IAC2017-PEREZ-6590

Vista previa del material en texto

28/03/2017 
Pérez, Ricardo Daniel. 6590. 
Inteligencia Artificial Conexionista
Aprendizaje Supervisado
 
 
Pérez Página 2 de 3
 
 
1) El aprendizaje automatizado es necesario cuando: 
 
 No existe un experto humano. 
 
Por ejemplo, cuando en un pueblo alejado de la ciudad y de todo de servicio de hospitalidad, 
se desea detectar, de acuerdo a ciertos parámetros, aquellos habitantes poseedores de 
diabetes. Es decir, un software que permita cargar los parámetros característicos del paciente 
y determine si es enfermo o no de diabetes, sin la necesidad de recurrir a la asistencia de un 
médico. 
 
 El problema a resolver cambia en el tiempo, es decir, depende del entorno. 
 
Por ejemplo, un juego de ajedrez que, de acuerdo a los movimientos del usuario, el software 
determine las mejores jugadas para derrotarlo. Las mejores jugadas o movimientos no serán 
las mismas para todos los usuarios, dependerá de los movimientos que realice cada uno, es 
decir dependerá del entorno. 
 
2) Ejemplos de aplicaciones del aprendizaje automatizado: 
 Predicción de desastres naturales. 
 Diagnósticos médicos. 
 Procesamiento del lenguaje natural. 
 
3) La hipótesis del aprendizaje inductivo es cualquier hipótesis encontrada para aproximar bien 
la función sobre un conjunto grande de ejemplos D, también aproximará bien la función objetivo 
para ejemplos no observados aún del conjunto U. Donde U representa un universo, D un conjunto 
de entrenamiento y , 	/	 ∈ 	⋀	 ∈ . 
 
4) Generalmente el espacio de hipótesis H puede llegar a ser lo suficientemente grande o tener una 
complejidad que haga imposible la búsqueda exhaustiva de la hipótesis. Entonces debemos 
encontrar una función óptima, introduciendo un conjunto de presunciones sobre la naturaleza de la 
función objetivo con el fin de reducir la búsqueda en el espacio de hipótesis. Éste conjunto de 
presunciones se conoce como sesgo inductivo. 
 
5) En función de las características de los datos de entrenamiento, se distinguen tres tipos de 
aprendizaje automatizado: 
a. Aprendizaje no supervisado. 
b. Aprendizaje supervisado. 
c. Aprendizaje semi supervisado. 
 
6) La diferencia básica entre Aprendizaje Supervisado y No Supervisado es el conocimiento o 
no de las respuestas (o salidas) adecuadas para los datos de entrenamiento. Mientras que en el 
aprendizaje supervisado se conocen las salidas correctas para los datos de entrenamiento, en el 
aprendizaje no supervisado no se conocen. De ahí surge otra diferencia, el aprendizaje supervisado 
se utiliza para predicciones mientras que el aprendizaje no supervisado para agrupamientos. 
 
 
Pérez Página 3 de 3
 
 
7) En la mayoría de los casos nos encontramos con más de una hipótesis con error empírico igual a 
cero, es por eso que se pretende que un programa de aprendizaje automatizado más que replicar la 
salida de los datos de entrenamiento sea capaz de generar salidas acertadas para ejemplos no 
observados aún, es decir que tenga buena capacidad de generalización. En otras palabras, la 
generalización no es otra cosa que la capacidad de un programa de aprendizaje automatizado 
generar salidas acertadas para casos no conocidos (fuera del conjunto de entrenamiento). 
 
8) En términos simples, el sub-ajuste (underfitting) es a aquella situación donde el programa de 
aprendizaje automatizado obtiene un mal rendimiento para los datos de entrenamiento y una mala 
generalización para otros datos. Mientras que el sobreajuste (overfitting) obtiene un buen 
rendimiento para los datos de entrenamiento, pero una mala generalización para otros datos. 
 
9) Para evitar el sobreajuste (overfitting) podemos extraer, del conjunto de entrenamiento D, un 
subconjunto de ejemplos que no se utilizará para entrenar el algoritmo y sobre el cual se determinará 
el nivel de error de cada hipótesis. La hipótesis óptima será aquella con menor error de generalización 
y por lo tanto con menor sobreajuste.