Skip navigation

Por: Roberth Paúl Bravo Castro

Aprendizaje Automático

¿Qué es el aprendizaje automático?

Es una rama de la Inteligencia Artificial que tiene como objetivo el desarrollar técnicas que permitan que las computadoras puedan aprender.

Es decir, crear programas que sean capaces de generalizar los comportamientos partiendo de una información que no esté estructurada suministrada en forma de ejemplos.

Una máquina puede considerarse inteligente cuando cumple con los siguientes requisitos:

  • Si es capaz de percibir visualmente los objetos que la rodean y reconocer sus formas.
  • Si es capaz de “entender” el lenguaje natural, hablado o escrito, así como de producir respuestas en dicho lenguaje.
  • Elaborar actuaciones de acuerdo con las condiciones cambiantes del entorno y llevarlas a cabo mediante los correspondientes elementos físicos.
  • Cuando puede almacenar información y conocimientos a los que manipula mediante reglas y algoritmos para alcanzar soluciones a los problemas que plantea su funcionamiento.

En el aprendizaje automático entra el término reconocimiento de formas en la cual se hace distinción sobre dos aproximaciones:

Aproximaciones Paramétricas: Se asume un conocimiento a priori acerca de la forma funcional de las distribuciones de probabilidad de cada clase sobre el espacio de representación, las cuales vendrán determinadas por un conjunto finito de parámetros.

Aproximaciones no Paramétricas: No supone ninguna forma de las distribuciones de probabilidad sobre el espacio de representación, de modo que el único conocimiento a priori será el correspondiente a la información inducida a partir de un conjunto de muestras controladas.

Dentro del reconocimiento de patrones hay dos grupos de familias:

1. Clasificación no supervisada

Enfoca la clasificación como el descubrimiento de las clases del problema. También se la denomina “clustering”.

Su objetivo es el descubrimiento de grupos de objetos, que con características afines, separen las diferentes clases del problema clasificatorio.

2. Clasificación supervisada

Basándose en un conjunto de entrenamiento, construye un modelo o regla general que se utilizará para clasificar objetos nuevos de los cuales no sepamos su clase.

Este tipo de clasificación ha sido utilizada en áreas como: diagnóstico de enfermedades, concesión o rechazo de créditos de banca, predicción de bancarrota en empresas, etc.

Criterios para la evaluación de los clasificadores

Tasa de error: nos da una idea del porcentaje de objetos nuevos, de los cuales no sabemos su clase, que no es capaz de clasificar bien el clasificador en cuestión.

Rapidez: Con la que el clasificador construye el modelo.

Interpretabilidad del modelo

Simplicidad del modelo

Dirección de la modelización

Modelización hacia delante: la construcción del modelo empieza desde el modelo más simple y aumenta su complejidad hasta cumplir algún criterio preestablecido.

Modelización hacia atrás: La construcción del modelo empieza desde el modelo más complejo y disminuye su complejidad hasta cumplir algún criterio preestablecido.

Modelización paso a paso: La construcción del modelo comienza desde el modelo más simple o más completo, y aumenta o disminuye su complejidad, hasta cumplir con algún criterio preestablecido.

Bibliografía

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s

%d bloggers like this: