01IntroduccionMDyAA
Páginas: 10 (2399 palabras)
Publicado: 28 de abril de 2015
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 aprendizaje
Dimensiones deAnálisis
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
GSI UVA/UBU
Métodos y técnicas de minería de datos: introducción
2
1 Interés
No hay inteligencia sin aprendizaje
(adaptación, mejora, descubrimiento…)
En la práctica
Exceso de información
Escasez de conocimiento
Necesidad deautomatizar 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 -> catálogode 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
de la 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 unaimagen
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 unconductor 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
Análisis de 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 y técnicas 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
bajobajo
alto
moderado
bajo
bajo
alto
moderado
bajo
alto
GSI UVA/UBU
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
alta
alta
alta
Avales
no
no
no
no
no
adecuados
no
adecuados
no
adecuados
no
no
no
no
Ingresos
0 a 2M
2 a 5M
2 a 5M
0 a 2M
más de 5M
más de 5M
0 a 2M...
Leer documento completo
Regístrate para leer el documento completo.