Introduccion a md y aa

Introducción a la Minería de Datos y al Aprendizaje Automático

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...