Sei sulla pagina 1di 10

UNIVERSIDAD MARIANO GALVEZ DE GUATEMALA CENTRO REGIONAL SAN PEDRO SACATEPEQUEZ, S.M. FACULTAD DE INGENIERIA INGENIERIA EN SISTEMAS DE INFORMACION Y CIENCIAS DE LA COMPUTACION

Aprendizaje y Razonamiento Automático Laboratorio # 8

Inteligencia Artificial

12vo. Semestre

13/09/2012

Michels Estuardo Leandro López Tul

0903-07-11-528

UMG

[APRENDIZAJE Y RAZONAMIENTO AUTOMÁ]

INDICE

INTRODUCCION

3

OBJETIVOS

3

APRENDIZAJE AUTOMATICO

4

Tipos de Aprendizaje Automático

4

Aprendizaje supervisado

4

Aprendizaje no supervisado

4

Aprendizaje semisupervisado

4

Aprendizaje por refuerzo

4

Transducción

4

Aprendizaje multi-tarea

4

En el aprendizaje automático podemos obtener 3 tipos de conocimiento los cuáles son:

5

1. Crecimiento

5

2. Reestructuración

5

3. Ajuste

5

Algoritmos de la AA

5

Aplicaciones

5

RAZONAMIENTO AUTOMATICO

6

Las sub-áreas más desarrolladas del razonamiento automatizado

6

Utilización de un sistema de RA

6

Algunos sistemas de RA

6

Campos de aplicación

7

Minería de Datos (Laboratorio # 8)

8

CONCLUSION

10

REFERENCIAS

10

Minería de Datos (Laboratorio # 8) 8 CONCLUSION 10 REFERENCIAS 10 Inteligencia Artificial Página 2
Minería de Datos (Laboratorio # 8) 8 CONCLUSION 10 REFERENCIAS 10 Inteligencia Artificial Página 2

UMG

[APRENDIZAJE Y RAZONAMIENTO AUTOMÁ]

INTRODUCCION

Se desarrolla un ensayo sobre Aprendizaje Automático, Razonamiento Automático y la Resolución del Laboratorio número ocho, en la cual el aprendizaje es enseñarle mediante información no estructurada genere comportamientos, siendo por ello inducción del conocimiento; el Razonamiento trata demostrar que una conjetura es una consecuencia lógica de un conjunto de axiomas o hipótesis, y el preguntas sobre Minería de Datos.

OBJETIVOS

Estudiar el Aprendizaje y Razonamiento Automático de la Inteligencia Artificial;

Analizar las diferentes características de cada uno de los casos de estudio de la Inteligencia Artificial descritas anteriormente;

Comprender el desarrollo y la utilización tecnológica computacional para el aprendizaje y razonamiento de casos.

utilización tecnológica computacional para el aprendizaje y razonamiento de casos. Inteligencia Artificial Página 3
utilización tecnológica computacional para el aprendizaje y razonamiento de casos. Inteligencia Artificial Página 3

UMG

[APRENDIZAJE Y RAZONAMIENTO AUTOMÁ]

APRENDIZAJE AUTOMATICO

Aprendizaje de Máquinas es una rama de la Inteligencia Artificial cuyo objetivo es desarrollar técnicas que permitan a las computadoras aprender. De forma más concreta, se trata de crear programas capaces de generalizar comportamientos a partir de una información no estructurada suministrada en forma de ejemplos. Es, por lo tanto, un proceso de inducción del conocimiento.

Estudia cómo construir programas que mejoren automáticamente con la experiencia.

Tipos de Aprendizaje Automático

Aprendizaje supervisado El algoritmo produce una función que establece una correspondencia entre las entradas y las salidas deseadas del sistema. Un ejemplo de este tipo de algoritmo es el problema de clasificación, donde el sistema de aprendizaje trata de etiquetar (clasificar) una serie de vectores utilizando una entre varias categorías (clases). La base de conocimiento del sistema está formada por ejemplos de etiquetados anteriores. Este tipo de aprendizaje puede llegar a ser muy útil en problemas de investigación biológica, biología computacional y bioinformática.

biológica, biología computacional y bioinformática. Aprendizaje no supervisado Todo el proceso de modelado se

Aprendizaje no supervisado Todo el proceso de modelado se lleva a cabo sobre un conjunto de ejemplos formado Todo el proceso de modelado se lleva a cabo sobre un conjunto de ejemplos formado tan sólo por entradas al sistema. No se tiene información sobre las categorías de esos ejemplos. Por lo tanto, en este caso, el sistema tiene que ser capaz de reconocer patrones para poder etiquetar las nuevas entradas.

reconocer patrones para poder etiquetar las nuevas entradas. Aprendizaje semisupervisado Este tipo de algoritmos

Aprendizaje semisupervisado Este tipo de algoritmos combinan los dos algoritmos anteriores para poder clasificar de manera adecuada. Se tiene en cuenta los datos marcados y los no marcados.

Se tiene en cuenta los datos marcados y los no marcados. Aprendizaje por refuerzo El algoritmo

Aprendizaje por refuerzo El algoritmo aprende observando el mundo que le rodea. Su información de entrada es el feedback o retroalimentación que obtiene del mundo exterior como respuesta a sus acciones. Por lo tanto, el sistema aprende a base de ensayo-error.

Por lo tanto, el sistema aprende a base de ensayo-error. Transducción Similar al aprendizaje supervisado, pero

Transducción Similar al aprendizaje supervisado, pero no construye de forma explícita una función. Trata de predecir las categorías de los futuros ejemplos basándose en los ejemplos de entrada, sus respectivas categorías y los ejemplos nuevos al sistema.

respectivas categorías y los ejemplos nuevos al sistema. Aprendizaje multi-tarea Métodos de aprendizaje que usan

Aprendizaje multi-tarea Métodos de aprendizaje que usan conocimiento previamente aprendido por el sistema de cara a enfrentarse a problemas parecidos a los ya vistos.

aprendido por el sistema de cara a enfrentarse a problemas parecidos a los ya vistos. Inteligencia
aprendido por el sistema de cara a enfrentarse a problemas parecidos a los ya vistos. Inteligencia

UMG

[APRENDIZAJE Y RAZONAMIENTO AUTOMÁ]

En el aprendizaje automático podemos obtener 3 tipos de conocimiento los cuáles son:

1. Crecimiento

Es el que se adquiere de lo que nos rodea, el cual guarda la información en la memoria como si

dejara huellas.

2. Reestructuración

Al interpretar los conocimientos el individuo razona y genera nuevo conocimiento al cual se le

llama de reestructuración.

3. Ajuste

Es el que se obtiene al generalizar varios conceptos o generando los propios.

Los tres tipos se efectúan durante un proceso de aprendizaje automático pero la importancia de cada tipo de conocimiento depende de las características de lo que se está tratando de aprender.

El aprendizaje es más que una necesidad, es un factor primordial para satisfacer las necesidades de la inteligencia artificial.

Algoritmos de la AA

Aprendizaje basado en árboles de decisión

Aprendizaje basado en redes neuronales artificiales

Aprendizaje probabilístico y Bayesiano

Aprendizaje basado en instancias

Aprendizaje evolutivo

Aprendizaje lógico inductivo

Aprendizaje por refuerzo

Aplicaciones

Motores de búsqueda

Diagnóstico médico

Detección de fraudes con el uso de tarjetas de crédito

Análisis del mercado de valores

Clasificación de secuencias de ADN

Reconocimiento del habla

Robótica

 Clasificación de secuencias de ADN  Reconocimiento del habla  Robótica Inteligencia Artificial Página 5
 Clasificación de secuencias de ADN  Reconocimiento del habla  Robótica Inteligencia Artificial Página 5

UMG

[APRENDIZAJE Y RAZONAMIENTO AUTOMÁ]

RAZONAMIENTO AUTOMATICO

El razonamiento automático se dedica al desarrollo de programas de ordenador que sean capaces de demostrar que una conjetura es una consecuencia lógica de un conjunto de axiomas o hipótesis.

Es un área de la informática y la lógica matemática dedicada a comprender los diferentes aspectos de razonamiento. El estudio en el razonamiento automatizado ayuda a producir software que permite a los ordenadores a la razón por completo, o casi por completo, de forma automática. Aunque el razonamiento automatizado se considera un sub-campo de la inteligencia artificial también tiene conexiones con la informática teórica, e incluso la filosofía. Como tal, está considerado como un sub-campo de la inteligencia artificial, pero tiene, también, conexiones con la ciencia computacional teórica e incluso filosofía. Sus siglas en inglés son AR, del término Automated reasoning.

Las sub-áreas más desarrolladas del razonamiento automatizado

Demostración automática de teoremas (y el sub-campo menos automatizado, pero más pragmático de demostrar el teorema interactivo )

Comprobación de prueba automatizada (visto como el razonamiento correcto garantizado con arreglo a criterios fijos).

Razonamiento por analogía inducción y abducción.

Utilización de un sistema de RA

El usuario formaliza el problema y lo pasa al sistema de demostración automática como entrada.

El sistema intenta resolver el problema.

Si el sistema tiene éxito, se obtendrá una solución al problema.

Si el sistema no tiene éxito, entonces el usuario puede proporcionar

cierta ayuda, intentar demostrar un resultado intermedio o revisar la formalización.

Algunos sistemas de RA

OTTER:

MACE:

EQP:

VAMPIRE:

WALDMEISTER:

NQTHM:

ACL2:

COQ:

HOL:

PVS:

NUPRL:

 WALDMEISTER:  NQTHM:  ACL2:  COQ:  HOL:  PVS:  NUPRL: Inteligencia Artificial
 WALDMEISTER:  NQTHM:  ACL2:  COQ:  HOL:  PVS:  NUPRL: Inteligencia Artificial

UMG

[APRENDIZAJE Y RAZONAMIENTO AUTOMÁ]

Campos de aplicación

Matemáticas

o

“Problema de Robbins” - EQP

o

Problemas de quasigrupos - OTTER

Síntesis de programas

Verificación de software

Verificación de hardware

o

FM9001 - NQTHM

o

AMD5K86 - ACL2

Web semántica

de hardware o FM9001 - NQTHM o AMD5K86 - ACL2  Web semántica Inteligencia Artificial Página
de hardware o FM9001 - NQTHM o AMD5K86 - ACL2  Web semántica Inteligencia Artificial Página

UMG

[APRENDIZAJE Y RAZONAMIENTO AUTOMÁ]

MINERÍA DE DATOS (LABORATORIO # 8)

1)

Defina que es Minería de Datos.

La minería de datos es un mecanismo de explotación, consistente en búsqueda de información valiosa en grandes volúmenes de datos, centrándose en necesidades de descubrir el porqué, para luego producir y pronosticar las acciones con cierto factor de confianza para cada predicción.

2)

Indique cuales son los pasos, del proceso de Minería de Datos.

Filtrado de datos

Análisis de las Propiedades de los Datos

Transformación del conjunto de Datos de Entrada

Selección de Variables y Técnicas

Extracción de Conocimiento

Interpretación y evaluación

3)

Indique cuales son las técnicas conocidas para realizar Minería de Datos.

Redes Neuronales

Regresión Lineal

Arboles de Decisión

Modelos Estadísticos

Algoritmos Genéticos

Clustering (Agrupamiento)

Reglas de Asociación

Aprendizaje Automático

4)

Indique como puede contribuir la Minería de datos en los sistemas administrativos de una empresa. Proponga algunos ejemplos.

La contribución que aportaría la Minería de Datos, en sistemas administrativos, para poder tener un mejor perspectiva y análisis del crecimiento de la empresa, en ventas, ganancias y poder realizar proyectadas de los mismos, también para ver el desempeño de los empleados y el rendimiento operacional del mismo. Los ejemplos que identifico podrían ser:

y el rendimiento operacional del mismo. Los ejemplos que identifico podrían ser: Inteligencia Artificial Página 8
y el rendimiento operacional del mismo. Los ejemplos que identifico podrían ser: Inteligencia Artificial Página 8

UMG

[APRENDIZAJE Y RAZONAMIENTO AUTOMÁ]

En un sistema en donde se manejen Instituciones del Estado y la información que maneje el estado, como sus contratos, facturación y demás, en la cual se generen reportes de los diferentes departamentos del país y así poder analizar el crecimiento de instituciones por aéreas.

En universidades, para el registro y control de los estudiantes, reportes de notas, documentos didácticos y demás para poder homologar la información para todos los estudiantes de cada centro educativo y con ello poder determinar el crecimiento y desarrollo del mismo, reporte de egresados por año y demás análisis para poder generar o no centros regionales.

En un control de inventarios de sucursales nacionales e internacionales, en la cual se maneja información a diario y en cantidad, y con ello poder desarrollar reportes, análisis, mediante técnicas para determinar oportunidades, amenazas y demás en una empresa y el crecimiento organizacional.

5)

Cuál es la diferencia entre Minería de Datos y Datawarehouse

Datawarehouse: Son la manera mas efectiva y tecnológicamente mas avanzadas para integrar, transformar y combinar los datos para combinar al usuario o a otros sistemas el análisis de la información. También es una colección de datos orientada a un dominio, integrada, no volátil, variante en el tiempo para ayudar a la toma de decisiones.

Minería de Datos: Conjunto de técnicas de análisis de datos que permiten, extraer patrones, tendencias y regularidades para describir y comprender mejor los datos; extraer patrones y tendencias para predecir comportamientos futuros y por ello debe ser semiautomático.

La diferencia radica en que la el datawarehouse, transforma y facilita el acceso a la información, mientras que la Minería de Datos Analiza los datos mediante técnicas.

información, mientras que la Minería de Datos Analiza los datos mediante técnicas. Inteligencia Artificial Página 9
información, mientras que la Minería de Datos Analiza los datos mediante técnicas. Inteligencia Artificial Página 9

UMG

[APRENDIZAJE Y RAZONAMIENTO AUTOMÁ]

CONCLUSION

El Aprendizaje Automático, crea programas de comportamiento general mediante datos no estructurados para la solución de problemas organizacionales; el Razonamiento Automático conseguir software que pueda permitir el razonamiento autónomo o casi autónomo, para dar soluciones optimas mediante conocimientos teóricos y filosóficos de los mismos; y, la Minería de Datos, sirve para realizar análisis de los datos que maneja una empresa mediante técnicas para poder presentarla.

REFERENCIAS

Aprendizaje Automáticomediante técnicas para poder presentarla. REFERENCIAS http://es.wikipedia.org/wiki/Aprendizaje_autom%C3%A1tico

Razonamiento Automáticohttp://www-2.dc.uba.ar/materias/aa/aa.html http://en.wikipedia.org/wiki/Automated_reasoning

http://www.cs.us.es/~jalonso/cursos/d-ra-04/temas/tema-1.pdf Inteligencia Artificial Página 10
http://www.cs.us.es/~jalonso/cursos/d-ra-04/temas/tema-1.pdf Inteligencia Artificial Página 10