01IntroduccionMDyAA

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 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...