Introducción al Curso y al Libro de Tom Mitchell
Al campo de Aprendizaje Automatizado (Machine Learning) le concierne la
pregunta de: Como construir programas capaces de mejorar automáticamente con la
experiencia. Recientemente, han sido desarrolladas varias aplicaciónes exitosas: desde
programas de minería de datos que aprenden a detectar transacciones frauduletas de
tarjetas de crédito, sistemas de filtrado de información que aprenden las preferencias de
lectura de los usuarios, hasta vehículos autónomos que aprenden a manejar en autopistas
públicas. Al mismo tiempo, ha habido imporantes avances en la teoría y algoritmos que
conforman los fundamentos de este campo.
La meta del libro de texto de Tom Mitchel, Machine Learning, es presentar los
algoritmos y teoría clave que conforman el núcleo del área de aprendizaje. El área de
aprendizaje, toma conceptos y resultados de muchas áreas: estadística, inteligencia
artifical, filosofía, teoría de la información, biología, ciencias cognitivas, complejidad
computacional, y teoría de control. Una buena manera de aprender ML es considerar
estas distintas perspectivas y comprender la formulación de problemas, algoritmos y
suposuciones que fundamentan cada una de ellas.
Dada la naturaleza interdisciplinaria del material, se hacen pocas suposiciones
sobre el background del lector. Se introducen los conceptos básicos de estadística,
inteligencia artificial, teoría de la información y otras disciplinas a medida que surge la
necesidad, enfocandose en aquellos conceptos que son relavantes para el área de ML.
Principios que guían la escritura del libro:
 Ser acesible a estudiantes de pregrado
 Contener material que los estudiantes de doctorado en ML deberian saber
 Balance entre teoría y práctica
Carácterísticas del curso
En éste curso veremos algunos capítulos del libro de Mitchell. Concretamente, los
capítulos:
 1) Introducción
 2) Aprendizaje de conceptos
 3) Aprendizaje en Arboles de decisión
 4) Redes neurales artificiales
 5) Evaluación de hipótesis
 6) Aprendizaje Bayesiano
 9) Algoritmos genéticos
 13) Aprendizaje por reforzamiento
La evaluación se basará en 4 Tareas (40 %), y 2 parciales (60%). Las Tareas pueden ser
en equipos de dos o tres. Las tareas se presentaran con un pequeño informe y
presentación oral en clase: dificultades, resultados, graficas, etc.
En la página del curso, se colocara el material correspondiente a las clases, y tareas. Se
usaran las laminas elaboradas y publicadas por el autor Tom Mitchell. En lo posible
colocare también el contenido (en español) de las clases en un archivo word.
Definición de Minaría de Datos (Data Mining DM):
Las de “Minería de Datos”, o Data Mining, tratan de extraer información y patrones
de comportamiento ocultos en grandes volúmenes de datos
KDD y DM: definiciones
KDD: descubrimiento de conocimiento en bases de datos
DM: minería de datos
KDD = proceso completo:
«extracción no trivial de conocimiento implícito, previamente desconocido y
potencialmente útil, a partir de una base de datos»
(Frawley et al., 1991)
DM = etapa de descubrimiento en el proceso de KDD: «paso consistente en el uso de
algoritmos concretos que generan una enumeración de patrones a partir de los datos
preprocesados»
Definición de Inteligencia Artificial
En la bibliografía del área encontramos diferentes definiciones que pueden darnos una
idea de lo que se llama inteligencia artificial:

Una de las áreas de la computación encargadas de la creación de hardware y
software con comportamientos inteligentes.


El estudio de programas que permiten percibir, razonar y actuar
Estudia como lograr que las máquinas realicen tareas que, por el momento, son
realizadas mejor por los seres humanos.
Desde el punto de vista de los objetivos, la IA puede considerarse como parte de la
ingeniería o de la ciencia:


El objetivo ingenieril de la IA es resolver problemas reales, actuando como un
armamento de ideas acerca de cómo representar y utilizar el conocimiento, y de
como ensamblar sistemas
El objetivo científico de la IA es explicar varios tipos de inteligencia.
Determinar qué ideas acerca de la representación del conocimiento, del uso que
se le da a éste, y del ensamble de sistemas explican distintas clases de
inteligencia.
Algunas aplicaciones de la inteligencia artificial:

Tareas de la vida diaria (más dificil para una máquina que las tareas de un
experto)
o Percepción (visión y habla)
o Lenguaje natural (comprensión, generación, traducción)
o Sentido común


o Control de un robot
Tareas formales
o Juegos (ajedrez, backgammon, damas)
o Matemáticas (geometría, lógica, cálculo, demostración de propiedades)
Tareas de los expertos (necesitan un conocimiento menor que el conocimiento
necesario en las tareas más comunes)
o Ingeniería (diseño, detección de fallos, planificación de
manufacturación)
o Análisis científico
o Diagnosis médica
o Análisis financiero
Descargar

Cl0-Curso