IntroduccionApren.pdf

1. Introducción
?
Cómo programar computadoras para que
aprendan?
Aprender: Mejorar automáticamente con la
experiencia
Ejemplo: Las computadoras pueden
aprender a partir registros médicos cuáles
tratamientos son los mejores para nuevas
enfermedades
? Valor agregado: Mejor entendimiento de las
capacidades de aprendizaje del humano
?
1. Introducción
1.1 Problemas de aprendizaje bien definidos
?
Definición:
Un programa de computadora se dice que
aprende de la experiencia E con respecto a
determinada clase de tareas T y medida de
rendimiento P, si su rendimiento en las tareas
de T, medido por P, mejora la con la
experiencia E
1. Introducción
?
Ejemplo
?
Tarea T: jugar a las damas
?
Experiencia de entrenamiento E: jugar juegos
contra ella misma
?
Medida de rendimiento P: porcentaje de
partido ganados contra oponentes
1. Introducción
1.2 Diseñando un sistema de aprendizaje
?
Eligiendo la experiencia de entrenamiento:
?
?
?
Casos conocidos con resultado determinado
Algunos casos pesan más que otros
Distribución de los ejemplos (representatividad
de la muestra)
1. Introducción
?
Eligiendo la función objetivo
?
Los movimientos legales se conocen de antemano,
pero la mejor estrategia no se conoce
?
Función objetivo:
ElegirMovida B ? M
B: estados del tablero legales
?
M: mejor movimiento legal
Alternativamente: Función real
V:B ? ?
Tarea de aprendizaje: Descubrir una descripción
operacional de la funcion objetivo ideal
(aproximación de funciones). Elegir movidas que
lleven a obtener tableros con mejor “ranking”.
1. Introducción
?
Eligiendo una representación de la función
objetivo ejemplo
V(b) = w0 + w 1 X 1 +...+ w6 X6
X1,2 :
Numero de piezas negras/blancas en el tablero
X3,4 :
Numero de damas negras/blancas en el tablero
X5,6 :
Numero de piezas negras/blancas amenazadas
(que pueden ser comidas en el próximo turno)
1. Introducción
?
Eligiendo un algoritmo para aproximar la
función
?
Ejemplos de entrenamiento (b^Vtrain (b))
?
Regla para estimar los valores de entrenamiento:
Vtrain(b) ?
?
?
V[Sucesor(b)]
Ajustar los pesos
Determinar los parámetros
1. Introducción
?
Elecciones de diseño
1. Introducción
1.3 Algunas cuestiones con Aprendizaje
Automático
?
?
?
?
Que algoritmos pueden aproximar funciones
bien (y cuando)?
Como influye el numero de ejemplos de
entrenamiento en la exactitud del resultado?
Como impacta en el resultado la complejidad
en la representación de las hipótesis?
Como influyen en la exactitud del resultado los
datos “ruidosos”?
1. Introducción
Tipos de problemas: clasificación y regresión
? Problema abierto: selección de atributos
? Cuestión clave: normalización de atributos
? Base de datos: entrenamiento, validación,
test. Luego utilización del resultado.
?