Upload
others
View
2
Download
0
Embed Size (px)
Citation preview
Inte
ligen
cia
Art
ifici
al
Aprendizaje
Las percepciones deben servir no solo para actuarsino para mejorar la capacidad del agente paraactuar en el futuro. S. Russell
Construcción o modificación de representaciones delo que se experimenta R. MichalskiLograr cambios útiles en nuestras mentes. M. Minsky
Adquirir conocimiento para modificar elcomportamiento según el entorno.
Inte
ligen
cia
Art
ifici
al
Cúmulo de conocimientos que enlazados en un todounitario contienen los modos, medios y mecanismosdel apoderamiento de la ciencia.Actividad que se origina a través de la reacción auna situación presentada, con tal que lascaracterísticas del cambio registrado en la actividadno puedan explicarse con fundamento en lastendencias innatas de respuesta, la maduración oestados transitorios del organismo (ej., fatiga,drogas, etc.)
Inte
ligen
cia
Art
ifici
al
Aprendizaje de máquinas
Sistema capaz adquirir e integrar autónomamenteconocimiento.
Cambios en un sistema que le permiten realizar unatarea de forma más eficiente la próxima vez ...H. Simon
Capacidad de un sistema para aprender a partir de laexperiencia, la observación analítica y otros medios.Sistema que puede autocorregirse y aumentar sueficiencia y efectividad.Sistema que puede detectar los errores, corregirlos y ser máseficiente.
Inte
ligen
cia
Art
ifici
al
Agentes capaces de mejorar su comportamientomediante el estudio de sus propias experiencias.
Sistema que mejora su comportamiento mediante elestudio de sus propias experiencias.
Agente que produce resultados de la interacción con elmundo; y de la observación del agente de sus propiosprocesos de toma de decisiones.
Inte
ligen
cia
Art
ifici
al
Propósito
Entender y mejorar la eficiencia del aprendizajehumano (CAI)Descubrir estructuras ocultas para los humanos.Completar especificaciones incompletas de undominio.Describir métodos y estrategias de aprendizaje eficiente paraser implementados en las máquinas.Analizar procesos cognitivos que efectúa el ser humano.
Inte
ligen
cia
Art
ifici
al
Interrelaciones
Ciencias del
conocimiento
Ciencias de la
computación
BiologíaSicología
NeurologíaEstadística
APRENDIZAJEDE
MÁQUINAS
Inte
ligen
cia
Art
ifici
al
Aplicaciones
Manejo de datos: expedientes médicos, estudios decrédito.
Reconocimiento de voz, conducción autónoma.
Buscadores, minería de datos, redes neuronalesartificiales, autómatas, ...
Enseñanza (tutores, agentes, ...)
Inte
ligen
cia
Art
ifici
al
Agente
AMBIENTE
Elemento deAprendizaje
Elemento delDesempeño
Generador de deProblemas
Crítico
Metas deAprendizaje
Retro-alimentación
Sensores
conocimiento
modificaciones
EfectoresAGENTE
Desempeño estándar
Inte
ligen
cia
Art
ifici
al
Paradigmas
Aprendizaje supervisado: usa ejemplos, el “Profesor”especifica los respuestas correspondiente a las entradas, elcomportamiento deseado es conocido.
Aprendizaje por refuerzo: emplea recompensa y castigo,el aprendiz no se le indica que acciones debe elegir, perorecibe premio/penalización del entorno y ajusta/aprende laacción a elegir.
Aprendizaje no supervisado: emplea la observación, no sedispone de profesor, el aprendiz busca patrones en lasentradas, no existe una respuesta explícita que sea la correcta.
Inte
ligen
cia
Art
ifici
al
Paradigmas
Basado en problemas: el aprendiz se enfrenta a problemasy guarda las estrategias de solución, conjunto de casos.
Basado en analogías: el aprendiz busca en su base deconocimiento problemas similares y extracta las estrategiasempleadas en aquel caso.
Inte
ligen
cia
Art
ifici
al
Aprendizaje problema
Aprendizaje = emplear experiencia (E) en algunatarea (T) con respecto a alguna medida (m) dedesarrollo.Ejemplo: Aprender a hacer ensayosT = ensayoE = elementos para hacerlosm = parámetros definidos, nota evaluatoria,errores.¿Qué experiencia? ¿Qué se aprende? ¿Cómo serepresentara el aprendizaje? ¿Cuál es elalgoritmo?
Inte
ligen
cia
Art
ifici
al
Aprendizaje inductivo
•Generaliza a partir de ejemplos; curva de aprendizaje.
•El conocimiento solo puede ser probado falso.
•Usa sesgos para generalizar los ejemplos: espacio de hipótesis.
•Ej: aprendizaje de conceptos.
•Ejemplos positivos y negativos.
•Ruido.
Falsos positivos
Falsos negativos
Verdaderospositivos
ACTUAL
PREDICHO
Inte
ligen
cia
Art
ifici
al
Aprendizaje inductivo
El cometido es producir una función que seaproxime a otra a partir de una hipótesis, es decirunas posibles soluciones.Cualquier preferencia por una hipótesis esconocida como predisposición.Un agente puede realizar un aprendizaje gradual,en la que el agente se concentra en actualizar susantiguas hipótesis.
Inte
ligen
cia
Art
ifici
al
Aprendizaje con arboles de decisión
Constituye un adecuado medio para el área delaprendizaje inductivo, y una sencilla representacióndel conocimiento propositivo útil en la toma dedecisiones y en la clasificación de objetos.Es limitado en su representación. Toma comoentradas objetos o situaciones caracterizadosmediante un conjunto de propiedades.
Inte
ligen
cia
Art
ifici
al
Arboles de decisión
Si existen ejemplos positivos y negativos, entoncessepararlos escogiendo el mejor atributo.Si los ejemplos son positivos (o todos negativos),no hay problema; podemos responder si o no.Si no hay ejemplos, significa que no se observo unejemplo tal, por lo que se regresa al valorpredefinido calculado a partir de la clasificaciónde la mayoría en el padre del nodo.
Inte
ligen
cia
Art
ifici
al
Sino quedan atributos, pero si tanto ejemplospositivos como negativos, entonces hay problemas.significa que la descripción de estos ejemplos esexactamente la misma, pero su clasificación esdiferente. Lo anterior sucede cuando algunos de losdatos son incorrectos (se dice que hay ruido dedatos).También sucede cuando los atributos noproporcionan suficiente información para describircabalmente la situación, o cuando el dominio esauténticamente no determinista.
Arboles de decisión
Inte
ligen
cia
Art
ifici
al
Aprendizaje de conceptos
Parte Rectáng.
ARCO
Parte
Parte
Rectáng.
Rectáng.
Soporta
Soporta
Triáng.Polígono
Rectáng.
Triáng.
Polígono
Inte
ligen
cia
Art
ifici
al
ARCO
Parte
Parte
Parte
Rectáng.
Rectáng.
Polígono
Soporta
Soporta
No toca
Aprendizaje de conceptos
Inte
ligen
cia
Art
ifici
al
ARCO
Parte
Parte
Parte
Rectáng.
Rectáng.
Polígono
Soporta
Soporta
No toca
Aprendizaje de conceptos
?
Inte
ligen
cia
Art
ifici
al
Árboles de decisión
Algoritmos: C4.5, ID3, CART
Células cancerosas
Células sanas
Núcleo?
Cuerpo?
Colas?
Cancerosa
Cancerosa
Saludable
SaludableSesgo preferencial: navaja de Ockham,la explicación más simple consistentecon las observaciones es la mejor.
Inte
ligen
cia
Art
ifici
al Eliminación de candidatos
Mejor hipótesis del momento
Hipótesis
consistente
Negativo
falso
Generalización Positivo
falso
Especialización
Espacio de hipótesis
Inte
ligen
cia
Art
ifici
al
Eliminación de candidatosG: {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)}
G: {Obj(peq,rojo,bola)}S:{Obj(peq,rojo,bola)}
+:
-:
+:
-:G: {Obj(X,rojo,Z),Obj(X,Y,bola)}
S:{Obj(X,rojo,bola)}
Espacio de hipótesis
Inte
ligen
cia
Art
ifici
al
Aplicaciones: Robótica
Exploración autónoma Manipulación
Movimientopreferible
Movimientoinútil
Inte
ligen
cia
Art
ifici
al
Evaluación de la eficiencia de un algoritmo de aprendizaje
Reunir una gran cantidad de ejemplos.Dividirla en dos conjuntos diferentes: el conjunto decapacitación y el conjunto de prueba.Emplear el algoritmo de aprendizaje, con el conjunto decapacitación como ejemplo de base para producir unahipótesis.Medir el porcentaje de ejemplos del conjunto de pruebacorrectamente clasificados como hipótesis.Repetir los pasos del 1 al 4 en conjuntos de capacitación.
Inte
ligen
cia
Art
ifici
al
Taxonomía basada en enfoques delconocimiento
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.
Ejemplos: aprendizaje inductivosGenerales (pueden ser supervisados o no)
Sistemas conexionistas: Redes neuronales.Sistemas evolucionistas: Algoritmos genéticos.
Más específicos (tienden a no ser supervisados)Clasificadores: Clusterings.
Inte
ligen
cia
Art
ifici
al
Aprendizaje conductista
SistemaAprendiente
Crítico oMaestro
Refuerzo
Modelo Estímulo-Respuesta = Caja Negra
Inte
ligen
cia
Art
ifici
al
Aprendizaje cognoscitivo
SistemaAprendiente
Crítico oMaestro
Refuerzo
Base deConocimiento
Módulo deEjecución
Modelo espacio de estados = Representación conocimiento
Inte
ligen
cia
Art
ifici
al
Memorización
Archivo de los pasos que se han seguidoArchivo de respuestas obtenidasArchivo de ....
Existe variantes en las que se almacenan ejemplosy se recupera posteriormente el más parecido.
• Aprendizaje basado en Instancias• Aprendizaje por Analogía.
Inte
ligen
cia
Art
ifici
al
Aprendizaje por instrucción
Es el mecanismo más simpleRequiere la intervención de– Otro agente– Una persona
Se selecciona información más relevante y setransforma a representación adecuadaEs como aprendemos en clase (↑↑ %)
Inte
ligen
cia
Art
ifici
al
Aprendizaje por instrucción
Pide reglas
ReglasMotor
Inferencia
Generadorde
Reglas
Sistema con “Aprendizaje”
Inte
ligen
cia
Art
ifici
al
Inducción
He visto un cisne grisHe visto otro cisne grisHe visto otro cisne gris.........................................
Todos los cisnes son grises
Inte
ligen
cia
Art
ifici
al
Aprendizaje a partir de ejemplos
Pide reglas
Reglas
Motorinferencias
Aprendiz
Sistema con “Aprendizaje”
Gestor dedatos
Pide datos
Datos
Inte
ligen
cia
Art
ifici
al
Creatividad
Habilidad que posee una persona para generarconclusiones rápidas y eficaces.Habilidad para solucionar problemas de unamanera diferente a las demás personas.Capacidad para generar ideas que pueden alterarun sistema.
Inte
ligen
cia
Art
ifici
al
Imaginar
Capacidad para crear mundos no existentes.Capacidad de generar ideas que a la vista de losdemás parecen irreales.Capacidad de idear soluciones no lógicas aproblemas.Habilidad de producir objetos a partir de ideas nodefinidas adecuadamente.
Inte
ligen
cia
Art
ifici
al
Razonar
Capacidad de encadenar conocimiento que setiene con nuevo conocimiento.Capacidad de generar conclusiones combinandoconocimiento existente y experiencia nueva.Reproducción amplia de conocimiento a partir delaprendizaje llevado a cabo.
Inte
ligen
cia
Art
ifici
al
Pensar
Capacidad de imaginar y razonar determinandoque el resultado es bueno o malo.Ampliación del razonamiento para determinar laaplicabilidad de algo.Acto de la mente que permite generar ideas(pensamientos)Acto del cerebro que permite determinar que sedesea aprender.
Inte
ligen
cia
Art
ifici
al
Reflexiones finales
•“Si un sistema experto – diseñado e implementadobrillantemente – no puede aprender a no repetir suserrores, no es más inteligente que un gusano...” – O.Selfridge
•“Encuentre un error en un programa, y repárelo, yel programa funcionará hoy. Muéstrele al programacomo encontrar y reparar errores, y el programatrabajará para siempre.” – O. Selfridge
Inte
ligen
cia
Art
ifici
al
¿El aprender una cosa ayuda a aprender otra?¿Qué es lo que ocurre cuando recordamos ycuando olvidamos?– ¿Cuál es el proceso (s)?– ¿Qué control se ejerce sobre estos procesos?
Inte
ligen
cia
Art
ifici
al
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 - RobotLearning Laboratory
•Machine Learning. Tom Mitchell, McGraw Hill, 1997.