UNIVERSIDAD DE SAN CARLOS DE GUATEMALA

ESCUELA DE CIENCIAS Y SISTEMAS

FACULTAD DE INGENIERIA

INTELIGENCIA ARTIFICIAL

ING JAVIER GRAMAJO

AUX JULIO

SECCION A

RESUMENES
MACHINE LEARNING

DARWIN DANIEL

HERNANDEZ GALAN

200511916

GUATEMALA LUNES 1 DE JUNIO DEL 2010

 INTRODUCCION AL APRENDIZAJE 1

El video en su fase inicial introduce a learning mediante su definición la cual es

Learning o Aprendizaje: cubre una variedad de rangos de procesos. Esto significa que se gana
conocimiento, el entendimiento y las habilidades como son el estudio la enseñanza y las
experiencias.

Para entender esto primero debemos ver como existe un cierto paralelismo entre los humanos
y el aprendizaje de maquinas. Relacionado a como con modelos computacionales los
psicólogos han tratado de explicar cómo aprenden los humanos y los animales. Además de que
se iluminan con ciertos aspectos de la diversidad biológica y aprendizaje.

El video nos muestra dos definiciones extras expresadas por dos autores como son Donal
Michie, Herber Simon. Estas dos definiciones tienen en común algunas nociones como son:

La entrada de datos
Mejora del Rendimiento: lo cual involucra mensurabilidad y la comprensibilidad.

Este aprendizaje plantea problemas bajo la premisa en que si se mejora el performance de T

con la experiencia E entonces esto lo medimos en base a una métrica P es decir que cada una
de estas literales nos sirve en un programa de computadora, en el que se dice que aprende de
una tarea, de las experiencias y con respecto a una métrica.

Con Learning se adquiere conocimiento basándose en el ambiente lo cual nos lleva a enlazar
los sentidos y las experiencias y a si lograr la adquisición de conocimiento.

Un ejemplo de este tipo de problema planteado es el siguiente:

Identificar Posibilidad del Tumor (tarea)

Base de Datos de Paciente del Pasado (experiencia)
Precisión y cubrimiento (métrica)

Se habla del ambiente se busca el aprendizaje del aprendiz, se enlaza a la base de datos de
conocimiento que se pueda dibujar y con la cual se crea una base de datos adquirida.

La base de todo esto nuevamente será, el conocimiento la estructura de datos, la experiencia

entrada de datos y motor de salida, el rendimiento es cuantitativo y otros aspectos como:
precisión, eficiencia y la comprensión.

Existen varias razones por las cuales se estudia el ML algunas son derivadas de su definición,
pero hay otras como:

Sistemas adaptivos para las muchas tareas

Una alternativa manual para codificar un programa
Comprensión de los animales y el aprendizaje humano
Nuevo tipo de capacidad para las computadoras.
Tipos de learning que son:

Aprendizaje supervisado: entrenamiento, ejemplos.

Aprendizaje no supervisado: aprender patrones para entradas únicamente
Aprendizaje reforzado: reforzamientos.

El conocimiento adquirido para el aprendizaje se adquiere de dos formas:

Conocimiento Declarativo: Conceptos, valores de parámetros, gramáticas y

taxonomías.
Conocimiento Procedimental: Reglas, reglas y fortalezas, redes y programas de
computadoras.

Estructuras de datos usadas para conocimientos como pueden ser: Arboles de decisión,
Expresiones lógicas, Redes neuronales, reglas de condición y acción, conjunto de reglas,
autómatas de estados finitos, código Lisp y código de C.

Entre las estructuras de datos y lo conocimientos declarativos se dan relaciones como ejemplo
podemos hablar de programas de computadoras para código Lisp y C. Planes para conjunto de
reglas y autómatas finitos, comportamiento de reglas, reglas de condición y acción, Y por
ultimo conceptos arboles de decisión, expresiones lógicas y redes neuronales.

El concepto de learning llamado clasificación de Aprendizaje, lo podemos ver como una

descripción de clases y objetos. Con esta descripción se puede predecir nuevos objetos en la
clase.

Existen algunos ejemplos de tareas como son:

Clasificar partes:
Análisis de mamografía: estimar la probabilidad.
Entendiendo documentos

Deducción o Inducción

Veamos primero un ejemplo de deducción: se le llama inferencia deductiva pues en base a una
Hipótesis H se puede saber un conjunto de hechos F es decir se deriva F de H.

H->F es válido. Si H es verdadera F por modus ponen será verdadera.

El segundo ejemplo es la inducción: esta es una inferencia inductiva pues se deriva H de F,

H->F es válido. Es decir que si algunos hechos son falsos, h deberá d ese falso es decir

El concepto de objetivo con el que se intenta aprender, es llamado target concept que vendrá
siendo la hipótesis que se define. Y el objeto (Hecho) es usado para aprender el concepto de
objetivo el cual es una instancia o ejemplo. Las instancias en este caso describen un conjunto
de opciones o atributos (X1, X2, X3…Xn). Estas opciones podrán ser nominal aquí no hay una
estructura de valores ejemplo el color, ordenada aquí si vemos un orden de valores:
temperatura y peso. Estructurada estas pueden ser arboles o jerarquías como una taxonomía
animal.

Un ejemplo de un problema de aprendizaje como el siguiente

x F(x)
1 1
2 4
3 9
4 16
5 ?

Este ejemplo se trata de encontrar un patrón de ejemplo para el siguiente patrón futuro en
este caso el numero 5. Esto se hace con la hipótesis que serán los valores que conocemos con
anterioridad.

Las clases de hipótesis a ser consideradas son:

Asumir F un conjunto de reglas

El espacio de hipótesis consiste polinomios
El espacio de hipótesis consiste en arboles de decisión

La idea es seleccionar de un conjunto H de hipótesis h la mejor que cumpla con los

requerimientos.

Algunas Definiciones

Conjunto de Entrenadores: un conjunto de ejemplos para aprender

Hipótesis consistente: es la hipótesis que es consistente con todo el conjunto de entrenadores.

Conjunto de pruebas: Un conjunto de ejemplos después de aprender una hipótesis.

Bias Inductivas: Cualquier preferencia para una hipótesis afuera de otra que consiste en
ejemplos de entrenamiento.

El objetivo real es aprender a encontrar hipótesis en una correcta clasificación de nuevos

ejemplos la idea es elegir la f’ que minimiza.

P(f’(x)≠ f(x) / x que es un nuevo caso)

Pero es imposible computar la cantidad pues no se saben las etiquetas de todos los casos.

Preguntas para resolver problemas

Especificar claramente las posibles soluciones

Como se obtiene un conjunto de entrenamiento y conjunto de pruebas
Como se mide el rendimiento de tu algoritmo
 INTRODUCCION AL APRENDIZAJE II

Objetivos de la introducción al aprendizaje

Revisar los conceptos de aprendizaje

Inducir las hipótesis de aprendizaje
Inducción a la parcialidad, es decir como son estas sirven para seleccionar hipótesis.
Definición de versión espacial
Definición de sobre-ajuste
Validación cruzada
Algoritmos de aprendizaje en versiones espaciales

Aprendizaje de las maquinas de clasificación

Se asume que se tiene un objetivo de aprender algo, ha esto se le llama OBJETIVO DEL
CONCEPTO, por ejemplo la descripción de un objeto
Es una manzana o no, su objetivo es aprender a describir el objetivo del concepto, por
ejemplo una instancia x la cual esta descrita por
Un vector, descripciones las cuales se les llama atributos.

Hipótesis o Modelo de selección

Encontrar el espacio de hipótesis, es decir el espacio de hipótesis es la colección de posibles

hipótesis, con el objetivo d encontrar la mejor Hipótesis dentro de este conjunto.

Concepto de aprendizaje como búsqueda

Primero se hace una representación de las hipótesis que es lo mismo que identificar las
hipótesis, luego con todas estas hipótesis identificadas

Se crea un espacio de hipótesis, la búsqueda conlleva a obtener la hipótesis deseada dentro

del conjunto de hipótesis,

Algunas definiciones

Conjunto de Formación, son el conjunto de tareas de aprendizaje que obtiene el alumno.

Conjunto de Pruebas, sirven para determinar la precisión de lo aprendido.

Positivo falso y falso negativo

Un ovalo representa el conjunto de instancias, y un concepto es representado por un circulo

junto con la hipótesis son representados de la misma forma, en donde la hipótesis queda
sobre el concepto, en donde la parte que no es cubierta por la hipótesis sobre el concepto esto
representa lo que es el NEGATIVO FALSO ya que queda fuera de la HIPOTESIS pero dentro del
CONCEPTO, mientras que el FALSO POSITIVO e la parte de la HIPOTESIS la cual no se encuentra
dentro de los márgenes del concepto.
Inducción a la hipótesis del aprendizaje

Muchas hipótesis encontradas para aproximar el objetivo de las funciones son para la
formación de ejemplos.

Inducción a la parcialidad

Las preferencias para una hipótesis sobre otra puede ser la coherencia como los ejemplos de
formación, por ejemplo la simplicidad puede ser una inducción de parcialidad.

Parcialidad de Preferencias, es una unidad de medida o de ordenes q sirve de base de

preferencias en un conjunto de hipótesis.

Versión del espacio

Una hipótesis es consistes con un conjunto de formadores como ejemplos X de los objetivos
conceptuales, únicamente si la función H(x) = C(x) para cada ejemplo de formación.

El problema de OverFitting

Lo que nos dice que entre más entrenamiento es mejor el entrenamiento. Si hay
entrenamiento de datos en el algoritmo.

Holdcout

Es un método que envuelve splitting de datos adentro de dos conjuntos. El entrenamiento y el

conjunto de pruebas. El entrenamiento es usado para la clasificación del entrenador. Y la
prueba es usada para estimar el error.

Como vemos esto se divide en conjunto de entrenamiento y conjunto de pruebas.