SISTEMAS EXPERTOS E INTELIGENCIA ARTIFICIAL TRABAJO DE INVESTIGACIÓN: “APRENDIZAJE”

...

-

Aprendizaje estocástico:

Este tipo de aprendizaje se basa en la introducción de cambios aleatorios en los valores de los pesos de la red, evaluando por efecto a partir de la salida deseada y con una función de probabilidad.

También cabe recalcar que este suele establecerse analógicamente en función termodinámicos, es decir, asociado a la red con un sólido físico que presenta cierto estado energético, por lo que aprendizaje consiste en minimizar la energía del sistema a través del ajuste de pesos [2].

Tipos de algoritmos de aprendizaje supervisado o automático

- Descripción

- Regla de aprendizaje

- Velocidad de aprendizaje (Mínimo 5 tipos de algoritmos)

El Aprendizaje Automático (AA, o Machine Learning, por su nombre en inglés) es la rama de la Inteligencia Artificial que tiene como objetivo desarrollar técnicas que permitan a las computadoras aprender [3].

Trata de crear algoritmos capaces de generalizar comportamientos y reconocer patrones a partir de una información suministrada en forma de ejemplos. Es, por lo tanto, un proceso de inducción del conocimiento, es decir, un método que permite obtener por generalización un enunciado general a partir de enunciados que describen casos particulares.

Los algoritmos de aprendizaje automático se agrupan en distintos tipos según la salida que produzcan y de cómo se aborda el problema, entre ellos tenemos:

-

Aprendizaje supervisado

Los algoritmos de aprendizaje supervisado hacen predicciones basadas en un conjunto de ejemplos. Cada ejemplo usado para el entrenamiento se etiqueta con el valor de interés. Un algoritmo de aprendizaje supervisado busca patrones en esas etiquetas de valor. Puede usar cualquier información que pueda ser relevante y cada algoritmo busca tipos diferentes de patrones. Una vez que el algoritmo encuentra el mejor patrón posible, lo usa para hacer predicciones de datos de prueba sin etiquetar; en este caso, los precios futuros.

Los datos de entrenamiento consisten de pares de objetos (normalmente vectores): una componente del par son los datos de entrada y el otro, los resultados deseados. La salida de la función puede ser un valor numérico (como en los problemas de regresión) o una etiqueta de clase (como en los de clasificación). El objetivo del aprendizaje supervisado es el de crear una función capaz de predecir el valor correspondiente a cualquier objeto de entrada válida después de haber visto una serie de ejemplos, los datos de entrenamiento. Para ello, tiene que generalizar a partir de los datos presentados a las situaciones no vistas previamente.

La velocidad de aprendizaje de este puede ser desde sencillo hasta muy complejo, dependiendo de la cantidad de valores y patrones que debe crear, sin embargo, es uno de los aprendizajes cuyo valor muestra patrones más cercanos a la realidad.

-

Aprendizaje no supervisado

Aprendizaje no supervisado es un método de Aprendizaje Automático donde un modelo es ajustado a las observaciones. Se distingue del Aprendizaje Supervisado por el hecho de que no hay un conocimiento a priori. En el aprendizaje no supervisado, un conjunto de datos de objetos de entrada es tratado. Así, el aprendizaje no supervisado típicamente trata los objetos de entrada como un conjunto de variables aleatorias, siendo construido un modelo de densidad para el conjunto de datos.

Estas redes deben encontrar las características, regularidades, correlaciones o categorías que se pueden establecer entre los datos de la entrada. Pero, ¿qué genera la red en la salida? Existen varias posibilidades en cuanto a interpretación:

- La salida representa el grado de familiaridad o similitud entre la información de entrada y las informaciones mostradas con anterioridad.

- Clusterización o establecimiento de categorias, indicando la red a la salida a qué categoría pertenece la información de entrada, siendo la propia red la que debe establecer las correlaciones oportunas.

- Codificación de los datos de entrada, generando a la salida una versión codificada con menos bits, pero manteniendo la información relevante de los datos.

- Mapeo de características, obteniéndose una disposición geométrica que representa un mapa topográfico de las características de los datos de entrada [4].

La velocidad de aprendizaje de este método al igual que el anterior puede variar según la entrada, difiere en gran medida del anterior porque éste no muestra un patrón sino un grado con el que los datos se relacionan.

-

Aprendizaje semisupervisado

Actualmente existe una gran cantidad de datos disponibles, sin embargo, no todos tienen asignada una clase o etiqueta, con la cual crear un clasificador. Los ejemplos más claros de esto son texto e imágenes, en donde existe una gran cantidad de texto e imágenes no etiquetadas. Por lo mismo surge la necesidad de buscar combinar el aprendizaje supervisado y el no supervisado, debido a:

- la cantidad de información disponible y

- (ii) el alto costo asociado a asignar etiquetas o clases a los datos.

El reto es como usar datos etiquetados y no etiquetados para mejorar la construcción de modelos. El añadir datos no etiquetados no siempre es útil. Normalmente se asume que los datos etiquetados y no etiquetados vienen de la misma distribución. Por otro lado, los valores de los atributos dada la clase pueden ser diferente para los datos etiquetados o no etiquetados. Finalmente, puede existir un sesgo en la selección de los datos no etiquetados.

Se han propuesto varios métodos para resolver problemas de aprendizaje semi-supervisado, entre los que se encuentran:

Co-training

usando ensambles (ASSEMBLE)

- re-weighting

- basados en EM

- transductive SVM

- Modelos basados en grafos [5]

-

Aprendizaje por refuerzo