109454384 aprendizaje y razonamiento automatico y laboratorio 8 michels lopez

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]

Inteligencia Artificial Página 2

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



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.



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.

Aprendizaje no supervisado

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.

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.

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.

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.

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.



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



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:



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



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:



• 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.



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 Automático

http://es.wikipedia.org/wiki/Aprendizaje_autom%C3%A1tico

http://www-2.dc.uba.ar/materias/aa/aa.html


Razonamiento Automático

http://en.wikipedia.org/wiki/Automated_reasoning

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

http://es.wikipedia.org/wiki/Aprendizaje_autom%C3%A1tico



http://en.wikipedia.org/wiki/Automated_reasoning

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

109454384 aprendizaje y razonamiento automatico y laboratorio 8 michels lopez

Documents