 1983; Eiter y Gotlob, 1992; Falkenhaimer, 1990; Christiansen, 1992],
agregando estas nuevas reglas al sistema de produccin existente.
Un sistema inteligente autnomo ha sido definido [Fritz y otros, 1989; 1990; Garca
Martnez y Borrajo, 1996] como aqul que puede descubrir y registrar si una accin hecha
en una situacin dada fue favorable. Entra dentro de los sistemas que aprenden por
observacin y descubrimiento por experimentacin activa [Wang, 1994; 1995].
Los sistemas inteligentes autnomos formulan operadores que en conjunto constituyen un
modelo de como el entorno que los circunda funciona [Garca Martnez, 1992a]. Tal
modelo es parcial pero tiene la consistencia suficiente [Garca Martnez, 1993a; 1993b;
1995] como para ser utilizado por su carcter predictivo en procesos de planificacin
suficiente [Garca Martnez, 1996; 1997a; Garca Martnez et al., 1998a; 1998b; Garca
Martnez et al., 1999a; 1999b].
En este contexto, el propsito de este proyecto es estudiar de que manera la interaccin
entre sistemas inteligentes autnomos mejora el modelo de funcionamiento del entorno
que cada sistema va formando y cmo se integran en dicha interaccin los modelos de
refuerzo [Sutton, 1984].



Aplicaciones
Hoy en da existen aplicaciones que utilizan agentes basados en aprendizaje en
numerosas ramas de la industria y de la ciencia. Por ejemplo:
Procesamiento del Lenguaje Natural
Para el anlisis sintctico y morfolgico de los textos. Extraccin de Informacin,
Clasificacin Automtica de Documentos, Agrupamiento Semntico, entre otras
tareas se cubren utilizando tcnicas de ML. Los modelos de Anlisis de Sentimiento
permiter reconocer la orientacin o polaridad subjetiva de un texto, esto es, si
estn hablando bien o mal de aqullo que se est opinando.
Sistemas de Recuperacin de Informacin
Los buscadores de Internet utilizan tcnicas de ML para mejorar la performance de
sus bsquedas y confeccionar rankings personalizados segn la experiencia de los
usuarios.
Diagnsitco Mdico
Se utilizan tcnicas de ML para asistir a mdicos en el diagnstico segn la historia
clnica y los sntomas que presenta el paciente. Tambin existen modelos que
miden el riesgo de vida de un accidentado y decidir en el envo de una ambulancia,
un mdico particular o puede tratarse el incidente por telfono
Ciencias biolgicas
Para la clasificacin de especies, reconocimiento de tumores o arritmias o patrones
en cadenas de ADN. Descubrimiento y prediccin de patrones de movilidad.
Finanzas e Industria bancaria
La industria bancaria utiliza modelos de riesgo crediticio para calificar a los
solicitantes segn su nivel de cumplimiento esperado en el pago de las cuotas del
crdito. Tambin existen modelos de fraude de consumo de tarjetas de crdito y
de prediccin de comportamiento en el mercado de valores.
Anlisis de imgenes
Para reconocer escritura manuscrita, indentificar direcciones y remitentes de un
envo postal, facturas o recibos u otro tipo de documentos legales. Tambin otro
tipo de objetos dentro de una imagen, como personas, rostros, monumentos
arquitectnicos o accidentes geogrficos, etc.
Juegos
Ya existen muchos juegos, como el Backgammon y las Damas, donde programas
de computadoras que han sido entrenadas con tcnicas de ML superan a los
campeones mundiales.
Robtica
Se utilizan modelos de ML para regular el desplazamiento de robots, planificacin
de tareas entre otras tareas.
Sistemas de Recomendacin
Extraccin de Informacin, Clasificacin Automtica de Documentos,
Agrupamiento Semntico, Anlisis de Sentimiento, entre otras tareas se cubren
utilizando tcnicas de ML.


http://www.interempresas.net/MetalMecanica/Articulos/104119-Proponen-nuevos-metodos-
para-mejorar-el-aprendizaje-automatico-de-las-maquinas.html
Proponen nuevos mtodos para mejorar el
aprendizaje automtico de las mquinas
Mikel Galar
7 de enero de 2013

http://www.fgcsic.es/lychnos/es_ES/articulos/inteligencia_artificial
Edicin: Diciembre 2011
VICEN TORRA

La inteligencia artificial

Aplicacin de tcnicas de aprendizaje automtico para la identificacin de patrones de
interaccin en una experiencia virtual de aprendizaje.
Priscila Valdiviezo Daz
Unidad de Virtualizacin, UTPL


Sierra, B. Aprendizaje Automtico: conceptos bsicos y avanzados. Madrid Espaa, Pearson
Prentice Hall, (2006).

Santos, O.C, Martin, L., Del Campo, E., Saneiro, M., Mazzone, E., Boticario, J.G., Petrie, H.
User-centered design methods for validating a recommendations model to enrich learning
management systems with adaptive navigation support. Recuperado el 15 de septiembre de
2009, de: http://www.easy-hub.org/workshops/umap2009/doc/paper7.pdf


Santos, O.C., Boticario, J.G. Supporting a collaborative task in a web-based learning
environment with Artificial Intelligence and User Modelling techniques. 6 Simposio
Internacional de Informtica Educativa (SIIE04): November 16-18, 2004. Caceres (Spain).
(2004).