glgvlvlv
Páginas: 10 (2313 palabras)
Publicado: 10 de marzo de 2014
y al Aprendizaje Automático
Carlos Alonso González
Grupo de Sistemas Inteligentes
Departamento de Informática
Universidad de Valladolid
Juan José Rodríguez Diez
Grupo de Sistemas Inteligentes
Departamento de Ingeniería Civil
Universidad de Burgos
Contenidos
1.
2.
3.
4.
5.
6.
Interés
Definición de aprendizaje
Tareas Básicas deaprendizaje
Dimensiones de Análisis
Paradigmas de aprendizaje
Minería de datos
1.
2.
3.
4.
5.
GSI UVA/UBU
Motivación
¿Qué es la minería de datos?
Etapas
Ejemplos
Ética y Minería de da datos
Métodos y técnicas de minería de datos: introducción
2
1. Interés
No hay inteligencia sin aprendizaje (adaptación, mejora,
descubrimiento…)
En la práctica:
Excesode información
Escasez de conocimiento
Necesidad de automatizar la obtención de conocimiento a
partir de información
GSI UVA/UBU
Métodos y técnicas de minería de datos: introducción
3
Nichos de aplicación
Minería de datos: uso de datos históricos para mejorar
la toma de decisiones
Aplicaciones software que no se pueden programar con
técnicas convencionales
Registros médicos Conocimiento médico
Imágenes del firmamento -> catálogo de objetos estelares
Reconocimiento del habla
Vehículos autónomos
Software personalizado
Filtro de noticias de interés
Gestión de Agenda
GSI UVA/UBU
Métodos y técnicas de minería de datos: introducción
4
2. Una definición de aprendizaje
Un programa de ordenador APRENDE dela experiencia
E con respecto a una clase de tareas T y medida de
desempeño P si su rendimiento en tareas de T, según la
medida P, mejora con la experiencia E (Mitchell, 97)
GSI UVA/UBU
Métodos y técnicas de minería de datos: introducción
5
Ejemplos
Aprender a Jugar a las Damas
Aprender a reconocer la escritura manual
T: jugar a las damas
P:porcentaje de juegos ganados al adversario
E: juegos de entrenamiento consigo mismo
T: reconocer y clasificar palabras manuscritas en una imagen
P: porcentaje de palabras reconocidas correctamente
E: base de datos de imágenes de palabras manuscritas,
clasificadas
Aprender a conducir
T: conducir en una autopista pública de 4 carriles utilizando
sensores de visión
P:distancia media viajada antes de un error (según instructor
humano)
E: secuencia de imágenes y comandos de guiado registrados a
partir de la observación de un conductor humano
GSI UVA/UBU
Métodos y técnicas de minería de datos: introducción
6
3. Tareas básicas en el aprendizaje
automático
Descripción de conceptos
Formación de conceptos
Mejora de la eficiencia
Análisisde regularidades en datos
GSI UVA/UBU
Métodos y técnicas de minería de datos: introducción
7
Descripción de conceptos
Planteamiento general
Ejemplos
(clasificados)
Conocimiento
Base
GSI UVA/UBU
Algoritmo
Aprendizaje
Descripción
Concepto
Métodos y técnicas de minería de datos: introducción
8
Descripción de conceptos
Dado
Concepto objetivo
Instancias del mismo
Conocimiento base
Obtener
Caracterización del concepto
Típicamente clasificador a partir de atributos
(identificar/predecir el valor de la clase)
También regresión (predecir valor atributo numérico)
Ejemplos
Análisis de riesgos en asignación de créditos
Diagnosis
Vehículos autónomos
GSI UVA/UBU
Métodos ytécnicas de minería de datos: introducción
9
10
ALVINN, RALPH
GSI UVA/UBU
Métodos y técnicas de minería de datos: introducción
11
Análisis riesgos concesión de créditos
Nº
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Riesgo
alto
alto
moderado
alto
bajo
bajo
alto
moderado
bajo
bajo
alto
moderado
bajo
alto
GSI UVA/UBU
Historia
mala
desconocida...
Leer documento completo
Regístrate para leer el documento completo.