Reconocimiento de Patrones

Datos, Informacin y
conocimiento

Datos, Informacin y Conocimiento

Sabidura
Crtica del entendimiento

Entendimiento
Entendiendo principios

Aprendizaje

Conocimiento
Entendiendo patrones

Informacin
Entendiendo relaciones

Datos
Percepcin por los sentidos

Qu es el conocimiento?

Es aquello que permite tomar decisiones.

Es aquello que responde a la pregunta de

cmo ...?

Es aquello que responde a la pregunta de

cundo tomar una decisin. . . . . . .?

Es la informacin til.

Es la experiencia adquirida.
3

Qu es el conocimiento?

El conocimiento est basado en la

experiencia y es personal

Conocimiento

Para tener el conocimiento es necesario tener

el contacto con el problema y saber resolver
problemas. No basta tener la informacin

Ejercicio
Si el conocimiento es una experiencia humana,
cmo podemos hacer para que una computadora
encuentre el conocimiento, lo categorice y luego lo
aplique para resolver problemas?

Datos, Informacin y Conocimiento

Sabidura
Crtica del entendimiento

Entendimiento
Entendiendo principios

Aprendizaje

Conocimiento
Buscando patrones

Informacin
Relaciones entre los datos

Datos
Captura por sensores

Reconocimiento de Patrones

Aprendizaje y Memoria

Aprendizaje Natural

Cambio relativamente estable en la conducta

del individuo.
Es un proceso unido a la experiencia.
El proceso fundamental del aprendizaje es la
imitacin.

Memoria

Aprendizaje Significativo
9

Aprendizaje Natural
Memoria
Generado por patrones de actividad.
Resonancia.

Ejemplo: Recordar un nmero telefnico

Aprendizaje Significativo

Nuevas conexiones y cambios fsicos y qumicos

en las neuronas.
Reforzamiento de conexiones.
Eliminacin de conexiones .
Ejemplo: Aprender a resolver problemas de
matemticas, Bailar, etc.
10

Aprendizaje Automtico

Desarrollo de tcnicas para que las

computadoras aprendan.
Crea
programas
que
generalizan
comportamientos a partir de informacin no
estructurada entregada como ejemplos.
Proceso de induccin del conocimiento.
Basado en el anlisis de datos.

11

Aprendizaje Automtico

Aplicaciones donde
mquinas aprendan.

se

requiere

que

las

Ejemplos:
Deteccin de fraude en operaciones on-line.
Reconocimiento de transacciones sospechosas.
Identificacin de objetos, seguimiento de personas y
vehculos.
Diagnstico automtico: enfermedades, fallas
mecnicas.
Evaluacin automtica: clientes on-line.
Bsqueda de patrones de compra en clientes.

12

Reconocimiento de Patrones
Unidad 1. Introduccin

13

Cmo Reconocer?
El proceso de reconocer cosas es algo que hacemos
de forma inconsciente.

Sonido

Amigo

Comida
Depredador

Imagen

Sabor
14

Qu es Reconocer?
Esta habilidad natural que tiene prcticamente todo
ser vivo nos lleva a varias preguntas.
cmo y por qu funciona
nuestro cerebro?

?
cmo identificamos
cosas?

cmo podemos
abstraer conceptos?

qu proceso hace que nuestra mente

resuelva fcilmente este tipo de problemas?

15

Qu es Reconocimiento de
Patrones?
Estas preguntas son importantes para varias ramas
de la ciencia.

Biologa
Neurologa
Psicologa
Ciencias de la
computacin

La rama interdisciplinaria
de las ciencias de la
computacin
que
se
encarga de resolver este
tipo de problemas se
denomina Reconocimiento
de Patrones, el cual
incluye
entre
sus
principales tareas a la
clasificacin de patrones.
16

Reconocimiento de Patrones
1.1. Conceptos bsicos

17

Patrn
Es una entidad a la que se le puede dar un nombre y
que est representada por un conjunto de propiedades
medidas u observaciones y las relaciones entre ellas
(vector de caractersticas).
Es la forma de algn objeto, son tiles en
computacin puesto que proveen una base para el
reconocimiento de patrones o comparacin entre
fenmenos.

Objeto (individuo, fenmeno o ente).

18

Objeto
Es un concepto por el cual se representa a los
elementos sujetos a estudio.
Los objetos puedes ser:

Concretos
Abstractos
Objeto (individuo, fenmeno o ente).

19

Patrn

Objeto Patrn
Objeto ya
clasificado en
alguna clase

20

Ejemplos de Objetos
Un paciente

Una zona geolgica

Un equipo elctrico

Un conjunto de personas
Una imagen satelital

Una seal acstica

21

Clase
Clase (grupo):

Es un conjunto de objetos

22

Ejemplos de Clases
Pacientes con bronquitis
Zonas de no perspectividad de petrleo
Electrocardiogramas anormales
Imgenes de hgados cancerosos
23

Atributos
Atributos (rasgos, variables, caractersticas o parmetros):
Cualquier medida o cualidad extrable. Propiedad o factor.

Tipos de Atributos
o Cuantitativos

Numricos

o Cualitativos

Simblicos

o Binarios

Presencia-ausencia
24

Atributos
Cuantitativos: Representan una variable que toma
valores numricos que puede ser operados (+,*,-,/) y tienen
un orden.
Ejemplo: La temperatura

Cualitativos: Variables que expresan cualidades sobre

los objetos. Slo admiten comparaciones entre sus valores.
Ejemplo: El color del pelo

Binarios: Variables cualitativas de tipo

ausencia. Un valor es la negacin del otro.

presencia-

Ejemplo: El paciente es fumador o no

25

Ejemplos de Atributos
Sexo
Edad
Altura
Peso
Raza
Temperatura
* Depende del contexto

Campo magntico

Tipos de suelo
Edad de la roca

Presin sangunea
Concentracin de
elementos radiactivos
26

Vector de caractersticas
Es la composicin de varias caractersticas en un vector.
Define un punto en un espacio n-dimensional

27

Ejercicio
Observe cualquier objeto: Un Automvil

Y piense en todas las posibles caractersticas que lo

hacen ser un auto, tal vez tenga un color de pintura,
que usa algn tipo de combustible, que usa
neumticos, que tiene transmisin automtica o
estndar, que tiene un cierto rango de dimensiones, y
otras muchas caractersticas.
28

Reconocimiento de patrones
Es la rama de la computacin que estudia las
tcnicas que permiten a una computadora
identificar los patrones de estructuras o de
configuraciones.
Es la caracterizacin de datos de entrada en
clases identificadas, por medio de la extraccin
de caractersticas significativas o atributos de
los datos extrados.
29

Reconocimiento de patrones
El punto esencial del reconocimiento de patrones
es la clasificacin.
Entre las aplicaciones del reconocimiento de
patrones son: El reconocimiento de voz, la clasificacin
de documentos (por ejemplo spam/no spam), el
reconocimiento de escritura, parmetros para reconocer
la cara de una persona, agrupacin de palabras para
hacer sentido en una frase, buscar la llave para abrir
una chapa y muchas ms.
30

Reconocimiento de Patrones
1.2. Aspectos Generales del
Anlisis Exploratorio de
Datos

31

Anlisis Exploratorio de Datos

Problema
Matriz Observacional
1
2
.
.
.

Observacin

1 2 m
X11 X12 X1m
X21 X22 X2m
.
.
.

Qu es lo interesante?
Cul es la estructura interna del fenmeno?
Qu es lo esencial y redundante?
Qu hiptesis pueden ser obtenidas y cules
son sustentadas por los datos?

.
.
.

Qu conocimiento est
contenido en los datos?

Xn1 Xn2 Xnm

n: Nmero de objetos estudiados.

m: Nmero de variables observados.
Xij: Valor del objetos i para la variable j.

La informacin puede ser completamente heterognea,

dada la existencia de variables de naturaleza muy
diversa y la presencia de informacin incompleta.

32

Anlisis Exploratorio de Datos

Anlisis Exploratorio de Datos

Qu conocimiento est contenido en los datos?

Todos los individuos estudiados son de un mismo

tipo?
Cul es la configuracin de clases (grupos)?
Cules son las variables ms relevantes?
Cules son las relaciones existentes entre ellas?
Cules son los principales factores que caracterizan
el problema?
Cules hiptesis estn sustentadas por los datos?
Es posible reducir la dimensionalidad del problema?
33

Problemas observacionales

observaciones

Hiptesis 1

dato
s

Anlisis
exploratorio

Hiptesis 2
.
.
.
Hiptesis R

34

Caractersticas de los
problemas observacionales

Se
resuelven
mediante
anlisis
exploratorio de datos.
Los datos se obtienen directamente de la
observacin.
Se buscan las hiptesis que sustentan
los datos.
No existe control sobre las variables.
35

hiptesis

Problemas experimentales
Deduccin de
hechos
observacionales

Diseo de
experimento

dato
s
Test (Anlisis)
Confirmatorio

Hiptesis
Valida

Hiptesis
Rechazada
36

Caractersticas de los
problemas experimentales

Se
resuelven
mediante
anlisis
confirmatorio de datos.
Se disean experimentos para obtener
los datos.
Se tienen hiptesis de partida.
Es posible controlar las variables.

37

Anlisis exploratorio de datos

Problemas de carcter observacional
donde se necesita extraer el conocimiento
contenido
en
bases
de
datos
generalmente heterogneas.

Reconocimiento de Patrones
Bsqueda de factores
Seleccin de variables
Bsqueda de parmetros relevantes
Generacin de hiptesis

38

Anlisis exploratorio de datos

Se destacan problemas de:

Clasificacin
Diagnstico y pronstico basados en
tipologa
Clculo de la importancia diferenciante e
informacional de las variables
Bsqueda de causas y efectos del
comportamiento de los parmetros
Reduccin de la dimensionalidad
39

Problema Observacional
M=

1
2

1 2 m
X11 X12 X1m
X21 X22 X2m

Xn1 Xn2 Xnm

.
.
.

.
.
.

n: Nmero de individuos (objetos).

m: Nmero de variables.
Xij: Valor del objetos i para la variable j.

.
.
.

M - Matriz Observacional
Anlisis exploratorio de datos
Planteamiento
del Problema
Procesamiento
Variables

Procesamiento
de Individuos
Anlisis
Combinatorio

40

Objetivos de los mtodos de RP

Exploracin de datos.
Bsqueda de tipologa entre objetos o
variables.
Ajuste de modelos.
Prediccin, diagnstico y pronstico
basados en configuracin de grupos.
Generacin y prueba de hiptesis.
Reduccin de dimensionalidad.
Bsqueda de redundancias.
41

Reconocimiento de Patrones
1.3. Familias de problemas
de Reconocimiento de
Patrones

42

Familias de problemas de
Reconocimiento de Patrones (RP)
Los problemas de RP son todos aquellos
relacionados con la clasificacin de
objetos y fenmenos; y con la
determinacin de los factores que
inciden en los mismos.

43

Familias de problemas de
Reconocimiento de Patrones (RP)
Las familias de dichos problemas son:
A) Clasificacin no supervisada, clasificacin
sin aprendizaje, agrupamiento o clustering.
B) Clasificacin supervisada o clasificacin con
aprendizaje.
C) Clasificacin con aprendizaje parcial.
D) Seleccin de Variables.
44

A) Clasificacin no supervisada
Se tiene un universo de objetos, pero no se
conoce cmo se agrupan.
El problema radica en encontrar como se
estructura el universo de objetos mencionados
anteriormente, es decir, asignar el patrn a una
clase todava no definida.
45

B) Clasificacin supervisada
Se conoce un universo de objetos que se
agrupan en un nmero de clases dada, y se
tiene una muestra de objetos de cada clase.
El problema consiste en dado un nuevo objeto,
poder establecer las relaciones con cada una
de dichas clases, o sea, identificar el patrn
como miembro de una clase ya definida.
46

C) Clasificacin con aprendizaje

parcial
Es anlogo al anterior, excepto que hay una
clase de objetos de la cual no se tiene
muestra.
Y el problema original sigue siendo el mismo, es
decir, dado un nuevo objeto, relacionarlo con
los ya clasificados.

47

D) Seleccin de variables
Se utiliza para reducir el nmero de rasgos con
los cuales se deben describir los objetos en
modo eficiente.
Tambin se utiliza para encontrar los rasgos
que inciden en el problema de manera
determinante.

48

Reconocimiento de Patrones
1.4. Aspectos generales que
contempla cualquier
Mtodo de RP

49

Aspectos generales que contempla

cualquier Mtodo de RP

Definicin de una medida cuantitativa de la

semejanza entre dos objetos cualesquiera.

Establecimiento de un conjunto de reglas

que permitan, mediante la utilizacin de la
semejanza de los entes, la construccin de
una configuracin de grupos.
50

Aspectos generales que contempla

cualquier Mtodo de RP
Transformacin
Matriz Observacional

nxm

Matriz de Semejanzas

1
2

1 2 m
X11 X12 X1m
X21 X22 X2m

1
2

1 2 m
S11 S12 S1m
S21 S22 S2m

Xn1 Xn2 Xnm

Sn1 Sn2 Snm

.
.
.

.
.
.

.
.
.

.
.
.

.
.
.

.
.
.

nxn

Diagonal simtrica
Sij representa la
semejanza entre el
individuo i y el individuo j
51

Ejemplo
Personas
1
2
3
4
5
6
7

Altura (m)

Peso (kg)

52

Reconocimiento de Patrones
1.5. Diferentes enfoques en
Reconocimiento de
Patrones

53

Diferentes enfoques en
Reconocimiento de Patrones
Enfoque Estadstico.
Enfoque Sintctico - Estructural.

Enfoque Lgico - Combinatorio.

Tcnicas en otros enfoques.

Redes Neuronales.
Algoritmos Genticos.
54

Enfoque Estadstico
Es histricamente el primer enfoque que
existi
y
probablemente
el
ms
desarrollado.
Utiliza el anlisis Discriminante, la Teora
Bayesiana de la Decisin, la Teora de las
Probabilidades
y
el
anlisis
de
agrupamientos.
55

Enfoque Estadstico
Caractersticas: Basado en descripciones
de objetos en trminos de mediciones;
presupuestos sobre las variables, como
estar definidas en un espacio mtrico o
normado; es muy frecuente el uso de
probabilidades.
Aplicaciones: Imgenes y seales.
56

Enfoque Sintctico-Estructural
Se basa en la Teora de Autmatas y
Lenguajes Formales para hacer la clasificacin.
La idea central consiste en suponer que los
objetos se pueden descomponer (fsicamente) en
elementos primarios, como si fueran letras de
ciertos alfabetos, y a partir de aqu, hallar las
reglas gramaticales que permitan formar la seal.
57

Enfoque Sintctico-Estructural
Caractersticas:
Se
basa
en
las
descripciones de los objetos en trminos de
sus partes constitutivas; se apoya en la
Teora de Lenguajes Formales y Autmatas;
se asume que la estructura de los objetos a
ser reconocida es cuantificable.
Aplicaciones: Imgenes y seales.
58

Enfoque Lgico-Combinatorio
Tiene como principal caracterstica el
poder trabajar con variables de todo tipo,
aunque sus algoritmos suelen ser de
complejidad alta.
Utiliza la Lgica Matemtica, la Teora
Clsica y Difusa de conjuntos, la Teora
Combinatoria, la Teora de Testores y la
Matemtica Discreta en general.
59

Enfoque Lgico-Combinatorio
Caractersticas: Se considera que los
objetos se describen por medio de una
combinacin de rasgos numricos y no
numricos (datos mezclados). La forma de
manejar los objetos es mas flexible que en
los enfoques tradicionales.
Aplicaciones: Ciencias poco formalizadas.
60

Enfoque Neuronal
Se basa en modelos matemticos de
las neuronas biolgicas, o dicho de otra
forma, trata de emular la forma en cmo
interactan nuestras neuronas.

61

Reconocimiento de Patrones
1.6. Tcnicas
Reconocimiento de Patrones

62

Reconocimiento de Patrones
El reconocimiento de patrones es una tcnica
de la Inteligencia Artificial (IA) y es empleado por
tecnologas como el procesamiento del lenguaje
natural, la visin computacional, etc.

El reconocimiento de patrones se apoya de

otras tcnicas de la (IA) como:
Lgica Difusa

Agentes

Minera de Datos

Robtica

Redes Neuronales

63

Reconocimiento de Patrones
El reconocimiento de patrones adems se
apoya en tcnicas de otras ciencias como lo
son:
Estadstica
Geometra
Teora de Lenguajes
Lgica Simblica
Entre otras
64