Introduccion a md y aa
Carlos Alonso González Grupo de Sistemas Inteligentes Departamento de Informática Universidad de Valladolid
Juan José Rodriguez 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 de aprendizajeDimensiones de Análisis Paradigmas de aprendizaje Minería de datos
1.
2.
3. 4. 5.
Motivación ¿Qué es la minería de datos? Etapas Ejemplos Ética y Minería de da datos
Métodos y técnicas de minería de datos: introducción 2
GSI UVA/UBU
1 Interés
No hay inteligencia sin aprendizaje (adaptación, mejora, descubrimiento…) En la práctica
Exceso de información Escasez deconocimiento 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
Registros médicos Conocimiento médico Imágenes del firmamento -> catálogo de objetos estelares
Aplicacionessoftware que no se pueden programar con técnicas convencionales
Reconocimiento del habla Vehículos autónomos
Software personalizado
Filtro de noticias de interés Gestión de Agenda
Métodos y técnicas de minería de datos: introducción 4
GSI UVA/UBU
2 Una definición de aprendizaje
Un programa de ordenador APRENDE de la experiencia E con respecto a una clase de tareasT 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 deentrenamiento 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 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 guiadoregistrados a partir de la observación de un conductor humano
Aprender a conducir
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
Análisis de regularidades en datos
GSI UVA/UBU
Métodos y técnicas de minería dedatos: introducción
7
Descripción de conceptos
Planteamiento general
Ejemplos (clasificados) Conocimiento Base
Algoritmo Aprendizaje
Descripción Concepto
GSI UVA/UBU
Métodos y técnicas de minería de datos: introducción
8
Descripción de conceptos
Dado
Obtener
Concepto objetivo Instancias del mismo Conocimiento baseCaracterización 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 y técnicas de minería de datos: introducción
9
10
ALVINN, RALPH
GSI UVA/UBU
Métodos ytécnicas 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 Historia mala desconocida desconocida desconocida desconocida desconocida mala mala buena buena buena buena buena mala Deuda alta alta baja baja baja baja baja baja baja alta alta...
Regístrate para leer el documento completo.