Se ha denunciado esta presentación.
Se está descargando tu SlideShare. ×

Técnicas de Inteligencia Artificial

Anuncio
Anuncio
Anuncio
Anuncio
Anuncio
Anuncio
Anuncio
Anuncio
Anuncio
Anuncio
Anuncio
Anuncio

Eche un vistazo a continuación

1 de 23 Anuncio

Más Contenido Relacionado

Similares a Técnicas de Inteligencia Artificial (20)

Anuncio

Más reciente (20)

Técnicas de Inteligencia Artificial

  1. 1. Aplicación de Técnicas de la IA para el análisis de datos Patricia Compañ Rosique Innovación Educativa. Una visión en 360 grados 7 de junio de 2017
  2. 2. Introducción • IA incluye muchas áreas: juegos, problemas de percepción, robótica, predicción, minería de datos, aprendizaje, etc.
  3. 3. Técnicas de IA • Algoritmos genéticos • Simulated annealing • Redes neuronales • Máquinas de vectores de soporte (SVM) • Técnicas de enjambre • Aprendizaje bayesiano • Sistemas expertos • Árboles de decisión, Etc.
  4. 4. Redes neuronales • Es una técnica usada con bastante éxito en problemas de clasificación y regresión. • Se pueden usar en problemas de predicción, p.e predecir el comportamiento de La Bolsa. • Una red neuronal trata de imitar el sistema biológico. • Está formada por grupos de neuronas artificiales conectadas entre sí.
  5. 5. Redes neuronales: neurona • La neurona recibe una serie de entradas, cada una de ellas ponderada por un peso • La salida se obtiene aplicando una función al resultado de la suma de multiplicar cada entrada a la neurona por su peso correspondiente. • Funciones habituales que se suelen aplicar para obtener la salida son la función umbral, la función sigmoide, la función tangente hiperbólica, etc.
  6. 6. Redes neuronales: red multicapa • Grupos de neuronas conectadas entre sí formando capas de tal manera que la salida de una neurona forma parte de las entradas de una neurona de la capa siguiente.
  7. 7. Aprendiendo • Se necesita disponer de una serie de ejemplos o muestras de entrenamiento de los que ya conocemos la salida que debería dar la red. • Introducir los ejemplos de entrenamiento en la red y calcular la salida que da la red para cada ejemplo. Dado que se trata de ejemplos de los cuales se conoce la salida que debería dar, se puede comparar la salida real obtenida por la red con la salida que corresponde a cada ejemplo. De esta manera se sabe si la red ha acertado o no y se pueden ajustar los pesos de la red.
  8. 8. Identificación de una especie vegetal Longitud pétalo Longitud sépalo Ancho pétalo Ancho sépalo
  9. 9. Conjunto de datos Conjunto de datos Entrenamiento Entrenamiento Validación Test Test
  10. 10. Máquinas de vectores de soporte • Es una técnica que pertenece a la categoría de los clasificadores lineales. • Inducen hiperplanos para separar los ejemplos de entrenamiento
  11. 11. Máquinas de vectores de soporte • Dado un conjunto de puntos, en el que cada uno de ellos pertenece a una de varias categorías, el método construye un modelo capaz de predecir a que categoría pertenece un punto nuevo (cuya categoría desconocemos)
  12. 12. Máquinas de vectores de soporte • Objetivo: encontrar el hiperplano de margen máximo
  13. 13. Ejemplo: Herramienta predictiva del rendimiento de los estudiantes sus correspondientes SVMs. Estas predicciones se añaden a la base de datos de predicciones, donde se almacenan las de las semanas anteriores. Por último, estas predicciones se proporcionan a estudiantes y profesores en forma de progresión estimada del rendimiento de los estudiantes en el tiempo. Figura 1: Arquitectura global del sistema. 4. Experimen El sistema propues primer cuatrimestre d actividad en octubre d de 2015. Como se m estado funcionando e para la asignatura M aprendizaje de Lógica clases prácticas. Habí registrados, de los qu en las clases de prácti habitual. Aunque el cuatrime se, se imparten 13 c sesiones realmente só guimiento, ya que en introducción general forma, el sistema pr semanas de prediccio proporcionando la not Como ya se ha dich bajo es proporcionar sobre la tendencia d predicciones progresi vo, el sistema produc tivas como las de las muestran las probab estudiante tenga un rSVM
  14. 14. PLMan • PLMan: sistema gamificado para aprender Prolog • Los alumnos deben programar, con Prolog, la inteligencia artificial de un personaje similar a Pac-Man que debe recorrer varios mapas comiéndose todos los cocos y evitando a los enemigos. • Programado en forma de reglas: “Si ves un enemigo a tu izquierda, muévete a la derecha”
  15. 15. PLMan
  16. 16. PLMan • Base de datos de más de 400 mapas, organizados en varias fases y niveles de dificultad • En cada fase, el alumno debe resolver entre 1 y 5 mapas • El alumno elige el nivel de dificultad, y se le asigna un mapa aleatoriamente (dos alumnos nunca tienen el mismo mapa) • A mayor dificultad elegida para el mapa, se opta a mayor nota • Al resolver el mapa con al menos un 75% de los cocos comidos, se desbloquea el siguiente nivel
  17. 17. Datos extraídos de PLMan • PLMan genera una gran cantidad de datos: ¿podemos hacer algo con ellos? • De todos los eventos que se producen en el sistema, elegimos datos de dos tipos (7 características): – De uso – De progreso del estudiante Característica Número de visitas al frontal Número de mapas descargados Número de soluciones subidas por fase Nota media (en porcentaje) por fase Tiempo (en segundos) para completar cada fase Tiempo (en segundos) para completar cada mapa Nivel de dificultad elegido para cada mapa
  18. 18. Análisis de los datos • Cada semana, los datos recogidos se pasan al sistema de predicción (ya entrenado) • El sistema de predicción devuelve tres probabilidades – Prob. de que el estudiante termine con una nota alta (nota>8.05) – Prob. de que el estudiante termine con una nota intermedia (5.75 ≤ nota ≤ 8.05) – Prob. de que el estudiante termine con una nota baja (nota<5.75) • Los resultados se muestran en forma de gráficas: intuitivas y muy útiles para detectar problemas de aprendizaje
  19. 19. Progression chart: Semana 4 Representación de la predicción semanalmente: muestra las probabilidades y la clasificación final
  20. 20. Progression chart: Semana 10
  21. 21. Antes de cualquier técnica • Características categóricas – Convertirlas a valores numéricos. Por ejemplo usando vectores: {rojo, verde, azul} (0,0,1) (0,1,0) (1,0,0) • Escalado – Escalar los datos para evitar que los atributos con grandes rangos numéricos dominen a los que tienen rangos pequeños
  22. 22. Herramientas • Weka • Matlab • Neuroph (Java Neural Network Framework) • LIBSVM (A Library for Support Vector Machines) • R • Etc.
  23. 23. Aplicación de Técnicas de la IA para el análisis de datos Innovación Educativa. Una visión en 360 grados 6 de junio de 2017

×