Aprenzaijeautomaticoeneropdf

“Aprender es como remar contra corriente:
en cuanto se deja, se retrocede.”
Edward Benjamin Britten

APRENDIZAJE AUTOMÁTICO
i. Definiciones
ii. ¿Qué es el Aprendizaje Automático?
iii. Reseña Histórica del Estudio de Sistemas Discentes
iv. ¿Qué es un algoritmo?
v. Tipos de Algoritmos
vi. La Minería de Datos
vii. Modelos
viii.El Problema de Aprendizaje
ix. Diseño de un Sistema de Aprendizaje
x. Herramientas Disponibles
xi. Aplicaciones
xii. Tendencias
xiii.Vídeo
xiv. Conclusión
xv. Preguntas
xvi. Bibliografía

APRENDIZAJE
“Es el proceso a través del cual se adquieren o modifican habilidades,
destrezas, conductas o valores como resultado del estudio, la
experiencia, la instrucción, y el razonamiento " (Wikipedia)
“Es el proceso de asimilación de información mediante el cual se
adquieren nuevos conocimientos, técnicas o habilidades"
(www.significados.com/aprendizaje/)
AUTOMÁTICO
“Maquinal, que se lleva a cabo involuntariamente y sin reflexión”
“Mecanismo que funciona en todo o en parte por sí mismo”
(www.wordreference.com/definición/automático)
Definiciones:

¿Qué es el Aprendizaje Automático?
“En Ciencias de la Computación el aprendizaje
automático o aprendizaje de máquinas es
una rama de la inteligencia artificial cuyo
objetivo es desarrollar técnicas que permitan
a las computadoras aprender”
(www.wikipedia.com)

• z
Taxonomía del aprendizaje automático
Obtiene conclusiones
generales a partir de
premisas particulares.
La conclusión se halla
implícita dentro las
premisas.

Métodos de Aprendizaje
De caja negra: Ejemplo: Redes neuronales y los métodos
bayesianos.
Desarrollan su propia representación del conocimiento, que no es
visible desde el exterior.
Orientados al conocimiento: Ejemplo: Árboles de decisión, reglas
de asociación, o reglas de decisión.
Construyen una estructura simbólica del conocimiento que intenta
ser útil desde el punto de vista de funcionalidad, y descripción
desde la perspectiva de la inteligibilidad.
http://www.lsi.us.es/redmidas/
http://juanitajuanabernal.blogspot.com/p/ventajas-y-desventajas.html

1920 1949 1950 1959 1960 1970 1975 1977 1980
I. P. Pávlov
realiza sus
famosos
experimentos
sobre el reflejo
condicionado.
Arthur Samuel
construyó un
programa que
mejoraba su
desempeño en
el juego de
damas a partir
de la experiencia
W. K. Estes propone una teoría estadística del
aprendizaje.
D. O. Hebb publica su teoría
del aprendizaje
neuronal.
John R. Anderson desarrolla el sistema
ACT que mejora sus habilidades para la
prueba de teoremas de geometría
Tom M. Mitchell,
Ranan Banerji y otros
desarrollan el
programa LEX que
adquiere
heurísticas para la
solución de
problemas de
integración simbólica.
L. D. Harmon estudia ciertos modelos de
neuronas artificiales, trabajos sobre
el aprendizaje de redes por M. L. Minsky.
Patrik Henry Winston hizo un programa que
adquiría conceptos en el dominio de las
construcciones con bloques, a partir de instrucción.
RESEÑA HISTORICA DEL ESTUDIO DE SISTEMAS DISCENTES
Douglas Lenat realiza el sistema AM que
descubre conceptos matemáticos a
partir de unos principios básicos y unas
heurísticas que lo guían.

¿Qué es un
algoritmo?
Conjunto ordenado y finito de operaciones
que permite hallar la solución de un
problema.
(http://dle.rae.es/?id=1nmLTsh)

TIPOS DE ALGORITMOS
Aprendizaje supervisado (predictivo)
Es una técnica para deducir una función (hipótesis) a partir de datos de
entrenamiento
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
Se toma un conjunto
de datos con su clase
y sus atributos
Se crea un modelo
llamado clasificador
El modelo constará
de un algoritmo de
clasificación
El algoritmo clasificador se
encargará de clasificar los
datos en una determinada
clase objetivo
El modelo generado va a usar
toda su información de
aprendizaje ya almacenada para
clasificar o predecir la clase de
un conjunto de datos nuevo

TIPOS DE ALGORITMOS
Aprendizaje supervisado (predictivo)
.
q4e
APLICACIÓN:
Detección de correo basura, cuando llega un nuevo correo,
el modelo nos dice si el correo es basura o no.
Es una forma de
aprendizaje artificial en
la que se construye
una hipótesis
(función matemática
(aprendida) a partir de
data de entrenamiento
previamente etiquetada.
https://www.youtube.com/watch?v=FVMGHlDy-eo

Aprendizaje no supervisado (o del descubrimiento del
conocimiento)
Todo el proceso de modelado se lleva a cabo sobre un
conjunto de ejemplos formado tan sólo por entradas al
sistema. No se tiene información sobre las categorías de
esos ejemplos. Por lo tanto, en este caso, el sistema tiene
que ser capaz de reconocer patrones para poder etiquetar
las nuevas entradas.
NO HAY UN CONOCIMIENTO A PRIORI
TIPOS DE ALGORITMOS
http://sevensm.com/Pruebas-Wordpress/wp-content/uploads/2014/05/marketing.jpg
http://image.slidesharecdn.com/segmentacindemercados-091213175425-phpapp01/95/segmentacin-de-mercados-1-728.jpg?cb=1260726942

Tipos de Algoritmos

https://www.youtube.com/watch?v=ossgrphXpnE
Organizar computing clusters
Segmentación de Mercado Análisis de Data Astronómica
Análisis de Redes Sociales
Tipos de Algoritmos
Aplicación del Aprendizaje no Supervisado

LA MINERÍA DE DATOS
La minería de datos o exploración de datos es un campo
de las ciencias de la computación referido al proceso que
intenta descubrir patrones en grandes volúmenes de
conjuntos de datos.
Utiliza los métodos de la inteligencia artificial, aprendizaje
automático, estadística y sistemas de bases de datos.
El objetivo general del proceso de minería de datos consiste
en extraer información de un conjunto de datos y
transformarla en una estructura comprensible para su uso
posterior.
https://es.wikipedia.org/wiki/Miner%C3%ADa_de_datos

http://www.uaeh.edu.mx/scige/boletin/huejutla/n1/multimedia/m2/m2_big.jpg
EL PROCESO DE LA MINERÍA DE DATOS

Técnicas de minería de datos
Las técnicas, no son más que algoritmos, que se aplican sobre un
conjunto de datos para obtener unos resultados.
Ejemplos:
Redes neuronales.- Son un paradigma de aprendizaje y
procesamiento automático inspirado en la forma en que funciona el
sistema nervioso de los animales.
Sistema de interconexión de neuronas en una red que colabora para
producir una salida.
El Algoritmo de aprendizaje es del tipo supervisado.
https://es.wikipedia.org/wiki/Red_neuronal_artificial
http://www.academia.edu/7568072/Ejemplo_perceptron_simple

Paradigma Convencional
de Programación
en Ingeniería del Software
1.- El objetivo del
programador es modelar
matemáticamente el
problema en cuestión.
2. Posteriormente formula
una solución (programa)
mediante un algoritmo
codificado que tenga una
serie de propiedades que
permitan resolver dicho
problema.
Paradigma RNA de
Aprendizaje Automático.
La aproximación basada en
las RNA parte de un conjunto
de datos de entrada
suficientemente significativo
y el objetivo es conseguir
que la red aprenda
(programe) automáticamente
las propiedades deseadas.
https://es.wikipedia.org/wiki/Red_neuronal_artificial
http://www.academia.edu/7568072/Ejemplo_perceptron_simple

El perceptrón simple: neurona artificial y unidad básica de inferencia en forma
de discriminador lineal, es decir, un algoritmo capaz de generar un criterio para
seleccionar un sub-grupo, de un grupo de componentes más grande (capacidad para
reconocer patrones)
TÉCNICAS
Solo puede establecer dos
regiones separadas por una
frontera lineal en el espacio de
patrones de entrada, donde se
tendría un hiperplano.
Ejemplos: RNA
Estructura general de una red neuronal
de una sola capa oculta
http://ceres.ugr.es/~alumnos/esclas/
APLICACIÓN : Obtener un
modelo que sea capaz de
predecir si los datos
corresponden a señales sonar
aplicadas sobre roca o sobre
cilindro metálico
Desarrollado por Rosenblatt (1957)

El perceptrón multicapas: una red neuronal artificial (RNA) formada por
múltiples capas, esto le permite resolver problemas que no son linealmente
separables.
http://www.sav.us.es/formaciononline/asignaturas/asigpid/apartados/textos/recursos/redesneuronales/Image12.gif
https://www.google.co.ve/webhp?sourceid=chrome-instant&ion=1&espv=2&ie=UTF-8#q=QUE+ES+LA+CAPA+OCULTA+EN+UN+PERCEPTRON
TÉCNICAS
Ejemplos RNA:
Aplicación: Reconocimiento de minucias, esto es, puntos
de interés en las huellas dactilares tales como
terminaciones y bifurcaciones
.
.
.
.
.
.
Input Layer Output Layer
Hidden Layer(s)Capas Ocultas
Capas de entrada Capas de Salida

Ejemplos de uso de la minería de datos:
Negocios: Empleo de modelos predictivos
para contactar a los clientes.
Análisis de la cesta de la compra: Hábitos de
compra en supermercados.
Patrones de fuga: detectar a aquellos clientes
que puedan estar
pensando en rescindir sus contratos para
pasarse a la competencia.
https://es.wikipedia.org/wiki/Miner%C3%ADa_de_datos

 dVelox d
 APARA
 KXEN
 KNIME
 Neural Designer
 OpenNN
 Orange
 Powerhouse
 Quiterian
 RapidMiner
 R
 SPSS Clementine
 SAS Enterprise
Miner
 STATISTICA
Data Miner
 Weka
 KEEL
Herramientas de software
Para el desarrollo de modelos de minería de datos tanto libres como
comerciales como por ejemplo:

Marvin Minsky, «padre» de la inteligencia artificial. (1927-2016)
† Falleció este domingo 24/01/2016
El científico, que dedicó su vida a que las máquinas utilicen el sentido común, ha
fallecido a los 88 años de una hemorragia cerebral.
Junto con John McCarthy, fundó en 1959 el laboratorio de inteligencia artificial del
MIT, donde era profesor. Estudió Matemáticas en Harvard, se doctoró en Princeton y
es el inventor del primer simulador de red neuronal capaz de aprender.
Minsky trabajó para transformar los primeros computadores, que básicamente eran
máquinas de calcular, en máquinas inteligentes capaces de imitar la mente humana
http://www.abc.es/ciencia/abci-muere-marvin-minsky-padre-inteligencia-artificial-201601260919_noticia.html
«Alcanzaremos la inmortalidad con copias de
nuestro cerebro» 09-06-2014

Modelos
El aprendizaje automático tiene como resultado un modelo para resolver una tarea
dada.
Modelos geométricos, construidos en el espacio de instancias y que pueden
tener una, dos o múltiples dimensiones. Si hay un borde de decisión linear entre
las clases, se dice que los datos son linealmente separables.
Aplicación:
Reconocimiento
de formas

Modelos
Modelos probabilísticos, que intentan determinar la
distribución de probabilidades descriptora de la función que enlaza
a los valores de las características con valores determinados.
La estadística bayesiana se usa para desarrollar modelos
probabilísticos (La evidencia sobre el verdadero estado del mundo se
expresa en términos o grados de creencia.)
A
B
A B
La probabilidad es un método
por el cual se obtiene la
frecuencia de un acontecimiento
determinado mediante la
realización de un experimento
aleatorio, del que se conocen
todos los resultados posibles..
https://es.wikipedia.org/wiki/Probabilidad
Thomas Bayes

Modelos
Modelos lógicos, que expresan las probabilidades en reglas organizadas en forma de árboles
de decisión.
Nodo de decisión
Alternativas
de decisión
Nodo de
azar
Ramas
de Estado
Resultados

EL PROBLEMA DE APRENDIZAJE
En un problema de aprendizaje
automático es necesario identificar los
tres atributos siguientes:
1.- El tipo de tareas T a ser aprendidas
2.- La medida de desempeño D a ser
mejorada
3.- La fuente de donde derivar las
experiencias E

Un programa de computador se dice que
aprende de una experiencia E con respecto
a algún tipo de tareas T, con cierta medida
de desempeño D, sí su respuesta a las
tareas en T mejora dada la experiencia E, de
acuerdo con la medición establecida en D

Ejemplo de un problema de aprendizaje
Enseñar a un robot a conducir un vehículo:
TAREA T: Conducir un vehículo en una vía pública de cuatro canales utilizando
visión robótica.
MEDIDA de desempeño D: Promedio de distancia recorrida
antes de que un supervisor humano detecte un error.
EXPERIENCIA de entrenamiento E: Secuencia de imágenes
y comandos de control grabados durante la conducción de un vehículo por un
humano.
̋Un programa computacional es capaz de aprender a partir de la experiencia. ̋
https://yoshibauco.wordpress.com/2011/04/01/aprendizaje-automatico/
http://pdm.com.co/tag/auto/

DISEÑO DE UN SISTEMA DE APRENDIZAJE
1.- LA EXPERIENCIA DE ENTRENAMIENTO
Seleccionar el tipo de experiencia de entrenamiento que va a hacer que el
sistema aprenda. Ejemplo: Jugar ajedrez.
2.- LA FUNCIÓN OBJETIVO
Determinar exactamente qué tipo de conocimiento será aprendido y cómo este
será utilizado por el programa de desempeño. Ejemplo: para un programa que
aprende a jugar al ajedrez, la función objetivo, dada una posición del tablero, es
que otorgue un puntaje a cada posible jugada válida.
3.- REPRESENTACIÓN DE LA FUNCIÓN OBJETIVO
Se escoge una representación que el programa de aprendizaje usará para
describir la función que deberá aproximar durante el entrenamiento
(polinomial, lineal, no lineal).
4.- ALGORITMO DE APROXIMACIÓN A LA FUNCIÓN OBJETIVO
Para configurar la función objetivo, se requiere un conjunto de ejemplos para el
entrenamiento (argumentos de entrada), a partir de estos se van estimando
los valores con la ayuda de un algoritmo de aprendizaje.
http://ml.readthedocs.org/es/latest/intro.html

5.- Diseño Final: Puede ser descrito mediante cuatro programas modulares,
que representan los componentes de los sistemas de aprendizaje automático:
Módulos del Sistema de Aprendizaje

MÓDULOS DE APRENDIZAJE
1.- El SISTEMA DE DESEMPEÑO
Debe resolver la tarea usando la función aprendida (hipótesis). Va mejorando
su desempeño a medida que se aproxima a la función objetivo. Toma como
entrada un nuevo problema y genera un histórico de los pasos para su
solución.
2.- EL CRíTICO
Este módulo genera un ejemplo de entrenamiento por cada paso registrado
en el histórico generado por el módulo anterior.
3.- EL GENERADOR
Este módulo toma los ejemplos de entrenamiento generados por el módulo
anterior y estima una nueva hipótesis (V^). Este módulo implementa el
algoritmo de aprendizaje.
4.- EL GENERADOR EXPERIMENTAL
Toma como entrada la hipótesis actual (función aprendida V^) y genera un
nuevo problema para que explore el Sistema de Desempeño. Su rol es buscar
nuevos problemas que maximicen el aprendizaje del sistema como un todo.

HERRAMIENTAS
Algunas Herramientas Disponibles
• En los últimos años la comunidad de
investigadores se ha beneficiado
con la disponibilidad de numerosas
herramientas tipo Open Source.
• Ofrecen implementaciones eficientes
de algoritmos de amplia aplicación.

HERRAMIENTAS
DARWIN
El marco de trabajo de Darwin
ha sido desarrollado para lograr
las siguientes metas:
1.- Proporcionar una biblioteca
estable, robusta y eficiente de
aprendizaje automático para
los profesionales.
2.- Proporcionar la
infraestructura para que
estudiantes e investigadores
puedan experimentar y
extender los métodos del
estado del arte.
Dlib-ml
Es una biblioteca de
código abierto, dirigida
tanto para ingenieros
como para
investigadores
científicos. Su objetivo
es proporcionar un
ambiente adecuado para
el desarrollo de software
de aprendizaje de
máquina en lenguaje
C++.

HERRAMIENTAS
GPML-Toolbox
La Caja de herramientas GPML ofrece una amplia
gama de funcionalidades para procesos Gaussianos
(GP) de inferencia y predicción.
Un proceso de Gauss es un proceso estocástico
que genera muestras en el tiempo de manera tal
que no afecte la finitud de una combinación
lineal que se tenga (o más generalmente
cualquier funcionallineal de la función de muestra),
combinación lineal que se distribuirá normalmente.
https://es.wikipedia.org/wiki/Proceso_de_Gauss

APRENDIZAJE AUTOMÁTICO - APLICACIONES
El aprendizaje automático o de máquina tiene una
amplia gama de aplicaciones que incluyen:
Motores de búsqueda: es un sistema informático que
busca archivos almacenados en servidores web gracias
a su «spider» (también llamado araña web)
Diagnóstico médico: procedimiento por el cual se
identifica una enfermedad,
síndrome o cualquier estado de salud.
Detección de fraudes con el uso de tarjetas de
crédito: se efectúa extrayendo data de las
transacciones pasadas.
Vehículos Autónomos: Proyectos de las empresas
Google y Tesla.

Análisis del mercado de valores: mercado de capitales
de los que operan alrededor del mundo en el que se
negocia la renta variable y la renta fija de una forma
estructurada.
Robótica: rama de la ingeniería mecánica, ingeniería
eléctrica, ingeniería electrónica y ciencias de la
computación que se ocupa del diseño, construcción,
operación, disposición estructural, manufactura y
aplicación de los robots.
Big Data o Datos masivos: es un concepto que hace
referencia a la acumulación de grandes cantidades de
datos y a los procedimientos usados para encontrar
patrones repetitivos dentro de esos datos.
APLICACIONES

TENDENCIAS
PASADO:
El uso adecuado de mecanismos de aprendizaje automático
requería el empleo de algoritmos hechos a la medida, y
buenas dosis de presupuestos dedicados a I.+D.
PRESENTE:
Por ejemplo: y
Ofrecen soluciones SaaS (Software as a Service), basadas
en pre-configuraciones de aprendizaje automático o de
máquina.

TENDENCIAS
IBM Watson: Es un servicio basado en Inteligencia
Artificial que aprende sobre determinados temas para
interactuar con los usuarios de las compañías.
 Aprende de su experiencia.
 Lee y entiende el leguaje natural de las personas.
 Es capaz de responder a preguntas complejas en
pocos segundos.
 Ante una pregunta, formula hipótesis y escoge la
respuesta en la que tiene un mayor nivel de confianza.
Muestra los pasos que ha dado para llegar a la
respuesta de una forma clara y sencilla.
IBM Watson es pionero de la Computación Cognitiva,
la cual se refiere a sistemas que aprenden a escala,
razonan con propósito e interactúan con humanos de
forma natural.
Thomas Watson - Fundador de IBM

TENDENCIAS
Azure Machine Learning, es un conjunto de
algoritmos y herramientas basadas en la nube,
que permite a los científicos de datos
desarrollar de manera más rápida y eficiente,
modelos de aprendizaje automático o de
máquina.
Tutorial de aprendizaje automático
Ejemplo:
Crear un modelo de regresión lineal que predecirá
el precio de un automóvil en función de diferentes
especificaciones,
como la marca y las especificaciones técnicas.

WATSON EN JEOPARDY
(Aprendizaje Automático/
Procesamiento del
Lenguaje Natural)

CONCLUSIÓN
El Aprendizaje Automático o de Máquina es
una disciplina en plena evolución, que
libera al Ingeniero del Conocimiento de
parte de la tarea de Adquisición de
Conocimientos que es la etapa más
laboriosa; además de transformar la interfaz
hombre-máquina, llevándola desde la
ejecución de comandos hasta el uso del
lenguaje natural.

REFERENCIAS BIBLIOGRÁFICAS
www.uv.es/hmr/tesis/PDF/Cap1.pdf
www.research.ibm.com/softwareIBMRresearch/multimedia/Comnputing_Cog
nition_WhitePaper.pdf
www.azure.microsoft.com/es-es/documentation/articles/machine-learning-
create-experiment/
www.wikipedia.com/mineriadedatos
www.es.wikipedia.org/wiki/Aprendizaje_autom%C3%A1tico
www.abc.es/tecnologia/informatica-software/20150801/como-aprenden-maquinas-
2015080
www.computerworld.es/tendencias/el-aprendizaje-automatico-en-los-negocios
www.es.wikipedia.org/wiki/Aprendizaje_no_supervisado
www.es.wikipedia.org/wiki/Aprendizaje_supervisado

!GRACIAS POR SU ATENCIÓN!

Aprenzaijeautomaticoeneropdf

Más contenido relacionado

La actualidad más candente (11)

Destacado (6)

Similar a Aprenzaijeautomaticoeneropdf (20)

Más de José Chacón (20)

Último (20)

Aprenzaijeautomaticoeneropdf