Enciclopedia/Diccionario de Psicología y Neurociencias:

ıllı Aprendizaje automático wiki: info, libros pdf y vídeos

Detalles: Categoría: PSICOLOGIA (WIKINFO)

psicologia y neurociencias

Aprendizaje automático

El aprendizaje automático o bien aprendizaje de máquinas (del inglés, "Machine Learning") es el subcampo de las ciencias de la computación y una rama de la inteligencia artificial cuyo objetivo es desarrollar técnicas que dejen a las computadoras aprender. De forma más específica, se trata de crear programas capaces de generalizar comportamientos desde una información suministrada en forma de ejemplos. Es, por ende, un proceso de inducción del conocimiento. Muy frecuentemente el campo de actuación del aprendizaje automático se solapa con el de la estadística computacional, en tanto que las 2 disciplinas se fundamentan en el análisis de datos. No obstante, el aprendizaje automático asimismo se centra en el estudio de la dificultad computacional de los inconvenientes. Muchos inconvenientes son de clase NP-hard, con lo que una gran parte de la investigación efectuada en aprendizaje automático está enfocada al diseño de soluciones viables a esos inconvenientes. El aprendizaje automático puede ser visto como un intento de mecanizar ciertas unas partes del procedimiento científico a través de métodos matemáticos.

El aprendizaje automático tiene una extensa gama de aplicaciones, incluyendo buscadores web, diagnósticos médicos, detección de fraude en el empleo de tarjetas de crédito, análisis del mercado de valores, clasificación de secuencias de ADN, reconocimiento del habla y del lenguaje escrito, juegos y robótica.

aprendizaje automático

Algunos sistemas de aprendizaje automático procuran quitar toda necesidad de intuición o bien conocimiento especialista de los procesos de análisis de datos, mientras que otros tratan de establecer un marco de cooperación entre el especialista y la computadora. De todas y cada una maneras, la intuición humana no puede ser sustituida en su totalidad, en tanto que el diseñador del sistema tiene que concretar la manera de representación de los datos y los métodos de manipulación y caracterización de exactamente los mismos.Sin embargo, las computadoras son usadas por todo el planeta con fines tecnológicos buenísimos.

El aprendizaje automático tiene como resultado un modelo para solucionar una labor dada. Entre los modelos se distinguen

Los modelos geométricos, construidos en el espacio de instancias y que pueden tener una, 2 o bien múltiples dimensiones. Si hay un borde de resolución lineal entre las clases, diríase que los datos son linealmente separables. Un límite de resolución lineal se define como w * x = t, donde w es un vector perpendicular al máximo de resolución, x es un punto arbitrario en el tope de resolución y t es el umbral de la resolución.
Los modelos probabilísticos, que procuran determinar la distribución de probabilidades descriptora de la función que enlaza a los valores de las peculiaridades con valores ciertos. Uno de los conceptos claves para desarrollar modelos probabilísticos es la estadística bayesiana.
Los modelos lógicos, que convierten y expresan las probabilidades en reglas organizadas en forma de árboles de resolución.

Los modelos pueden asimismo clasificarse como modelos de agrupamiento y modelos de gradiente. Los primeros tratan de dividir el espacio de instancias en conjuntos. Los segundos, como su nombre lo señalan, representan un gradiente en el que se puede distinguir entre cada instancia. Clasificadores geométricos como las máquinas de vectores de apoyo son modelos de gradientes.

Una máquina de vectores de soporte

Los diferentes algoritmos de aprendizaje Automático se reúnen en una taxonomía dependiendo de la salida de exactamente los mismos. Ciertos géneros de algoritmos son:

aprendizaje supervisado aprendizaje supervisadoEl algoritmo genera una función que establece una correspondencia entre las entradas y las salidas deseadas del sistema. Un caso de esta clase de algoritmo es el inconveniente de clasificación, donde el sistema de aprendizaje trata de etiquetar (clasificar) una serie de vectores usando una entre múltiples categorías (clases). La base de conocimiento del sistema está formada por ejemplos de etiquetados precedentes. Este género de aprendizaje puede ser realmente útil en inconvenientes de investigación biológica, biología computacional y bioinformática.aprendizaje no supervisado aprendizaje no supervisadoTodo el proceso de modelado se realiza sobre un conjunto de ejemplos formado tan solo por entradas al sistema. No se tiene información sobre las categorías de esos ejemplos. En consecuencia, en un caso así, el sistema debe ser capaz de reconocer patrones para poder etiquetar las nuevas entradas.aprendizaje semisupervisadoEste género de algoritmos combinan los 2 algoritmos precedentes para poder clasificar de forma conveniente. Se tiene presente los datos marcados y los no marcados.aprendizaje por refuerzo aprendizaje por refuerzoEl algoritmo aprende observando el planeta que le circunda. Su información de entrada es el retroalimentación o bien retroalimentación que consigue del planeta exterior como contestación a sus acciones. Por tanto, el sistema aprende a base de ensayo-fallo.El aprendizaje por refuerzo es el más general entre las 3 categorías. En lugar de que un instructor indique al agente qué hacer, el agente inteligente debe aprender de qué manera se comporta el ambiente a través de recompensas (refuerzos) o bien castigos, derivados del éxito o bien del descalabro respectivamente. El principal objetivo es aprender la función de valor que le asista al agente inteligente a aumentar al máximo la señal de recompensa y de esta manera optimar sus políticas de modo a entender el comportamiento del ambiente y a tomar buenas resoluciones para el logro de sus objetivos formales.Los primordiales algoritmos de aprendizaje por refuerzo se desarrollan en los métodos de resolución de inconvenientes de resolución finitos de Markov, que incorporan las ecuaciones de Bellman y las funciones de valor. Los 3 métodos primordiales son: la Programación Activa, los métodos de Monte Carlo y el aprendizaje de Diferencias Temporales.Entre las implementaciones desarrolladas está AlphaGo, un programa de IA desarrollado por Google DeepMind para jugar el juego de mesa Go.En el tercer mes del año de dos mil dieciseis AlphaGo le ganó una partida al jugador profesional Lee Se-Dol que tiene la categoría noveno dan y dieciocho títulos mundiales. Entre los algoritmos que usa se halla el árbol de busca Monte Carlo, asimismo usa aprendizaje profundo con redes neuronales. Puede ver lo ocurrido en el reportaje de Netflix “AlphaGo”.TransducciónSimilar al aprendizaje supervisado, mas no edifica de forma explícita una función. Trata de pronosticar las categorías de los futuros ejemplos basándose en los ejemplos de entrada, sus respectivas categorías y los ejemplos nuevos al sistema.aprendizaje multi-tareaMétodos de aprendizaje que emplean conocimiento anteriormente aprendido por el sistema de cara a enfrentarse a inconvenientes similares a los vistos.

El análisis computacional y de desempeño de los algoritmos de aprendizaje automático es una rama de la estadística famosa como teoría computacional del aprendizaje.

El aprendizaje automático las personas lo hacemos automáticamente en tanto que es un proceso tan fácil para nosotros que ni nos damos cuenta de de qué forma se efectúa y todo cuanto implica. Desde el instante en que nacemos hasta el momento en que morimos los humanos hacemos diferentes procesos, entre ellos hallamos el de aprendizaje por medio del que adquirimos conocimientos, desarrollamos habilidades para examinar y valorar por medio de métodos y técnicas como asimismo a través de la experiencia propia. No obstante, a las máquinas hay que señalarles de qué forma aprender, puesto que si no se consigue que una máquina sea capaz de desarrollar sus habilidades, el proceso de aprendizaje no se va a estar realizando, sino solo va a ser una secuencia repetitiva. Asimismo debemos tomar en consideración que el tener conocimiento o bien el hecho de efectuar bien el proceso de aprendizaje automático no implica que se sepa emplear, resulta necesario saber aplicarlo en las actividades rutinarias, y un buen aprendizaje asimismo implica saber de qué manera y en qué momento emplear nuestros conocimientos.

Para hacer un buen aprendizaje es preciso estimar todos y cada uno de los factores que a este le rodean, como la sociedad, la economía, la urbe, el entorno, el sitio, etcétera Por tanto, es preciso comenzar a tomar diferentes medidas para conseguir un aprendizaje conveniente, y conseguir una automatización conveniente del aprendizaje. De esta manera, la primera cosa que se debe tomar en consideración es el término de conocimiento, que es el comprensión de un determinado tema o bien materia en el que puedas dar tu opinión o bien punto de vista, como contestar a determinadas interrogantes que puedan surgir de tal tema o bien materia.

Árboles de decisionesEditar

Árbol de decisión

Este género de aprendizaje utiliza un árbol de resoluciones como modelo predictivo. Se mapean observaciones sobre un objeto con conclusiones sobre el valor final de tal objeto.

Los árboles son estructuras básicas en la informática. Los árboles de atributos son la base de las resoluciones.Una de las 2 formas primordiales de árboles de resoluciones es la desarrollada por Quinlan de medir la impureza de la entropía en todos y cada rama, algo que primero desarrolló en el algoritmo ID3 y después en el C4.5. Otra de las estrategias se fundamenta en el índice GINI y fue desarrollada por Breiman, Friedman et alia. El algoritmo de CART es una implementación de esta estrategia.

Reglas de asociaciónEditar

Reglas de asociación

Los algoritmo de reglas de asociación intentan descubrir relaciones interesantes entre variables. Entre los métodos más conocidos se encuentran el algoritmo a priori, el algoritmo Eclat y el algoritmo de Patrón Usual.

Algoritmos genéticosEditar

Algoritmos genéticos

Los algoritmos genéticos son procesos de busca heurística que simulan la selección natural. Utilizan métodos como la mutación y el cruzamiento para producir nuevas clases que puedan ofrecer una buena solución a un inconveniente dado.

Redes neuronales artificialesEditar

Red neuronal artificial

Las redes de neuronas artificiales (ARN) son un paradigma de aprendizaje automático inspirado en las neuronas de los sistemas inquietos de los animales. Se trata de un sistema de links de neuronas que cooperan entre sí para generar un estímulo de salida.Las conexiones tienen pesos numéricos que se amoldan conforme la experiencia. De esta forma, las redes neurales se amoldan a un impulso y son capaces de aprender. La relevancia de las redes neurales cayó a lo largo de un tiempo con el desarrollo de los vectores de soporte y clasificadores lineales, mas volvió a surgir a fines de la década de dos mil con la llegada del aprendizaje profundo.

Máquinas de vectores de soporteEditar

Máquinas de vectores de soporte

Las MVS son una serie de métodos de aprendizaje supervisado utilizados para clasificación y regresión. Los algoritmos de MVS emplean un conjunto de ejemplos de adiestramiento clasificado en 2 categorías para edificar un modelo que pronostique si un nuevo ejemplo pertenece a una o bien otra de dichas categorías.

Algoritmos de agrupamientoEditar

Algoritmo de agrupamiento

El análisis por agrupamiento (clustering en inglés) es la clasificación de observaciones en subgrupos - clusters - a fin de que las observaciones en todos y cada conjunto se semejen entre sí según determinados criterios.

Las técnicas de agrupamiento hacen inferencias diferentes sobre la estructura de los datos; se guían generalmente por una medida de similaridad concreta y por un nivel de compactamiento interno (similaridad entre los miembros de un conjunto) y la separación entre los diferentes conjuntos.

El agrupamiento es un procedimiento de aprendizaje no supervisado y es una técnica muy popular de análisis estadístico de datos.

Redes bayesianasEditar

Red bayesiana

Una red bayesiana, red de creencia o bien modelo acíclico dirigido es un modelo probabilístico que representa una serie de variables de azar y sus independencias condicionales por medio de un grafo acíclico dirigido.Una red bayesiana puede representar, por poner un ejemplo, las relaciones probabilísticas entre enfermedades y síntomas. Dados algunos síntomas, la red puede emplearse para calcular las posibilidades de que ciertas enfermedades estén presentes en un organismo. Hay algoritmos eficaces que infieren y aprenden utilizando esta clase de representación.

El aprendizaje supervisado se identifica por contar con información que detalla qué conjuntos de datos son satisfactorios para la meta del aprendizaje. Un caso podría ser un software que reconoce si una imagen dada es o bien no la imagen de un rostro: para el aprendizaje del programa deberíamos darle diferentes imágenes, detallando en el proceso si se trata o bien no de semblantes.

En el aprendizaje no supervisado, en cambio, el programa no cuenta con datos que definan qué información es satisfactoria o bien no. El principal objetivo de estos programas acostumbra a ser hallar patrones que dejen separar y clasificar los datos en diferentes conjuntos, en función de sus atributos. Siguiendo el ejemplo precedente un software de aprendizaje no supervisado no sería capaz de decirnos si una imagen dada es un semblante o bien no mas sí podría, por servirnos de un ejemplo, clasificar las imágenes entre aquellas que poseen semblantes humanos, de animales, o bien las que no poseen. La información conseguida por un algoritmo de aprendizaje no supervisado ha de ser más tarde interpretada por una persona para darle utilidad.

El aprendizaje automático nació de la busca de inteligencia artificial. Ya en los primeros días de la IA como disciplina académica, ciertos estudiosos se interesaron en hacer que las máquinas aprendieran. Trataron de solucionar el inconveniente con distintos métodos simbólicos, como lo que llamaron 'redes neurales' que eran generalmente percentrones y otros modelos esencialmente basados en modelos lineares extendidos como se conocen en las estadísticas.

mas informacion