Inteligencia artificial

APRENDIZAJE DE MÁQUINAS
(MACHINE LEARNING)
Inteligencia Artificial
 Aprendizaje

Construcción o modificación de representaciones de

lo que se experimenta R. Michalski
Lograr cambios útiles en nuestras mentes. M. Minsky
Las percepciones deben servir no solo para actuar
sino para mejorar la capacidad del agente para
actuar en el futuro. S. Russell
Adquirir conocimiento para modificar el
comportamiento según el entorno.
Inteligencia Artificial
 Cúmulo de conocimientos que enlazados en un todo
unitario contienen los modos, medios y mecanismos
del apoderamiento de la ciencia.
Actividad que se origina a través de la reacción a
una situación presentada, con tal que las
características del cambio registrado en la actividad
no puedan explicarse con fundamento en las
tendencias innatas de respuesta, la maduración o
Inteligencia Artificial

estados transitorios del organismo (ej., fatiga,

drogas, etc.)
 Aprendizaje de máquinas

Cambios en un sistema que le permiten realizar una

tarea de forma más eficiente la próxima vez ...
H. Simon
Sistema capaz adquirir e integrar autónomamente
conocimiento.
Capacidad de un sistema para aprender a partir de la
experiencia, la observación analítica y otros medios.
Sistema que puede autocorregirse y aumentar su
eficiencia y efectividad.
Inteligencia Artificial

Sistema que puede detectar los errores, corregirlos y ser más

eficiente.
 Agentes capaces de mejorar su comportamiento
mediante el estudio de sus propias experiencias.

Sistema que mejora su comportamiento mediante el

estudio de sus propias experiencias.

Agente que produce resultados de la interacción con el

mundo; y de la observación del agente de sus propios
procesos de toma de decisiones.
Inteligencia Artificial
 Propósito

Entender y mejorar la eficiencia del aprendizaje

humano (CAI)
Descubrir estructuras ocultas para los humanos.
Completar especificaciones incompletas de un
dominio.
Describir métodos y estrategias de aprendizaje eficiente para
ser implementados en las máquinas.
Inteligencia Artificial

Analizar procesos cognitivos que efectúa el ser humano.

 Interrelaciones

Ciencias Ciencias
del de la
conocimiento computación

APRENDIZAJE
DE
MÁQUINAS
Biología
Inteligencia Artificial

Sicología Estadística
Neurología
 Aplicaciones

Manejo de datos: expedientes médicos, estudios de

crédito.
Reconocimiento de voz, conducción autónoma.
Buscadores, minería de datos, redes neuronales
artificiales, autómatas, ...
Inteligencia Artificial

Enseñanza (tutores, agentes, ...)

 Aplicaciones
Inteligencia Artificial

Alvinn, 70 mph.
 Agente

Desempeño estándar

Crítico Sensores
A
Retro- M
alimentación
B
modificaciones
Elemento de Elemento del I
Aprendizaje conocimiento Desempeño E
Metas de N
Inteligencia Artificial

Aprendizaje T
Generador de E
Problemas Efectores
AGENTE
 Paradigmas

Aprendizaje supervisado: usa ejemplos, el “Profesor”

especifica los respuestas correspondiente a las entradas, el
comportamiento deseado es conocido.

Aprendizaje por refuerzo: emplea recompensa y castigo,

el aprendiz no se le indica que acciones debe elegir, pero
recibe premio/penalización del entorno y ajusta/aprende la
acción a elegir.
Inteligencia Artificial

Aprendizaje no supervisado: emplea la observación, no se

dispone de profesor, el aprendiz busca patrones en las
entradas, no existe una respuesta explícita que sea la correcta.
 Paradigmas

Basado en problemas: el aprendiz se enfrenta a problemas

y guarda las estrategias de solución, conjunto de casos.

Basado en analogías: el aprendiz busca en su base de

conocimiento problemas similares y extracta las estrategias
empleadas en aquel caso.
Inteligencia Artificial
 Aprendizaje problema

Q Aprendizaje = emplear experiencia (E) en alguna

tarea (T) con respecto a alguna medida (m) de
desarrollo.
Q Ejemplo: Aprender a hacer ensayos
Q T = ensayo
Q E = elementos para hacerlos
Q m = parámetros definidos, nota evaluatoria,
Inteligencia Artificial

errores.
Q ¿Qué experiencia? ¿Qué se aprende? ¿Cómo se
representara el aprendizaje? ¿Cuál es el
algoritmo?
 Aprendizaje inductivo

•Generaliza a partir de ejemplos; curva de aprendizaje.

•El conocimiento solo puede ser probado falso.
Falsos positivos
PREDICHO
Verdaderos
positivos

Falsos negativos ACTUAL

•Usa sesgos para generalizar los ejemplos: espacio de hipótesis.

Inteligencia Artificial

•Ej: aprendizaje de conceptos.

•Ejemplos positivos y negativos.
•Ruido.
 Aprendizaje inductivo

Q El cometido es producir una función que se

aproxime a otra a partir de una hipótesis, es decir
unas posibles soluciones.
Q Cualquier preferencia por una hipótesis es
conocida como predisposición.
Q Un agente puede realizar un aprendizaje gradual,
en la que el agente se concentra en actualizar sus
Inteligencia Artificial

antiguas hipótesis.
 Aprendizaje con arboles de decisión

Constituye un adecuado medio para el área del

aprendizaje inductivo, y una sencilla representación
del conocimiento propositivo útil en la toma de
decisiones y en la clasificación de objetos.
Es limitado en su representación. Toma como
entradas objetos o situaciones caracterizados
mediante un conjunto de propiedades.
Inteligencia Artificial
 Arboles de decisión

Q Si existen ejemplos positivos y negativos, entonces

separarlos escogiendo el mejor atributo.
Q Si los ejemplos son positivos (o todos negativos),
no hay problema; podemos responder si o no.
Q Si no hay ejemplos, significa que no se observo un
ejemplo tal, por lo que se regresa al valor
predefinido calculado a partir de la clasificación
Inteligencia Artificial

de la mayoría en el padre del nodo.

 Arboles de decisión

Q Sino quedan atributos, pero si tanto ejemplos

positivos como negativos, entonces hay problemas.
significa que la descripción de estos ejemplos es
exactamente la misma, pero su clasificación es
diferente. Lo anterior sucede cuando algunos de los
datos son incorrectos (se dice que hay ruido de
datos).
Q También sucede cuando los atributos no
Inteligencia Artificial

proporcionan suficiente información para describir

cabalmente la situación, o cuando el dominio es
auténticamente no determinista.
 Arbol para decidir la espera de una mesa en un
restaurante
Inteligencia Artificial
 Aprendizaje de conceptos

Parte Rectáng. Soporta

ARCO Parte Rectáng. Soporta

Inteligencia Artificial

Rectáng. Parte Polígono

Rectáng.
Triáng.
Polígono
Triáng.
 Aprendizaje de conceptos

Parte Rectáng. Soporta

No toca

ARCO Parte Rectáng. Soporta

Inteligencia Artificial

Parte Polígono
 Aprendizaje de conceptos

Parte Rectáng. Soporta

No toca

ARCO Parte Rectáng. Soporta

?
Inteligencia Artificial

Parte Polígono
 Árboles de decisión

Algoritmos: C4.5, ID3, CART Núcleo?

Cancerosa Cuerpo?
Células cancerosas

Colas? Saludable
Células sanas
Inteligencia Artificial

Sesgo preferencial: navaja de Ockham,

la explicación más simple consistente Cancerosa Saludable
con las observaciones es la mejor.
 Espacio de hipótesis
Mejor hipótesis del momento

Hipótesis Negativo Generalización Positivo Especialización

consistente falso falso

Eliminación de candidatos
Inteligencia Artificial
 Espacio de hipótesis
Eliminación de candidatos
G: {Obj(X,Y,Z)}
S:{}
+:

G: {Obj(X,Y,Z)}
S:{Obj(peq,rojo,bola)}
-:

G: {Obj(X,rojo,Z),Obj(X,Y,bola)}
S:{Obj(peq,rojo,bola)}
+:
Inteligencia Artificial

G: {Obj(X,rojo,Z),Obj(X,Y,bola)}
S:{Obj(X,rojo,bola)}
-:

G: {Obj(peq,rojo,bola)}
S:{Obj(peq,rojo,bola)}
 Aplicaciones: Robótica
Exploración autónoma Manipulación
Inteligencia Artificial

Movimiento Movimiento
preferible inútil
 Evaluación de la eficiencia de un algoritmo de aprendizaje

Q Reunir una gran cantidad de ejemplos.

Q Dividirla en dos conjuntos diferentes: el conjunto de
capacitación y el conjunto de prueba.
Q Emplear el algoritmo de aprendizaje, con el conjunto de
capacitación como ejemplo de base para producir una
hipótesis.
Q Medir el porcentaje de ejemplos del conjunto de prueba
correctamente clasificados como hipótesis.
Inteligencia Artificial

Q Repetir los pasos del 1 al 4 en conjuntos de capacitación.

 Taxonomía basada en enfoques del
conocimiento

Q Enfoque conductista (llamados subsimbólicos)

– Aprendiz sufre modificaciones en su estructura para
ajustarse al comportamiento a simular.
– Enfasis en el rendimiento y no en el conocimiento
adquirido.
Q Ejemplos: aprendizaje inductivos
 Generales (pueden ser supervisados o no)
Sistemas conexionistas: Redes neuronales.
Inteligencia Artificial

Q
Q Sistemas evolucionistas: Algoritmos genéticos.
 Más específicos (tienden a no ser supervisados)
Q Clasificadores: Clusterings.
 Aprendizaje conductista

Modelo Estímulo-Respuesta = Caja Negra

Sistema
Aprendiente

Refuerzo

Crítico o
Inteligencia Artificial

Maestro
 Aprendizaje cognoscitivo

Modelo espacio de estados = Representación conocimiento

Sistema Base de Módulo de

Aprendiente Conocimiento Ejecución

Refuerzo

Crítico o
Inteligencia Artificial

Maestro
 Memorización

Archivo de los pasos que se han seguido

Q Archivo de respuestas obtenidas
Q Archivo de ....

Q Existe variantes en las que se almacenan ejemplos

y se recupera posteriormente el más parecido.
Inteligencia Artificial

• Aprendizaje basado en Instancias

• Aprendizaje por Analogía.
Inteligencia Artificial

MLP
MCP
 Aprendizaje por instrucción

Es el mecanismo más simple

Q Requiere la intervención de
– Otro agente
– Una persona
Q Se selecciona información más relevante y se
transforma a representación adecuada
Q Es como aprendemos en clase (↑↑%)
Inteligencia Artificial
 Aprendizaje por instrucción

Reglas Generador
de
Motor Reglas
Inferencia
Pide reglas
Inteligencia Artificial

Sistema con “Aprendizaje”

 Inducción

He visto un cisne gris

Q He visto otro cisne gris
Q He visto otro cisne gris
.........................................

Todos los cisnes son grises

Inteligencia Artificial

Q
 Aprendizaje a partir de ejemplos

Gestor de Pide datos

datos
Datos Aprendiz
Reglas
Motor Pide reglas
inferencias
Inteligencia Artificial

Sistema con “Aprendizaje”

 Creatividad

Q Habilidad que posee una persona para generar

conclusiones rápidas y eficaces.
Q Habilidad para solucionar problemas de una
manera diferente a las demás personas.
Q Capacidad para generar ideas que pueden alterar
un sistema.
Inteligencia Artificial
 Imaginar

Q Capacidad para crear mundos no existentes.

Q Capacidad de generar ideas que a la vista de los
demás parecen irreales.
Q Capacidad de idear soluciones no lógicas a
problemas.
Q Habilidad de producir objetos a partir de ideas no
definidas adecuadamente.
Inteligencia Artificial
 Razonar

Q Capacidad de encadenar conocimiento que se

tiene con nuevo conocimiento.
Q Capacidad de generar conclusiones combinando
conocimiento existente y experiencia nueva.
Q Reproducción amplia de conocimiento a partir del
aprendizaje llevado a cabo.
Inteligencia Artificial
 Pensar

Q Capacidad de imaginar y razonar determinando

que el resultado es bueno o malo.
Q Ampliación del razonamiento para determinar la
aplicabilidad de algo.
Q Acto de la mente que permite generar ideas
(pensamientos)
Q Acto del cerebro que permite determinar que se
Inteligencia Artificial

desea aprender.
 Creatividad

Imaginar Razonar
Aprendizaje
Inteligencia Artificial

Pensar
 Reflexiones finales

•“Si un sistema experto – diseñado e implementado

brillantemente – no puede aprender a no repetir sus
errores, no es más inteligente que un gusano...” – O.
Selfridge

•“Encuentre un error en un programa, y repárelo, y

Inteligencia Artificial

el programa funcionará hoy. Muéstrele al programa

como encontrar y reparar errores, y el programa
trabajará para siempre.” – O. Selfridge
 Q ¿El aprender una cosa ayuda a aprender otra?
Q ¿Qué es lo que ocurre cuando recordamos y
cuando olvidamos?
– ¿Cuál es el proceso (s)?
– ¿Qué control se ejerce sobre estos procesos?
Inteligencia Artificial
 Referencias

•Inteligencia Artificial – Russell y Norvig

•Artificial Intelligence – Luger y Stubblefield
•http://www-2.cs.cmu.edu/afs/cs.cmu.edu/project/theo-
3/www/ml-1997.html – ML por Tom Mitchell
•http://www.aic.nrl.navy.mil~aha/ - ML por David Aha
•http://www-2.cs.cmu.edu/~rll/welcome.html - Robot
Inteligencia Artificial

Learning Laboratory
•Machine Learning. Tom Mitchell, McGraw Hill, 1997.
Inteligencia Artificial