PDF de programación - Introducción - Aprendizaje Automático y Data Mining

Aprendizaje Automático y Data Mining

Bloque I
INTRODUCCIÓN

1

Índice

n Inteligencia artificial.

n Definición de I.A.
n Agentes inteligentes.
n Principales aplicaciones de la I.A.

n Aprendizaje automático.

n Definición de aprendizaje automático.

n Tipos de aprendizaje.
n Aprendizaje inductivo.
n Aprendizaje deductivo.
n Aprendizaje por refuerzo.

2

INTELIGENCIA ARTIFICIAL

3

Definición de inteligencia artificial (I)

n Inteligencia artificial: forma de programación (ordenadores,

microprocesadores de equipos).

n Característica diferenciadora: el programa es capaz de razonar

para dar solución a un problema dado.

n Frontera no clara con la programación tradicional: todos los

programas realizan un cierto razonamiento (ejemplo programa
que devuelve el mayor de dos números).

n Criterio general: similitud al razonamiento realizado por un

humano:
n Simples operaciones matemáticas no son inteligencia artificial.
n Combinación de proposiciones lógicas para obtener una conclusión sí

son inteligencia artificial.

4

Definición de inteligencia artificial (II)

n Test de Turing: prueba clásica para determinar

el nivel de inteligencia de un programa.
n Un árbitro establece una conversación con un

desconocido a través de un ordenador.

n Si el árbitro no es capaz de determinar si habla con un
humano o con un programa de ordenador, el programa
ha superado el test de Turing.

programa

programa

?

?

5

Definición de inteligencia artificial (III)

n Algunas consideraciones sobre el test de Turing:

n Muy específico para una rama de la Inteligencia
Artificial: el procesamiento del lenguaje natural.

n Un programa capaz de generar respuestas con un cierto

sentido puede pasar el test, aunque el programa no
entienda realmente la conversación.

n Anticuado (1950).

n Aún así, es una prueba reconocida universalmente.

6

Agentes inteligentes (I)

n Agente: sistema que recibe información del entorno y

actúa en consecuencia.

percepción

AGENTE

ENTORNO

acción

n Puede utilizarse para delimitar las fronteras de la

inteligencia artificial.

7

Agentes inteligentes (II)

n Definición muy general, caben muchos tipos de agentes:

n Agente humano:

n Percepción: a través de los sentidos.
n Actuación: en función de la percepción.
n Ejemplo: agarre de un objeto.

n Agente robótico:

n Percepción: sensores (vídeo, ultrasonidos, laser, etc.).
n Actuación: actuadores (ruedas, brazos articulados, pinzas, etc.).
n Ejemplo: robot móvil (juguete) que se mueve evitando obstáculos (p. ej.

usando sensores de ultrasonidos).

n Agente software:

n Percepción: fuentes de datos (teclado, ficheros, internet, etc.).
n Actuación: resultados (pantalla, ficheros, etc.).
n Ejemplo: programa que recoge datos de un proceso industrial, determina si hay

alguna anomalía y muestra mensajes de peligro en la pantalla.

8

Agentes inteligentes (III)

n Esquema genérico de un agente:

percepción

sensores

comportamiento

ENTORNO

actuadores

acción

9

Agentes inteligentes (IV)

n Un agente es inteligente si el módulo de comportamiento

realiza razonamientos complejos.

n No hay una frontera clara, pero se pueden ordenar los

agentes en función de su nivel de inteligencia.

n Cuatro tipos de agente en orden creciente de inteligencia:

n Agente de reflejo simple.
n Agente con modelo interno del entorno o mundo.
n Agente basado en metas.
n Agente basado en utilidad.

10

Agente de reflejo simple (I)

n A cada percepción se le asocia una acción a efectuar.

n El comportamiento se puede representar mediante una

tabla:

Percepción

Acción asociada

-

-

-

-

-

-

n El módulo de comportamiento es tan sencillo como una

búsqueda en una tabla.

11

Agente de reflejo simple (II)

percepción

sensores

Datos del
entorno

Búsqueda en
tabla de reglas

Acción
elegida

actuadores

ENTORNO

acción

12

Agente de reflejo simple (III)

n Ejemplo: robot móvil que se mueve en un entorno evitando

obstáculos:

n Tres sensores de proximidad: frontal, derecho e izquierdo.

n Tres posibles acciones: avanzar, girar derecha y girar izquierda.

n Una tabla que relaciona percepción con acción:

Sensor frontal

Sensor dcho.

Sensor izdo.

libre

no libre

no libre

-

-

libre

libre

no libre

-

-

libre

libre

libre

-

-

Acción

avanzar

girar dcha.

girar izda

-

-

13

Agente con modelo del entorno (I)

n Las acciones no se asocian directamente a

percepciones.

n Se utilizan las percepciones, los estados anteriores y las

acciones anteriores para crear un modelo del entorno.

n A cada situación del entorno sí se le asocia una acción,

como en el caso anterior (mediante una tabla).

situación entorno = f (percepciones, datos anteriores)
acción = f (situación entorno)

n Diferencia importante: una misma percepción puede dar

lugar a acciones distintas.

n Se pueden considerar, por ejemplo, derivadas o

tendencias de las percepciones.

14

Agente con modelo del entorno (II)

percepción

sensores

Datos del
entorno

Modelado
del entorno

Modelo del

entorno

Búsqueda en
tabla de reglas

Acción
elegida

actuadores

ENTORNO

acción

15

Agente con modelo del entorno (III)

n Ejemplo: robot móvil que se mueve en un entorno evitando

obstáculos (mejorado):

n Tres sensores de proximidad: frontal, derecho e izquierdo.

n Tres posibles acciones: avanzar, girar derecha y girar izquierda.

n Un mapa de los obstáculos y paredes de la habitación creado a
partir de la historia de percepciones y acciones (movimientos).

n Al disponer de un mapa, las acciones del robot serían más

lógicas (por ejemplo, podría buscar la dirección en la que los
obstáculos se encuentren más alejados).

16

Agente basado en metas (I)

n Las acciones no se asocian al estado del entorno mediante

una tabla.

n Aparecen dos elementos nuevos:

n Modelado del efecto de las acciones: a cada par (estado, acción)

se le asocia un efecto (un cambio en el estado).

estado_nuevo = f (estado_anterior, accion)

n Meta: estado final deseado para el sistema.

n El objetivo es alcanzar el estado meta.

n Desde un estado cualquiera se evalúan las acciones y se elige

la que permite alcanzar la meta.

17

Agente basado en metas (II)

percepción

sensores

Datos del
entorno

Modelado
del entorno

Modelo del

entorno

Modelado de
las acciones

Efecto
acciones

Búsqueda

META

Acción
elegida

actuadores

acción

ENTORNO

18

Agente basado en metas (III)

n Ejemplo: robot móvil que se mueve en un entorno evitando

obstáculos (mejorado):

n Tres sensores de proximidad: frontal, derecho e izquierdo.

n Tres posibles acciones: avanzar, girar derecha y girar izquierda.

n Un mapa de los obstáculos y paredes de la habitación creado a
partir de la historia de percepciones y acciones (movimientos).

n Un elemento que permite conocer el efecto de cada acción.

n Una meta o situación final a alcanzar por el robot.

n El robot busca en cada estado una acción que permita llegar

al punto de destino (o acercarse a él).

19

Agente basado en utilidad (I)

n Similar al agente basado en metas.
n Diferencia:

n No se busca la acción que consigue alcanzar una meta.
n Se define un valor de utilidad para cada estado.
n Se calcula el estado al que llegaría el sistema para cada

una de las posibles acciones a efectuar.

n Se elige la acción que hace que el sistema llegue al estado

de máxima utilidad posible.

n La diferencia afecta al modo de búsqueda de la

solución:
n Agente basado en metas: se estudian las acciones hasta
encontrar una que lleva al estado meta (en ese momento
se deja de buscar).

n Agente basado en utilidad : hay que estudiar todas las

acciones posibles y calcular su utilidad.

20

Agente basado en utilidad (II)

percepción

sensores

Datos del
entorno

Modelado
del entorno

Modelo del

entorno

Modelado de
las acciones

Efecto
acciones

Búsqueda

Acción
elegida

actuadores

ENTORNO

Utilidad
acciones

acción

21

Agente basado en utilidad (III)

n Ejemplo: robot móvil que se mueve en un entorno evitando

obstáculos (mejorado):

n Tres sensores de proximidad: frontal, derecho e izquierdo.

n Tres posibles acciones: avanzar, girar derecha y girar izquierda.

n Un mapa de los obstáculos y paredes de la habitación creado a
partir de la historia de percepciones y acciones (movimientos).

n Un elemento que permite conocer el efecto de cada acción.

n Una valoración de la utilidad de cada estado.

n El robot ejecuta en cada estado la mejor acción en función del

acercamiento al punto de destino (muy similar al agente
basado en metas).

22

Principales aplicaciones de la I.A. (I)

n Planificación o scheduling.

n Objetivo: secuenciar las tareas de una operación compleja,

para reducir tiempo de ejecución y aprovechar recursos.

n Ejemplos:

• Reparto de tareas entre varios microprocesadores.
• Operaciones en una cadena de producción (secuenciación de

uso de máquinas, de cambios de herramientas, etc.).

n Otros tipos de optimización.

n Ejemplo: Distribución de patrones en una tela

(optimización espacio).

n Lenguaje natural.

n Objetivo: lograr que la interacción de los humanos con las

máquinas sea lo más natural posible.

n Ejemplo: interfaces de usuario para telefonía.

23

Principales aplicaciones de la I.A. (II)

n Visión artificial.

n Objetivo: interpretación de imágenes y extracción de

significado. Alta complejidad en general.

n Ejemplo: robótica móvil basada en visión.

n Reconocimiento de patrones.

n Objetivo: similar a visión artificial pero considerando

cualquier tipo de señales (imágenes, audio, señales de
sensores).

n Ejemplo: reconocimiento de caras, detección de fallos en

máquinas a partir de las medidas de sensores, etc.).

n Juegos.

n Objetivo: alcanzar niveles de juego elevados en distintos

juegos de estrategia.

n Ejemplos: ajedrez y otros muchos.

24

Principales aplicaciones de la I.A. (II)

n Sistemas expertos.

n Objetivo: toma de decisiones automática.
n Ejemplos:

• Decisiones sobre préstamos en banca.
• Supervisión de procesos industrial