Intro_1112

MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL:
TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN
Manuel Sánchez-Montañés
Luis Lago
Ana González
Escuela Politécnica Superior
Universidad Autónoma de Madrid

Aprendizaje


APRENDIZAJE AUTOMATICO:



¿ Qué significa aprender?





No hay una única definición.
Es un proceso de inducción del conocimiento.

¿Por qué automático?


Problemas demasiadoscomplicados para resolverlos a mano:
Grandes bases de datos
Alta dimensionalidad



Objetivo: Crear programas capaces de generalizar comportamientos
a partir de una información, por lo general no estructurada,
suministrada en forma de ejemplos.

Aprendizaje
Razonamiento Lógico: Deducción versus Inducción.

• Deducción: aplicar un conocimiento general que ya teníamos a casos específicos:
“Todoslos hombres son mortales. Sócrates es hombre.
Luego Sócrates es mortal.”

• Inducción:
•
•
•

A partir de una observación o varias observaciones, se puede reconocer un patrón.
Una vez definido el patrón, se convierte en una hipótesis provisional.
Una vez la hipótesis es definida y demostrada se convierte en una teoría.
• Observación: Thor, Lasy y Luna son perros
• Patrón: tienen cuatro patas
•Hipótesis: Los perros tienen cuatro patas, induzco que perro --‐> cuatro patas.
Ahora me dicen que Niebla es un perro, y con la regla que he aprendido infiero que
Niebla tiene cuatro patas.

Aprendizaje


• Aprender está relacionado con generalizar, con saber reaccionar a
casos nuevos: predecir/inferir.



Para introducir lo que vamos a utilizar a lo largo del curso
necesitaremos definir tresconceptos:




Agente
Entorno
Función de coste

Aprendizaje
Agente y entorno:
Consideremos un sistema o agente A que interacciona con un entorno E.
El agente es una entidad capaz de percibir el entorno y de actuar sobre él.

Ejemplos:
- un robot que mueve objetos en una fábrica
- un programa de ordenador que clasifica el correo electrónico
como “spam” o “no spam”
- un alumno que interaccionacon su profesor
Los agentes tienen un punto de vista incompleto, pero esto no limita que se halle una
solución (aproximada)  Búsqueda de una solución completa y consistente.

Aprendizaje
Función de coste, f(A, E):
-

Es una función que depende del error entre la salida real del sistema que se pretende
modelar (entorno) y la salida del núcleo estimador.
Mide el grado de confianza en lainteracción del agente con su entorno  ¿Cómo de
bueno es el resultado obtenido?
Medición: Resultado numérico
Ejemplos:
- energía total que necesita el robot para transportar los objetos
- número de fallos que comete el ordenador clasificando los correos
- puntuación media que obtiene el alumno en sus exámenes

Aprendizaje
¿Qué significa entonces aprender ?
Decimos que el agente A aprende si es capaz derectificar su
comportamiento de tal forma que la función de coste f(A, E) mejora con el
paso del tiempo hasta conseguir (si es posible) llegar al óptimo.
Ejemplos:
 el robot consume menos energía cada día moviendo el mismo número
de objetos
 el programa clasifica cada vez mejor el correo electrónico
 el alumno saca cada vez mejores notas (“saber” versus “aprender”)

Aprendizaje
Aprendizaje:siempre hay una función de coste que se debe optimizar. El
aprendizaje consiste en la búsqueda de la hipótesis óptima que
maximiza (o minimiza) esta función.
Ejemplos:


Robot adaptativo que busca minimizar la energía invertida en el
transporte de objetos



Física, Química, ...: Búsqueda de teorías científicas que:
minimicen la complejidad de la teoría (número de parámetros) y
maximicen el númerode observaciones explicadas



Estudiante: minimizar esfuerzo necesario para aprobar exámenes
maximizar puntuación obtenida en exámenes
maximizar cantidad de conocimiento obtenido
maximizar otras cantidades no relacionadas con estas

Aprendizaje
Clasificación principal de los tipos de aprendizaje

Nos basamos en cómo obtiene el agente la información adicional para aprender.
Aprendizaje no...