Beruflich Dokumente
Kultur Dokumente
FACULTAD DE INGENIERIA
INTELIGENCIA ARTIFICIAL
AUX JULIO
SECCION A
RESUMENES
MACHINE LEARNING
DARWIN DANIEL
HERNANDEZ GALAN
200511916
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.
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.
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.
Existen varias razones por las cuales se estudia el ML algunas son derivadas de su definición,
pero hay otras como:
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.
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. 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.
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.
Algunas Definiciones
Bias Inductivas: Cualquier preferencia para una hipótesis afuera de otra que consiste en
ejemplos de entrenamiento.
Pero es imposible computar la cantidad pues no se saben las etiquetas de todos los casos.
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.
Primero se hace una representación de las hipótesis que es lo mismo que identificar las
hipótesis, luego con todas estas hipótesis identificadas
Algunas definiciones
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.
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