PDF de programación - Técnicas de inteligencia artificial - Aprendizaje

Técnicas de inteligencia artificial

Aprendizaje
Introducción

Aprendizaje automático
 La idea del aprendizaje automático (machine

learning) consiste en programar una computadora
para que mejore en la realización de una tarea a
partir de datos de ejemplo o de la experiencia

 ¿Por qué puede ser necesario?

Tareas en las que el algoritmo se debe adaptar a

circunstancias particulares (hace falta un
“entrenamiento”): detección de Spam,
reconocimiento del habla,...

Algoritmos difíciles de programar “a mano”:

reconocimiento del habla, de escritura manuscrita,...

Ejemplos de áreas de aplicación

 “Minería de datos” (data mining): obtener

conclusiones a partir del análisis estadístico de
grandes cantidades de datos
 Aplicaciones muy variadas, desde marketing a medicina
 Facilitado por las enormes bases de datos online y offline

existentes en la actualidad

Ejemplos de áreas de aplicación (II)

 Algoritmos difíciles de programar “a mano”
 Reconocimiento de partes del cuerpo con Kinect

http://research.microsoft.com/pubs/145347/BodyPartRecognition.pdf

Tipos de aprendizaje

 Aprendizaje supervisado: conocemos la clase a la

que pertenece cada ejemplo
 Clasificación o reconocimiento de patrones: asignamos

una clase de un conjunto de clases discreto. Ejemplo:
reconocer una cara, un carácter

 Regresión: estimar una función continua

 Aprendizaje no supervisado: tenemos un conjunto de

datos que queremos agrupar en clusters

 Aprendizaje por refuerzo: tenemos una medida de lo
bien o mal que está funcionando el algoritmo, pero no
sabemos exactamente qué falla.

Algoritmos que veremos en la asignatura

 Árboles de decisión (clasificador, supervisado)
 Bayesiano (veremos el naive bayes, que es un

clasficador supervisado)

 Redes neuronales

 Perceptrones (clasificador/regresión, supervisado)

 Boosting

 Una forma de combinar varios clasificadores para

conseguir uno global mucho mejor