aprendizaje

Aprendizaje en InteligenciaArtificial

Alberto Pesquera Martn

1. Introduccin

Mquina que Aprende: Sistema Organizado que transforma un mensaje de Entrada en una Salida, deacuerdo con un Principio de Transformacin. Si tal Principio est sujeto a cierto Criterio de validez, y elMtodo de Transformacin se ajusta a fin de que tienda a mejorar el funcionamiento; se dice que elSistema Aprende.Aprendizaje Animal: Cuando los Organismos se Ajustan o Adaptan al Conjunto de Estmulos queprovienen del Entorno; Reciben la Informacin y la Almacena con el fin de Reutilizarla en Situaciones oPatrones de Estmulos Semejantes.

La Organizacin (o Reorganizacin) de la propia Conducta (ante una Situacin o un Patrn deEstmulos) como Resultado de una Experiencia Individual.

Todos los Estmulos a los que un Individuo responde en un cierto Contexto pueden No ser Efectivos paraProducir una Conducta de Aprendizaje en otros Contexto.Tipos de Aprendizaje Habituacin. Una Respuesta que decae ante un Conjunto de Estmulos Repetidos (o Continuos) NoAsociados a Ningn Tipo de Recompensa o Refuerzo. Implica Tendencia a Borrar todo Tipo deRespuesta ante un Estmulo que No tiene Importancia para la Supervivencia. Sirve como Filtro a unConjunto de Estmulos No Relevantes.

Asociativo. Un Evento permite Predecir, con cierta confianza, la Ocurrencia (o no) de otro. UnAnimal que Conoce estas Relaciones pueden sacar provecho Anticipndose a esos Eventos yComportarse apropiadamente.

Condicionamiento. Un Animal adquiere la Capacidad de Responder a un Estmulo Determinadocon la misma Accin Refleja con que Responder a otro Estmulo Condicionante (Refuerzo oRecompensa) cuando ambos Estmulos se presentan Concurrentemente (o sobre puestos en unaSecuencia) un cierto nmero de veces.

Prueba y Error. Los Animales permanecen siempre Activos y su Atencin se fija Primero aqu yluego all probando todas las Posibilidades inimaginables hasta que de manera mas o menosAccidental resuelve con xito la Tarea y Obtiene Recompensa. Requiere la Existencia del Refuerzo(o Recompensa) para animar la Seleccin de la Respuesta Deseada.

Latente. Tiene lugar en Ausencia de Recompensa. Se aprende algo que permanece Latente hastaque es Necesario.

1

Aprendizaje en Inteligencia Artificial

Imitacin. Implica Copiar una Conducta, Accin o Expresin Nueva o que resulta Imprescindible deAprender si no es Copiada de otro Individuo.

Impronta. La Manera en que un Rango Especfico de Estmulos es Capaz de Elicitar una Respuestapudiendo ser Limitado y Refinado mediante la Experiencia. Su Duracin se Restringe a PeriodosSensitivos.

1.1. AnlisisAprendizaje Psicologa Cognitiva

Inteligencia Artificial

Dificultad Programas Incapaces de Adaptarse a los cambios del Entorno

Corregir sus propios Errores

Sistemas de Aprendizaje

Nivel de Conocimiento: Objetivo, Reglas y Otra fuente de Conocimiento (Adquirido o Aprendido)Nivel de Algoritmo: Secuencia de Decisiones y AccionesNivel Simbolico: Procesos de Manipulacin de los Simbolos que representan los Elementos delDominio

1.2. Historia

1.2.1. Inicial (1955 - 1965)Modelo al Ser Humano. Crear mecanismos generales capaces de Aprender sin apenas conocimiento.

Aprendizaje Conexionista. Establecer Modelos Computacionales de Redes de Elementos deProcesamiento Analgico No Lineal.

1.2.2. Intermedia (1962 - 1976)

Sistemas tuvieran una Capacidad apreciable de "Adquirir Conocimiento", habia que dotarles de CiertoConocimiento sobre el Dominio.

Tcnicas Simblicas sobre Adquisicin de Conceptos

1.2.3. Asentamiento (1976 - 1988)

Desarrollo y Divulgacin de las Principales Tnicas de Modificacin de Conceptos

2


1.2.4. Actual (1988 - ...)Aprendizaje Computacional.

Aprendizaje Multiestrategia. Propuestas Hibridas: Combinar Tcnicas Simbolicas y Subsimbolicas(Redes Neuronales)

1.3. ConceptoAprendizaje. Incrementar el Conocimiento adquirido, Realizar Tareas con mayor Eficiencia oCorreccin, o llevar a cabo Nuevas Tareas.

Adquisicin de Conocimiento. Actividad de Dilogo en la que un "Agente" es Informado de algnHecho o Situacin, o realiza Preguntas que originan una Reestructuracin de Conocimiento disponible.

Adquisicin de Soltura.Mejora Gradual del Comportamiento mediante la Repeticin incosciente dealguna actuacin.

Capacidad de Memorizar. Basado en Conservar las Demostraciones con el Fn de poder utilizarlas enel futuro.

Requiere que se Establezcan Mecanismos en la Memoria de los sistemas para Almacenar NuevosElementos en el contexto adecuado.

Durante la Fase de Comprensin estamos constantemente Buscando Recuerdos relacionados lo masgenerales posibles.

Estudio de Diferentes Formas de Evocacin en Funcin de la Situacin Real.

Relacin con el Entorno (Medio). La Situacin Ideal en la que el Sistema de Apredizaje (SA) es unAgente Autonomo capaz de Adquierir todo el conocimoiento necesario a partir de su relacin con elMedio.

El Sistema parte de un Conocimiento Inicial bastante evolucionado que le permite desenvolverse en suEntorno.

Velocidad con la que Ocurren los Cambios. Determinar si el Sistema de Aprendizaje es capaz deCapturar, en el tiempo disponible, las Regularidades Observables en el Dominio.Tareas1. Clasificacin y Prediccin

2. Comprensin del Lenguaje Natural

3. Configuracin y Diseo

4. Planificacin y Gestin de Recursos

5. Control y Mejora de Rendimiento

Actualizacin y Recuperacin Eficiente del Conocimiento Adquirido. Razonamiento Basado enCasos

3


Representacin del Conocimiento. Elige un Formalismo de Representacin Determinado y stedetermina las Inferencias realizables y Capacidades.

La Mejora del comportamiento se logra mediante una Actualizacin de las Estructuras.

Percibir las Limitaciones de los mecanismos internos; mejora de Rendimiento en los SistemasMultiestrategia.

1.4. Objetivos

Mejorar la Correccin (Exactitud) de la Solucin

Realizar una Inferencia Inductiva

Objetivo es la Sintesis (Definicin) de una Estructura nueva

Reducir el Tiempo de Clculo de la Solucin

Realizar una Inferencia Deductiva

Objetivo es el Anlisis (explicacin) de una observacin

2. Tarea de Aprendizaje

Identificar correctamente un Elemento Desconocido D dada una Informacin Parcial I acerca de D.

SidebarInferencia P U CB => C

P (Premisa): Perteneciente al conjunto de axiomas, postulados y definiciones que definanuna Teora del DominioCB (Conocimiento Base): Engloba todo lo conocidoC (Consecuente: Resultado

Inductiva: Establecer una Hipotesis P que permita determinar el papel de la Informacin dada C conrespecto a la Estructura Lgica que refleja el conocimiento disponible CB. Se requiere ademas que laHipotesis generada permita predecir el carcter de la Informacin semejante.Deductiva: Particularizar la estructura que refleja el conocimiento disponible para as poder justificar laInformacin surgida. Requiere que se extraigan consecuencias de dicho proceso, de forma que se hayaque repetirlo para justificar la informacin semejante.

4


2.1. Encontrar D

Concepto Desconocido - INDUCTIVO BASADO EN EJEMPLOS

Descripcin Operacional del Concepto Conocido - DEDUCTIVO

Solucin de un Problema a partir de una Solucin de un Caso parecido - ANALOGA

Hiptesis que permita justificar una Ocurrencia - ABDUCTIVA

2.2. Dada una Informacin Parcial I de DConjunto de Ejemplos (INSTANCIAS) Positivas (Casos Concretos de C) - INDUCTIVO y DEDUCTIVO

Negativas (Casos Concretos No correspondientes a C) - INDUCTIVO BASADO EN EJEMPLOS

Fuentes de Conocimiento Alternativas Conocimiento BsicoIndependiente del Dominio [Bias] - INDUCTIVO BASADO EN EJEMPLOS

Dependiente del Dominio [Teora Formal] - DEDUCTIVO

[Reglas de Inferencia] - INDUCTIVO y DEDUCTIVO

[Relaciones Causa -> Efecto] Soluciones Previas - ANALOGA

Casos Previos - BASADO EN CASOS

Supuestos - ABDUCCIN

Combinaciones de los anteriores - MULTIESTRATEGIA

3. Aprendizaje Inductivo

Metodos de Aprendizaje Emprico cuya generalizacin se fundamenta en Aplicar ConocimientoIndependiente del Dominio de Aplicacin.

Creacin de Sistemas Autnomos con muy poco Conocimiento Inicial que fueran capaces de Aprendersobre una gran Diversidad de Cuestiones.

5


3.1. Objetivo

Establecer los Rasgos Comunes de una Serie de Ejemplos de un Concepto Desconocido, de tal formaque la Descripcin obtenida no abarque el resto de los ejemplos que no sean Casos Concretos de dichoConcepto.

La Presencia de un Ejemplo Negativo dentro del Concepto es debida a la Presencia de Ruido en elConjunto de Datos Observados.Suposiciones Adicionales1. Los Ejemplos pueden ser Suministrados por una Fuente Externa (Aprendizaje Supervisado), oproporcionados por el propio Aprendiz de Conceptos (Aprendizajes No Supervisado)

2. Las Instancias pueden ser Consideradas por la Estrategia de una en una (Aprendizaje Incremental), otodas a la vez (Aprendizaje No Incremental)

3.2. Tarea

Encontrar una Hiptesis h que:

Describa los Ejemplos Positivos

Excluya los Ejemplos Negativos

Tenga Expectativas de Clasificar correctamente Futuros ejemplos

3.3. Descripcin

Ejemplos presentados mediante pares (Xi, f(Xi)), siendo f(Xi) el valor de la clase. La Tarea esEncontrar la Deficinicin de la Funcin f que debe reflejar un concepto acorde con dichos ejemplos.

Carcter Incierto

Ejemplos de Entrenamiento: Se Divide el Conjunto de Instancias de dos Subconjuntos. (2/3 -> Aprenderel Modelo)Ejemplos de Prueba: Comprobar el Porcentaje de Aciertos del Modelo de Clasificacin Aprendido. (1/3del resto)

3.4. Ruido

Errores en la Determinacin de los Valores del Atributo; u Omisin de Atributos.

6


3.5. Procesamiento de Instancias

Simultaneamente: Aplicar Anlisis Estadsticos que permiten aislar posibles ErroresSecuencialmente: Las ms parecidas del proceso de Aprendizaje Humano

3.6. Bias: Criterios de Seleccin de Hiptesis

Encontrar una Estructura que "Clasifique bien" y que "Realice Predicciones Correctas".

Bias. Conjunto de todos los Factores que permiten Realizar y Seleccionar las Hipsis ms adecuadas.

Definiendo un Conjunto de Resticciones sobre el Espacio de Hiptesis H

Demasiado Restringido. Invalida las Hiptesis Disyuntivas

Ruido. Ejemplos Mal Clasificados

Definiendo un Criterio de Prefencia entre las distintas Hiptesis h eH

Se define un valor para cada hiptesis

Ordenamiento en el espacio de hiptesis

Se prefieren las hiptesis mas generales sobre las mas concretas

Tendencia a elegir las hiptesis que mejor se ajustan a la clasificacin

Ruido. Ejemplos mal clasificados. Casos Aislados

3.7. Espacio de Versiones

Marco Unificado para el Aprendizaje de Conceptos. El Proceso de Aprendizaje de un Concepto tienelugar en un Espacio H definido entre los conjuntos de Hiptesis G (elementos ms Generales) y S(elementos ms Especificos).

El Espacio de Versiones permite mantener toda la informacin til extraida de un Conjunto deEntrenamiento sin tener que guardar ningn ejemplo.Definicin1. Criterio de Consistencia

2. Criterios para Escoger la Formula ms Especifica (INF) y la ms General (SUP) entre lasConsistentes

3. Definicin de Generalizacin

4. Conjunto de Ejemplos Positivos y Negativos

Dado el Conjunto de Entrenamiento (I) y una Teoria (T), si se emplean diferentes Criterios deConsistencia, se pueden obtener (Aprender) diferentes Versiones del Concepto G.

7


3.8. rboles de Decisin

El Algoritmo de Aprendizaje es esencialmente un Proceso de Bsqueda de un Modelo de Clasificacinlo mas Sencillo y Generales posibles.

rbol de Decisin. Representacin posible de los Procesos de Decisin involucradas a Tareas Inductivasde Clasificacin.

Los Atributos son utilizados para Crear Particiones de Conjuntos Ejemplos

Los Nodos del bol corresponden a los Nombres o Identificadores de los Atributos

Las Ramas de un Nodo representan los posibles valores del Atributo Asociado al Nodo

Las Hojas son Conjuntos ya clasificados de Ejemplos

La Estrategia consiste en Seleccionar aquel atributo potencialmente ms til para cada clasificacin

1. Coste. Longitud del Camino o Coste de cada Consulta

2. Bondad. Porcentaje de Acierto por Clases

Cada Elemento o Instancia toma forma de una lista de Pares (Atributo, Valor), constituyendo unaDescripcin Conjuntiva. Cada Instancia va acompaada de la clase a la que pertenece.

El Objetivo es construir un bol de Decisin que explique todas las Instancias de la manera mscompacta.

Camino de Discriminacin. Va de la Raz a dicho Nodo para los Atributos involucrados.

Se propone la Binarizacin de los Atributos (0, 1) = (No, Si); independizando el Proceso de Nmero devalores de un Atributo. Normalizar la Ganancia.ALGORITMO ID3 (lista-ejemplos, lista-atributos)1. Si lista-ejemplos est vacia entonces "Regresar", sino seguir

2. Si todos los ejemplos en lista-ejemplos son + entonces devolver + sino seguir

3. Si todos los ejemplos en lista-ejemplos son - entonces devolver - sino seguir

4. Si lista-ejemplos est vacia entonces devolver Error sino

i. Llamar mejor al elemento a de lista-atributos que minimice merito (a)

ii. Iniciar un rbol cuya Raz sea mejor

iii. Para cada valor de Vi de mejor

Incluir en ejemplos-restantes los elementos de lista-ejemplos que tengan el valorVi del atributo mejor

8


Dejar en atributos-restantes todos los elementos de lista-atributos exceptomejor

Devolver el valor de: ID3 (ejemplos-restantes, atributos-restantes)

3.9. Paradigmas Derivativos

Agrupamiento de Conceptos

Agrupando convenientemente los Objetos y Estableciendo una Descripcin de dichos Grupos.Establecer los Bias (Criterios de Seleccin de Hiptesis) adecuados para generar conjuntos lo mastiles posibles.

Aprendizaje por Descubrimiento

Objetivo Inicial es realizar Descubrimientos, Establecer Heursticas que permiten obtener LeyesVlidas en el Contexto seleccionado.

Redes Neuronales

Modelo Biolgico de Funcionamiento del Sistema Nervioso. Necesidad de realizar unaCodificacin Arbitraria de las Entradas y Salidas, y la Inaccesibilidad al Conocimiento DistribuidoImplcito en la Red.

Paradigma Gentico

Las Mutaciones Genticas sufridas en los Procesos de Reproduccin Biolgica y los Principios deSeleccin Natural de Darwin. Se introducen cambios y Recombinaciones de los Conceptos y seconfrontan con una Funcin Objetivo, que Decide cuales son Aceptados en un Proceso de"Supervivencia".

3.10. Agrupacin Conceptual

Intenta Introducir la mayor cantidad de Conocimiento sobre el Contexto en el que se quiera Realizar elAprendizaje que puede ser mas til.

Parte de la Constatacin sobre el Contexto. Las Funciones a que dan lugar todas estas ideas: los dosobjetos a Comparar (f(A,B)), un Entorno (E), un Conjunto de Conceptos (C)

MODELOS

CLUSTER: Creacin de Categorias descritas en Base a propiedades suficientes y necesarias utilizandouna Funcin a Optimizar sobre las Descripciones.WITT: Funciones tomadas de la Teora de la Informacin favoreciendo las Clases con descripcionesmenos Rigidas, ms acorde con las tendencias de la Psicologa Cognitiva incluyendo operadores quepermiten modificar Dinamicamente las Clases Obtenidas.

9


AUTOCLASS: Aplicacin del Teorema de Bayes y las Funciones de Distribucin que presenta losAtributos que describen los Datos.

3.11. Formacin de Conceptos

Obtener una Clasificacin de un Conjunto de Observaciones y una Caracterizacin de las Clasesobtenidas que permiten Identificar los diferentes Grupos (Construccin de una Jerarqua que permitarelacionar los Conceptos).

Planteamiento del Aprendizaje como una Tarea Incremental. Las Modificaciones que son necesarias enla Estructura Jerarquica se guian a travs de funciones que optimizan ciertos criterios sobre losaprendido. Se realiza una Bsqueda en un Espacio de Jerarquias con un Mtodo de Ascenso.

3.12. COBWEB

Basado en las Ideas de la Psicologa Cognitiva acerca del Nivel Bsico de Categorizacin. Se prefiere unNivel de Generalizacin respecto a otros.

Utilidad de la Categora: Medida adoptada por COBWEB para guiar el Proceso de Aprendizaje;dando mayor valor a las clases que presentan un alta similaridad entre sus Miembros y una bajasimilaridad con el resto de las Clases. Manteniendo un Balance entre Predecibilidad y Previsibilidad.Predecibilidad: Probabilidad de que una Observacin pertenezca a una clase dado el valor de unAtributo. Exclusivos de una Clase y por lo tanto Diferenciadores. Maximiza la diferencia entre Clases.Previsibilidad: Probabilidad de que una observacin tenga un valor en un Atributo dado que pertenecea cierta clase. Comparten muchos miembros de una clase. Maximiza la Similaridad entre los Miembrosde una Clase.

La Representacin del Conocimiento utilizada es la Tpica de atributo-valor, slo que no se admitanms que Atributos Categricos.

El Algortimo de COBWEB va incluyendo Instancias a la Jerarqua Descendiendo a travs del rbolguindose por la Medida de Utilidad de Categora para decidir el Descendiente por el que ha deContinuar o el Operador que debe aplicar el rbol para Incorporar nuevo Conocimiento: Incorporar unaClase, Crear una Nueva Clase, Unir dos Clases existentes, Dividir una Clase a sus Descendientes.ALGORITMO1. Actualizar las Probabilidades del Nodo en Curso segn los Valores de la Observacin

2. Si el Nodo es Terminal, el Resultado es Incorporar el Nodo Modificado, Finalizando el Algoritmo

3. Si el Nodo es No Terminal, se Evalan las siguientes posibilidades segn la Funcin CU, se escoge lamejor y se llama recursivamente a la funcin con el Nodo en el que se haya decidido incorporar laobservacin:

10


Incorporar una Clase. Se Clasifica la Observacin en cada Descendiente de Nodo en curso y seIdentifica el que Maximice la Funcin CU. Ese sera el Nodo en el que se incorporara laObservacin.

Crear una Nueva Clase. Se Calcula la Funcin CU aadiendo una Nueva Clase que contenganicamente la Observacin.

Unir Dos Clases existentes. Se Une el Mejor par de Clases y se Incorpora la Observacin a estaClase. Se Escogera esta Opcin si se Mejora la Funcin CU del Nodo en Curso.

Dividir una Clase en sus Descendientes. Se Particiona la Mejor Clase y se Aade susDescendientes, Calculando el Resultado de la funcin CU al aadir la observacin a cada una delas Clases Incorporadas, Dejandola en la Mejor.

Los Principales Avances que incorpora COBWEB en su Metodologa es la utilizacin de unaDescripcin Probabilstica de las Clases, Fundamentar la Creacin de su Jerarqua en una Medida queest orientada hacia la Bsqueda del Nivel Bsico de Categorizacin y Define los cuatro Operadoresnecesarios para la Creacin de la Jerarqua.

4. Aprendizaje Abductivo (Induccin Basada en el Conocimiento delDominio)

Forma de Generalizacin Inductiva Basada en la Utilizacin del Conocimiento del Dominio.

Los Procesos de Razonamiento Abductivos tienen como Principal Objetivo completar los procesosoriginados por Teoras Incompletas mediante el establecimiento de suposiciones vlidas.

Dada una Conclusin conocida se proponen Hiptesis que la expliquen.

5. Aprendizaje Deductivo (Basado en la Explicacin)

Aprender Conceptos Conocidos

5.1. Objetivo

Lograr que una Reduccin del tiempo requerido para utilizar el Conocimiento Disponible. El Sistema NoAprende Nuevos Conceptos.

El Conocimiento Aprendido se aade al Conocimiento Inicial en forma Disyuntiva. Para los Casos enque pueda aplicarse el Conocimiento Aprendido, ste ser el utilizado, pero el resto de las situaciones seaplicar el Conocimiento de Partida.

11


Dos Clases de Tareas Proceso de Bsqueda. En Espacio de Estados

Problemas de Planificacin

Mejorar la Eficiencia del Sistema

El Aprendizaje tiene lugar una vez obtenido una Solucin del Problema (Secuencia de Estados y deOperadores aplicados a stos de forma que el ltimo sea un Estado Meta)

El Aprendizaje consiste en crear un "MacroOperador": Un Operador que reuna en una sola accintodo el Proceso realizado en una Secuencia

Aprendizaje de Conocimiento de Control. Tres enfoques diferentes

1. Funciones de Evaluacin

2. Valores Numericos Asociados a cada Operador

3. Reglas que describen Condiciones de Aplicabilidad disponibles (Creacin de "Metareglas")

5.2. TareaEncontrar una Definicin "Operacional" del Concepto Objetivo (C) o Meta Definicin Inicial de C

Ejemplo (E) de C

Conocimiento Base

Conjunto de Reglas que permiten "probar" que E es un Ejemplo de C - TEORA DEL DOMINIO(TD)

Cualquier otra Fuente de Conocimiento Relevante del Dominio

Especificacin de las Condiciones que deben cumplir los Conceptos Aprendidos - CRITERIO DEOPERACIONALIDAD (CO)

5.3. Descripcin

Teora del Dominio (TD): Conjunto de Reglas que permiten probar que E es una Instancia de CConcepto Objetivo (C): Probar que los Ejemplos presentados son realmente Instancias de dichoConcepto, para ello se utilizan las reglas TD. De las Pruebas se extraen Nuevas Descripciones msGenerales que los Ejemplos, ms Especificas que C y que cumplan el Criterio de Operacionalidad (TD).Si analizamos el Objetivo C como la definicin de un Conjunto, los conceptos aprendidos en esteaprendizaje son definiciones "Operacionales".Ejemplo (E): Instancia Positiva del Concepto Objetivo que permite descubrir que caractersticas delproblema pueden ser ms relevantes en el futuro.

12


5.4. Estrategia del Mtodo EBL

1. Construccin de una Explicacin que Justifica porque el Ejemplo es una Instancia Positiva

Resolucin del Problema. La Tarea es Encontrar el Concepto Objetivo ayudandose de la Teoradel Dominio y del Ejemplo. El Resultado es una Traza que contiene toda Informacin que se haido acivando en el curso de la Resolucin

Analisis de la Traza. La Explicacin es aquella parte de la Traza que contiene Informacin quese prev til

Criterio de Operacionalidad: Indica las Acciones directamente ejecutables por el SistemaCriterio de Relevancia: Permite decidir que Informacin es til

La Informacin Relevante ser aquella que no forme parte de un Camino Fracasado. La Informacinque pertenece al Camino que lleva a la Solucin y Contiene slo Predicados Operacionales.

Filtrado. Construye la Explicacin Separando la Informacin marcada como Relevante de la queno lo es.

2. Generalizar la Explicacin de manera que en el Futuro pueda ser Aplicada

Generalizacin de la Explicacin. Sustituir Constantes por Variables o Estructuras de Variablesde manera que la Explicacin siga siendo Vlida.

Regresionar. Una Frmula F a travs de una Regla R es un Mecanismo para Determinar las Condicionesnecesarias y suficientes bajo las cuales puede usarse la Regla R para Inferir F.

Construccin de una Nueva Informacin. La Explicacin se Traduce al Formato adecuado paraque pueda ser utilizada.

Incorporacin de Nueva Informacin. Hacer que las Nuevas Reglas Creadas quedendisponibles de manera que puedan utilizarse para la Resolucin de Nuevos Problemas.

5.5. Problemas del EBL

Reformulacin de la Teora. Garantizar que la Informacin Aprendida es realmente ms til.

Incorporar Nuevas Definiciones o Reglas de Control a la Teora Existente

a. Incorporar a la Teora algo que quizas nunca ms ser til

b. Las Reglas Aprendidas son ms Complejas que las Iniciales (Coste)

Degradacin de la Teora

Baja Frecuencia de Aplicacin

13


Alto Coste de Cotejar las Reglas

Bajo Beneficio

Revisin de la Teora. Problemas que son consecuencia de la Teora del Dominio Disponible

Teora Incompleta: La Teora No puede Explicar algn Ejemplo por no disponer de Toda laInformacin Necesaria. La Solucin es Intentar Explicar al mximo el ejemplo e Identificar yConjeturar Nuevas Reglas que complementaran la ExplicacinTeora Incorrecta: El Sistema comete algn Fallo de Prediccin. Solucin: Identificar la causa delFallo y Modificar convenientemente la TeoraTeora Inconsistente: El Sistema llega a Predicciones Contradictorias. Puede tener su origen enInconsistencias entre la Teora y las ObservacionesTeora Intratable: Para dar una Prediccin se necesitan ms Recursos (Computacionales) de los quedispone. Solucin Usando Heursticas que permiten Restringir el Espacio de Bsqueda

Problema de Utilidad

El Criterio de Operacionalidad trata de garantizar que los conceptos aprendidos permiten realmentereducir el tiempo de llevar acabo la Tarea encomendada. Supongamos que se aprenden muchasreglas, tantas que la sola gestin de las mismas, en lugar de ayudar, Ralentiza el Comportamiento.El Coste implicado en comprobar si se puede aplicar una regla concreta puede ser muy elevado.

Las Medidas de Utilidad propuestas tienen en cuenta la frecuencia de utilizacin de la reglaaprendida y el Coste Asociado a su uso.

Naturaleza Semntica

La Esencia de la Generalizacin est en acceder al Conocimiento Relevante del Dominio y No enEstablecer Restricciones o Preferencias Sintacticas relacionadas con las Expresiones obtenidas,como ocurra en las Tcnicas de Aprendizaje Inductivo Basado en Ejemplos

5.6. Metodos EBL

5.6.1. STRIPS

Planificador que Genera y Recuerda Planes que le permiten conseguir un Determinado Objetivo. Una vezgenerado el Plan, Intenta Explicar porque cumple el Objetivo.

Entradas. Estado Inicial, Estado Objetivo y Conjunto de Operadores que permiten cambiar de Estado.Se utilizan Formulas del Calculo de Predicados.

Operadores.

14


Precondicin: Describe las Condiciones de AplicabilidadLista Aadir: Contiene los Hechos que se aaden a un Estado como ConsecuenciaLista Borrar: Contiene los Hechos que dejan de ser ciertos

El Plan ser convertido en unMacroOperador cuya Precondicin describir las Condiciones suficientesbajo las cuales pueden alcanzarse el Estado Objetivo desde el Estado Inicial.

5.6.2. EBG de MitchellGeneralizacin Basada en Explicaciones (EBG). Este Formalismo es un intento de agrupar elementosesenciales de Sistemas ya existentes. Mtodo Independiente del Dominio que usa Conocimiento delDominio para guiar la Generalizacin.

Los Mecanismos de Resolucin de Problemas y de Generalizacin son Independientes del Dominiomientras que las Entradas al Sistema forzosamente deben contener Informacin del Dominio. ElObjetivo del EBG es aprender Nuevas Descripciones Operacionales.

Entradas: Concepto Objetivo, Ejemplo, Teora del Dominio, Criterio de Operacionalidad

El Resultado es una Nueva Teora del Dominio; es la Generalizacin del Ejemplo; es una CondicinSuficiente para el Objetivo que ademas satisface el Criterio de Operacionalidad.

El EBG debe demostrar primero que el Ejemplo es una Instancia Positiva del Concepto Objetivo. LaTraza contiene todos los Caminos intentados, y que han Fracasado; y un solo camino hacia la Solucin.Explicacin que debe ser Generalizada.

Metodo de Generalizacin.Modificacin del Algoritmo de Regresin de Objetivos consistentes en usarslo las Reglas que han servido para demostrar el ejemplo de manera que la Generalizacin es unacondicin Suficiente bajo la que una Regla R puede ser usada para Inferir la Frmula F. Al Analizardicha Traza obtenemos la Explicacin.

5.6.3. SOAR

Arquitectura que combina el Aprendizaje y Resolucin de Problemas. La Unidad OrganizativaFundamental es el Espacio de Problemas y su Paradigma Central es la Bsqueda.

Componentes Bsicos

Memoria Reglas de Produccin: Contiene la Experiencia Acumulada por el Sistema en la Resolucin deProblemasMemoria de Trabajo: Contiene la Informacin Relacionada con el Problema que se est intentado ResolverGestor Memoria Trabajo: Permite Borrar Objetos de la Memoria de TrabajoProcedimiento de Decisin: Permite Resolver ConflictosMecanismo de Chum King: Le Permite Aprender

15


La Memoria de Trabajo se compone de 3 objetos:

1. Pila de Contextos. Especifican la Jerarqua de Objetos Activos, Espacio de Problemas, Estados yOperadores

2. Objetos. Objetivos y Estados

3. Preferencias. Codifican el Conocimiento de Control

Metodo SubObjetivacin Universal: Para conseguir un Objetivo (Conjunto de Estados Deseado) serealiza una Bsqueda en un Espacio de Problemas.Ciclo Resolucin Problemas: Busca los Operadores que pueden ser aplicables al Estado en Curso yEscoge entre ellos. Puede Trabajar en varios Espacios de Problemas.

Objetos: Objetivo, Espacio de Problemas, Estado, OperadorResolucin de Conflictos Fase de Elaboracin. Se Activan en Paralelo los Operadores Aplicables

Fase de Decisin. Se Examinan los Resultados de los Operadores aplicados en la Fase de Elaboraciny se Escoge la mejor opcin

Impasse. El Sistema no tiene suficiente informacin

De Vnculo. Varios operadores y poco Conocimiento para discriminarlos

Conflicto. Varias opciones que pueden llevar a Estados Contradictorios

Sin Cambios. Se mantiene sin cambio el valor del item

Rechazo. La Opcin en curso es rechazada y no hay ninguna opcin ms

El EBL se realiza al Generalizar las situaciones en los que se puede usar una Preferencia determinada.

5.6.4. PRODIGY

Arquitectura Integrada que intenta unificar Resolucin de Problemas, Planificacin y Mltiples Mtodosde Aprendizaje.

El Nucleo Central es un Resolvedor de Problemas Central cuyo comportamiento est determinado por elConocimiento del Dominio y por el Conocimiento de Control para dirigir la Bsqueda. Reduccin de laBsqueda con Reglas, Funciones de Evaluacin Heurstica, Planes Abstractos, Soluciones de ProblemasAnalogos (en una Librera) y MacroOperadores.

16

Juan Leon Castro

Juan Leon Castro


El Modulo EBL Analiza la Traza de Resolucin del Problema para extraer la Informacin relevante apartir de la que Construir una Explicacin. A partir de esta explicacin se obtendr una Regla deControl que ser simplificada y cuya Utilidad ser Evaluada. En Funcin de la Utilidad estimada serincorporada o No al Conocimiento Existente.

Resolver un Problema en un Dominio Particular necesita la Especificacin de este Dominio en forma deun Conjunto de Operadores y de Reglas de Inferencia. Operador se compone de una Precondicin quedetermina las Condiciones bajo las que es aplicable y de una Lista de Efectos que produce su aplicacinsobre el Estado en curso. La Diferencia entre los operadores y las Reglas de Inferencia estriba lo que losoperadores corresponden a acciones externas que permiten pasar de un Estado a otro, mientras que lasReglas de Inferencia incrementan al Conocimiento Explicito del Estado en Curso.

Evita la Degradacin

Cuatro Conceptos Objetivos Exito, Fracaso, nica Alternativa, Interferencia de Objetivos

Tres Tipos Reglas de Control Preferencia, Rechazo, Seleccin

5.7. Comparacin con otros Mtodos de Aprendizaje

Mtodos Deductivos: Necesitan una Teora del Dominio Completa y ConsistenteMtodos Inductivos: Los Ejemplos de Entrada debe ser Suficientemente Representativos,Caracteristicas Relevantes de los Conceptos; las Generalizaciones No estn JustificadasMtodos EBL: No Aprenden Nuevo Conocimiento sino que Explicitan Conocimiento que ya tenian deforma Implicita.

Una Diferencia es que los Mtodos Inductivos se generaliza a partir de los ejemplos usando lascaracteristicas contenidas; y en los Mtodos Deductivos lo que se generaliza son los caminos deductivosque llevan a la solucin del problema.

6. Aprendizaje por Analoga

El Razonamiento Analgico intenta Emular la Capacidad Humana de Recordar la Solcucin deProblemas previos ante la aparicin de problemas parecidos en los que se llevan a cabo RazonamientosAnalogos para alcanzar sus Soluciones Respectivas.

17

Juan Leon Castro

Juan Leon Castro

Juan Leon Castro

Juan Leon Castro

Juan Leon Castro


6.1. Anlisis

Generalizacin Inductiva sobre las relaciones que se cumplen en un Determinado Dominio (Origen oFuente), suponiendo que tambin se cumplen en otro Dominio (Destino o Meta).

El Proceso de Analoga esta basado en que si dos Situaciones son Similares en algn aspecto entoncespueden serlo en otro. Explota la Experiencia Acumuladad.

Problema Base: El Problema Ya Resuelto tal que su Solucin servir de Base para Resolver el NuevoProblema.Conocimiento Base: La Informacin disponible sobre el Problema Base y su Dominio.Problema Objetivo: El Nuevo Problema a Resolver

Entre ambos Existe una Relacin de Causalidad.

6.2. Modelo de Razonamiento Unificado

Visin Unificada de los Componentes Bsicos de un Sistema Analgico.

Problema Tipo. Dada como entrada una Situacin Objetivo, da como Resultado una Representacinaumentada de la misma en la que consten las Inferencias Analgicas obtenidas de una Situacin Base.

Fases Recuperacin. Dada la Situacin Objetivo, el Sistema ha de ser capaz de Recuperar un Caso Basepotencialmente Anlogo y poner en Correspondencia las Partes correspondientes de ambas

Elaboracin. Derivar Atributos, Relaciones o Cadenas Causales Adicionales que pueden serutilizadas sobre la Situacin Objetivo

Mapeo.Mapear los Atributos Seleccionados sobre el Objetivo con posibles Modificaciones

Justificacin. Justificar que los Atributos son vlidos

Aprendizaje. Guardar la Representacin aumentada de la Situacin Objetivo; en la Creacin la ReglasGenerales motivadas por la Analoga o en el Refinamiento de las mismas a partir de msRazonamientos sobre la misma o diferentes Situaciones Base

6.3. Combinacin Inductivo - Deductivo

Las "Inferencias Analgicas" son un caso concreto de Razonamiento Analgico tienen CarcterInductivo. Se Fundamenta en Establecer la Suposicin que permite relacionar las dos Situacionesinvolucradas (s y t).

P(s)^Q(s), P(t)---------------Q(t)

18

Juan Leon Castro

Juan Leon Castro

Juan Leon Castro

Juan Leon Castro

Juan Leon Castro


Parte de la Idea de que si las situaciones coinciden en algunos aspectos, entonces es probable quecoincidan en otros:

"P(x) => Q(x)

Suele aplicarse slo cuando las situaciones comparadas comparten un conjunto "Suficiente" deSemejanzas o cuando ademas la relacin establecida sea relevante y sea necesario utilizar la Informacinde la Fuente para Realizar la Inferencia.

Problema de la No Redundancia. Determinar cules son las Suposiciones Analgicas que debenhacerse. Establecer Mecanismos Adicionales que nos permitan acceder al Conocimiento Implicado endecidir en la Frmula anterior cules son las Propiedades Q que pueden estar sujetas a InferenciaAnalgica.

Lgica de Predicados. La Expresin "P determina Q" es representado como "P>Q"; expresa la Relacinde Dependencia entre las Propiedades P y Q de los Objetos del Dominio. La Nacin determina el Idioma.

Estas Relaciones pueden utilizarse adecuadamente en un Marco de Programacin Lgica, que permitevalidar las Inferencias realizadas en el Razonamiento Analgico.

6.4. Analoga Transformacional

Se recupera de la Memoria de Soluciones Previas la solucin del problema "ms parecida al problemaque se est intentando resolver. La Solucin Recordada se toma como "Estado Inicial" de un Proceso deBsqueda que consistir en aplicar una serie de Operadores con vistas a alcanzar una Solucin delProblema Nuevo.

Figura 1. Aprendizaje por Analoga Transformacional

Se considera que existe un Espacio (T-espacio) en el cual la Solucin Conocida puede ser Transformada,usando unos Operadores (T-operadores), hasta convertirla en la solucioacute;n de un nuevo problema.

Planteamiento. Slo se mira que la Solucin sea Equivalente; No cmo se Resuelve.

6.4.1. Anlisis Medios - FinesEspacio del Problema Conjunto Estados Posibles

Estado Inicial

Estado Final

Conjunto de Operadores: Permiten Transformar un Estado en otro

19


Funcin de Diferencias: Computa las diferencias existentes entre dos Estados dados

Tabla de Diferencias: Dada una diferencia, devuelve el Operador que permite eliminarla

Conjunto de Restricciones Globales

Resolucin1. Comparar el Estado Actual y el Final mediante Funcin de Diferencias

2. Elegir un Operador que Elimine alguna de las Diferencias encontradas

3. Si es posible aplicar el Operador, se Aplica y se Obtiene un Nuevo Estado Actual.

Sino Guardar el Estado Actual y Aplicar la Estrategia de Resolucin al Problema de Satisfacerdichas Restricciones

4. Cuando el SubProblema es Resuelto, Restablecer el Ultimo Estado guardado y proseguir el trabajoen el Problema Original

No se utiliza en ningn momento Informacin Obtenida en la Resolucin del primero para Resolver elsegundo.Generalizar la Estrategia1. Fase Bsqueda de los Precedentes.Medida de Similitud entre Problemas, la Funcin deDiferencias calcula las diferencias entre Estados y Compara las Restricciones

2. Fase Transformacin de la Solucin. Adaptar la Secuencia de Operadores en que consiste lasolucin del caso Precedente en una que resuelva el Nuevo Problema y que cumpla las Restricciones

6.5. Analoga Derivacional

Se describe la Solucin Analgica de un Problema como la Meta de una Tarea Jerrquica que AlmacenaInformacin detallada de la Solucin. El Plan Generado se descompone en Subproblemas que indicanmetas intermedias; lo que permite Trazar el Curso de la Solucin.

Figura 2. Aprendizaje por Analoga Derivacional

Solucin Incremental. A cada paso de la Solucin se Resuelve un Nuevo Problema.

El Sistema es capaz de emplear trazas de problemas resueltos previamente. El Sistema ha de Almacenartoda la Informcacin generada en cada paso, pero que d especial importancia a aquella generada por losoperadores instanciados sin analizar las Razones de esa eleccin.Traza1. Dado un Problema Objetivo, el Sistema intenta Recuperar un Plan. Si resuelve el problema, Termina.

20

Juan Leon Castro


2. Elaborar una Solucin

3. Descomponer el Problema en Subproblemas

4. Mecanismo Seleccin de un Subproblema. Si al tratar el subproblema FALLA, se almacena lasecuencia y se Asocia una Explicacin

5. La Solucin Progresa Positivamente, se Selecciona Operadores para el Tratamiento del Problema.

6. Se Construye una Justificacin para cada Nodo

Cuando una Rama Falla, el Sistema intenta Buscar en otras Fuentes.Aplicaciones Buscar Nuevas Soluciones a Problemas ya Resueltos

Intentar Optimizar las Soluciones Antiguas

Mtodo Razonamiento a partir de Experimentos

La Justificacin facilita la reconstruccin de la Solucin y permite Evaluar lo Aprendido

Diferencias. No solo se Transfiere entre los dos Problemas Implicados la Traza de la Solucin, tambinse incluye cualquier Decisin tomada en la Solucin del Problema Previo ( Alternativas deshechadas,Razones de las decisiones, Dependencias de cualquier fuente adicional de conocimiento ... )

6.6. Razonamiento Basado en Casos

El Razonamiento Basado en Casos (RBC) significa Resolver Problemas a partir de ExperienciasPrecedentes (Casos), Adaptando soluciones antiguas para resolver problemas nuevos, o Recuperandocasos anteriores para Iluminar aspectos de la situacin actual.

Hace de su ltima etapa, el Aprendizaje, el Centro de todo el Proceso Analgico.Ventajas RBC como Tcnica de Adquisicin de Conocimiento

RBC como Mecanismo de Resolucin de Problemas

RBC permite Trabajar en Dominios de Problemas de Dificil Estructuracin y Representacin

Inconvenientes Resulta Costoso en cuanto a Memoria

No ha habido Trabajos Extensos para la Manipulacin de Incertidumbre

Aplicaciones. Problemas Legales, Diagnostico, Clasificacin, Planificacin, Diseo

6.6.1. Aprendizaje

Para poder Iniciar el Proceso de Razonamiento, es necesario disponer de un Conjunto de CasosPrecedentes (Librera de Casos).

21

Juan Leon Castro


Los Casos pertenecen a un Determinado Dominio que es necesario Conocer para poder Interpretar laInformacin contenida en ellos.

Cada Nuevo Caso Resuelto por el sistema presenta una Nueva Ocasin para Aprender.Tipos1. Aprender Nuevos Casos que Ayude a Evitar Problemas

2. Aprender Caractersticas que predigan Problemas

3. Aprender Reparaciones aplicables en diversas Situaciones

6.6.2. Etapas del Razonamiento Basado en Casos (RBC)

6.6.2.1. Recuperacin de Casos

Determina cuando dos Casos (Cm en Memoria y C el Caso Actual) son semenjantes.

Diferentes Tipos de Similitud:

Estructural (Forma)Semntica (Significado)OrganizativaPragmtica

Para Determinar si un caso es Similar a otro, se define una Funcin de Comparacin (Matching) dondese confrontan las Caractersticas de un caso con las del otro. Informa si la Similitud es Exacta (Identicos)o Parcial (Determinada por un Grado de Semejanza). Se pueden utilizar un Conjunto de Heursticas queayuden a determinar que caractersticas son ms relevantes.

Si un conjunto de Casos en Memoria obtienen un Resultado Parcial se elige un solo Caso de entre todosellos.

6.6.2.2. Adaptacin de Casos

Acomodar la Solucin del Caso Cm Recuperado de la Memoria para obtener la Solucin del Caso C. Esnecesario tener en cuenta las diferencias.Tipos Adaptar la Solucin.

Reinstalacin o Substitucin de una Caracterstica por otra

Bsqueda Local de Caractersticas en una Red de Discriminacin

Uso de "Crticos" que definen un Conjunto Especial de Reglas de Adaptacin para manipularCaractersticas que Interaccionan

22

Juan Leon Castro


Eliminacin de una Caracterstica Espuria (No til)

Replicar el Proceso de Razonamiento. Verificar las Condiciones que han hecho posible la aplicacinde Determinados Mtodos, Reglas o Pasos Inferenciales; en el Caso Recuperado de Memoria. Si estasse cumplen para el caso actual, se Reaplica el Mtodo, Regla o Inferencia.

6.6.2.3. Evaluacin de Resultados

Determina si la Solucin del Caso Elaborada en la Etapa de Adaptacin es Plausible:

Consultando a un Maestro, Experto Humano

Simulando los Planes antes de Ejecutarlos y Realizando las correcciones oportunas

Reparacin. Similar a la Adaptacin pues consiste en Modificar una Solucin para adecuarla a unasituacin dada. Se conoce la Solucin, que ha fracasado y, probablemente, de una Explicacin. Parapoder realizarla es necesario disponer del Conocimiento Especifico del Dominio.

6.6.2.4. Aprendizaje por Casos

Almacenar el Caso Nuevo C resultado del Proceso Analgico. Surge la oportunidad de Reorganizar laMemoria y Aprender la nueva Experiencia. Sino ha sido correcta se tendran que Reorganizar los Casosen memoria para que no se vuelvan a Producir los mismos Errores.

6.6.2.4.1. Acumulando nuevas experienciasUn Caso Resuelto no tiene porque ser Identico a uno en Memoria Durante el Proceso de Recuperacin indica que no existe ningn caso identico (Matching distinto deexacto)

La Existencia de un Proceso de Adaptacin indica que la Solucin No se transfiere tal cual sino poranaloga

Pueden adaptarse diferentes partes de diferentes casos para resolver un problema

Si una experiencia No esta en memoria se tiene que considerar si es necesario almacenarla; guardar todoslos casos dara una memoria demasiado grande y de uso ineficiente. Si el caso es diferente pero similar auno precedente, se construye un nuevo prototipo que generalice el conocimiento contenido en amboscasos.

6.6.2.4.2. Aprendizaje de Errores

Aprender las Condiciones que han dado lugar al Fracaso para que no se repita.

23

Juan Leon Castro


Aprender el Error. Relacionar las Caractersticas causantes del error y el caso fracasado,almacenando el caso indexado por estas. Si existe en memoria un caso similar y no se ha activado elerror:Actualizar (mejorar) los indices del caso en memoriaGeneralizar las caractersticas de los dos casos

Actualizacin de Indices. La Funcin de Similitud se basa en los Indices o Caractersticad de loscasos.

Determinar que indices deben modificarse:

Aumentar la importancia de un indice, haciendoles mas especifico, o asociandole un peso mayor

Disminuir la eficiencia de un indice, haciendole mas general, o asociandole un peso menor

7. Aprendizaje Multiestrategia

El Aprendizaje Multiestrategia se ocupa del Desarrollo de los Sistemas de Aprendizaje (SA) que integrendos o ms Estrategias de Inferencia diferentes y/o dos o ms Estrategias de Computacin diferentes.

El Principal Problema es la Integracin de las distintas Estrategias.

7.1. Planteamientos

7.1.1. Deductivo - Inductivo

Utilizar el Conocimiento Expresado en una Teora del Dominio Incompleta, incorporando a continuacinel Conocimiento proveniente del trato Emprico de Ejemplos del Dominio.

7.1.2. ID3

Permiten obtener Reglas Sencillas (Expresadas en el Clculo de Proposiciones), generadas a partir de losEjemplos tratados, que reflejan las predicciones de cada usuario. Una vez obtenido el conjunto de ReglasBsicas, se podran aplicar tcnicas de carcter analtico, que hicieran uso del Conocimiento aprendidoen aqul.

24


7.1.3. Reminding - Based Generalization

Se aprende en base a Semejanzas Casuales entre los elementos de conocimiento que en principio sonpoco relevantes. A partir de un Atributo poco relevante, puede originarse "Recuerdos", siendo estacircunstancia la causa de Generalizaciones Adicionales.

7.1.4. Analgico Basado en la Explicacin Abductiva

Capaz de trabajar simultaneamente con un Conjunto de Generalizaciones Anlogas sobre los ejemplospositivos presentados. Se consideran como vlidas un conjunto de Explicaciones Semejantes.

7.1.5. CASEY

Crear Generalizaciones en forma de Casos, encargados de aglutinar las semejanzas entre algn conjuntode casos disponible. Estas nuevas Entidades se forman cuando existen un Conjunto "Suficiente". ElIdentificador No tiene contenido Semntico Asociado, la Semntica se asigna en el Proceso deInterpretacin (por el Observador).

7.2. Propuestas Hbridas (Simblico - Conexionistas)

Las Soluciones Hbridas han sobrepasado la Barrera existente entre Simblico y Conexionista.

Enfoque Simblico. La Formulacin del Conocimiento Relevante del Dominio, Tareas de "mas altonivel". Planificacin y Diagnostico.

Enfoque Conexionista. Basado en el Tratamiento Numrico, se ha utilizado en Tareas de "bajo nivel".Percepcioacute;n y Procesamiento de Seales

7.2.1. EBL-ANN

Configurar una Red Neuronal a partir de la Infomacin aportada por una Teora del Dominio capaz deproporcionar explicaciones aproximadas.

25

Juan Leon Castro

aprendizaje

Documents