El documento describe el algoritmo CN2 de aprendizaje automático para la inducción de reglas. CN2 genera reglas comprensibles en forma "Si <condición> entonces <clase>" examinando los atributos de los ejemplos de entrenamiento. El algoritmo itera generando nuevas reglas más especializadas hasta que no quedan ejemplos o reglas posibles.
This presentation was delivered as part of the Digital Humanities at Oxford Summer School in July 2016. It provides a general introduction to relational databases, including an overview of the benefits of this method of storing and structuring data, and a guide to designing a database structure.
Some slides include further explanation in the notes pane: download a copy of the presentation to see these.
New to Pardot? Or just looking to increase your Pardot product knowledge? Learn about each Pardot module, get how-tos, helpful tips, tricks, and best practices to help you get the most out of your Pardot account. We’ll cover everything from how to build and send emails within Pardot to understanding reports and measuring performance.
Planning Your Migration to the Lightning ExperienceShell Black
Learn how to migrate to the Salesforce Lighting UI in four steps. Shell Black in this presentation discusses how to make the business case to justify the costs to moving to the Lightning Experience (LEX) from Classic. In the four steps Shell covers how to assess the current state of your org, plan out the migration, manage your build sprints and UAT (User Acceptance Testing), and train your end users. He also covers the factors that drive the time needed to complete the project. As you will find, the biggest hurdle to migrating to Lightning is not a missing feature, but Admin knowledge. Click the link on Slide 2 to watch a video of this presentation!
Salesforce provides you unprecedented visibility into client relationship to manage the different aspect of a business, including sales, marketing, and customer service activities. In this presentation, Saket Kumar of Valuebound has walked us through “An introduction to Salesforce”.
The various agendas covered are:
What is SalesForce?
History & Founder
What is Platform as a Service
What is Software as a Service
SalesForce Terminology
Different Platform of salesforce to create Applications
Core Services of SalesForce
SalesForce Database Terminology
Types of Relationship in SalesForce:
What is VisualForce?
When to use Apex?
----------------------------------------------------------
Get Socialistic
Our website: http://valuebound.com/
LinkedIn: http://bit.ly/2eKgdux
Facebook: https://www.facebook.com/valuebound/
Twitter: http://bit.ly/2gFPTi8
This presentation was delivered as part of the Digital Humanities at Oxford Summer School in July 2016. It provides a general introduction to relational databases, including an overview of the benefits of this method of storing and structuring data, and a guide to designing a database structure.
Some slides include further explanation in the notes pane: download a copy of the presentation to see these.
New to Pardot? Or just looking to increase your Pardot product knowledge? Learn about each Pardot module, get how-tos, helpful tips, tricks, and best practices to help you get the most out of your Pardot account. We’ll cover everything from how to build and send emails within Pardot to understanding reports and measuring performance.
Planning Your Migration to the Lightning ExperienceShell Black
Learn how to migrate to the Salesforce Lighting UI in four steps. Shell Black in this presentation discusses how to make the business case to justify the costs to moving to the Lightning Experience (LEX) from Classic. In the four steps Shell covers how to assess the current state of your org, plan out the migration, manage your build sprints and UAT (User Acceptance Testing), and train your end users. He also covers the factors that drive the time needed to complete the project. As you will find, the biggest hurdle to migrating to Lightning is not a missing feature, but Admin knowledge. Click the link on Slide 2 to watch a video of this presentation!
Salesforce provides you unprecedented visibility into client relationship to manage the different aspect of a business, including sales, marketing, and customer service activities. In this presentation, Saket Kumar of Valuebound has walked us through “An introduction to Salesforce”.
The various agendas covered are:
What is SalesForce?
History & Founder
What is Platform as a Service
What is Software as a Service
SalesForce Terminology
Different Platform of salesforce to create Applications
Core Services of SalesForce
SalesForce Database Terminology
Types of Relationship in SalesForce:
What is VisualForce?
When to use Apex?
----------------------------------------------------------
Get Socialistic
Our website: http://valuebound.com/
LinkedIn: http://bit.ly/2eKgdux
Facebook: https://www.facebook.com/valuebound/
Twitter: http://bit.ly/2gFPTi8
Release & Change Management in Salesforce. Best Practice in implementing Salesforce project or setting up your salesforce org. and manage release and changes
Introduction to Data Science, Prerequisites (tidyverse), Import Data (readr), Data Tyding (tidyr),
pivot_longer(), pivot_wider(), separate(), unite(), Data Transformation (dplyr - Grammar of Manipulation): arrange(), filter(),
select(), mutate(), summarise()m
Data Visualization (ggplot - Grammar of Graphics): Column Chart, Stacked Column Graph, Bar Graph, Line Graph, Dual Axis Chart, Area Chart, Pie Chart, Heat Map, Scatter Chart, Bubble Chart
Los Sistemas Experto y Sistemas Basados en Conocimiento es una rama de la Inteligencia Artificial que apoya los Impulsos Estratégicos de las Organizaciones [Introducción]
Release & Change Management in Salesforce. Best Practice in implementing Salesforce project or setting up your salesforce org. and manage release and changes
Introduction to Data Science, Prerequisites (tidyverse), Import Data (readr), Data Tyding (tidyr),
pivot_longer(), pivot_wider(), separate(), unite(), Data Transformation (dplyr - Grammar of Manipulation): arrange(), filter(),
select(), mutate(), summarise()m
Data Visualization (ggplot - Grammar of Graphics): Column Chart, Stacked Column Graph, Bar Graph, Line Graph, Dual Axis Chart, Area Chart, Pie Chart, Heat Map, Scatter Chart, Bubble Chart
Los Sistemas Experto y Sistemas Basados en Conocimiento es una rama de la Inteligencia Artificial que apoya los Impulsos Estratégicos de las Organizaciones [Introducción]
Ponente: José Manuel Molina López. Grupo de Inteligencia Artificial Aplicada (GIAA) Universidad Carlos III Madrid.
Resumen: Introducción. Sistemas Basados en el Contexto. Entornos Comerciales de Desarrollo. Desarrollo de un ejemplo. Sistemas Multiagente para el desarrollo de Sistemas. Basados en el Contexto. Bibliografía.
Esta obra presenta un enfoque eminentemente técnico de la experiencia de varios años de trabajo en grandes redes, desde el punto de vista de las áreas de “Planificación y Operación de red”, “Seguridad de redes y TI” y “Auditoría de seguridad”, que podríamos afirmar que son los pilares fundamentales de toda Red.
Los prólogos de este libro están escritos por “Chema Alonso” y “Antonio Castro Lechtaler”, que como todos conocemos, son dos referentes internacionales en Redes y Seguridad.
El autor es Alejandro Corletti Estrada que luego de la publicación “Seguridad por Niveles” en el año 2011, nuevamente nos deja esta obra para “difusión y descarga gratuita para cualquier uso docente” quedando prohibida toda acción y/o actividad comercial o lucrativa, como así también su derivación y/o modificación sin autorización expresa del autor.
Catalogo Cajas Fuertes BTV Amado Salvador Distribuidor OficialAMADO SALVADOR
Explora el catálogo completo de cajas fuertes BTV, disponible a través de Amado Salvador, distribuidor oficial de BTV. Este catálogo presenta una amplia variedad de cajas fuertes, cada una diseñada con la más alta calidad para ofrecer la máxima seguridad y satisfacer las diversas necesidades de protección de nuestros clientes.
En Amado Salvador, como distribuidor oficial de BTV, ofrecemos productos que destacan por su innovación, durabilidad y robustez. Las cajas fuertes BTV son reconocidas por su eficiencia en la protección contra robos, incendios y otros riesgos, lo que las convierte en una opción ideal tanto para uso doméstico como comercial.
Amado Salvador, distribuidor oficial BTV, asegura que cada producto cumpla con los más estrictos estándares de calidad y seguridad. Al adquirir una caja fuerte a través de Amado Salvador, distribuidor oficial BTV, los clientes pueden tener la tranquilidad de que están obteniendo una solución confiable y duradera para la protección de sus pertenencias.
Este catálogo incluye detalles técnicos, características y opciones de personalización de cada modelo de caja fuerte BTV. Desde cajas fuertes empotrables hasta modelos de alta seguridad, Amado Salvador, como distribuidor oficial de BTV, tiene la solución perfecta para cualquier necesidad de seguridad. No pierdas la oportunidad de conocer todos los beneficios y características de las cajas fuertes BTV y protege lo que más valoras con la calidad y seguridad que solo BTV y Amado Salvador, distribuidor oficial BTV, pueden ofrecerte.
Catalogo general Ariston Amado Salvador distribuidor oficial ValenciaAMADO SALVADOR
Distribuidor Oficial Ariston en Valencia: Amado Salvador distribuidor autorizado de Ariston, una marca líder en soluciones de calefacción y agua caliente sanitaria. Amado Salvador pone a tu disposición el catálogo completo de Ariston, encontrarás una amplia gama de productos diseñados para satisfacer las necesidades de hogares y empresas.
Calderas de condensación: Ofrecemos calderas de alta eficiencia energética que aprovechan al máximo el calor residual. Estas calderas Ariston son ideales para reducir el consumo de gas y minimizar las emisiones de CO2.
Bombas de calor: Las bombas de calor Ariston son una opción sostenible para la producción de agua caliente. Utilizan energía renovable del aire o el suelo para calentar el agua, lo que las convierte en una alternativa ecológica.
Termos eléctricos: Los termos eléctricos, como el modelo VELIS TECH DRY (sustito de los modelos Duo de Fleck), ofrecen diseño moderno y conectividad WIFI. Son ideales para hogares donde se necesita agua caliente de forma rápida y eficiente.
Aerotermia: Si buscas una solución aún más sostenible, considera la aerotermia. Esta tecnología extrae energía del aire exterior para calentar tu hogar y agua. Además, puede ser elegible para subvenciones locales.
Amado Salvador es el distribuidor oficial de Ariston en Valencia. Explora el catálogo y descubre cómo mejorar la comodidad y la eficiencia en tu hogar o negocio.
5. Selector Variable asociada a un valor Dureza = Elevada 2 Conceptos Previos Aprendizaje Automático – Presentación Algoritmo CN2 Complejo (complex) Conjunto de selectores Dureza = Elevada Color = Gris Convers Conjunto de complejos unidos por un operador lógico que representa la parte del “IF” de la regla Dureza = Elevada ^ Color = Gris
7. Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 3 Pseudocódigo Aprendizaje Automático – Presentación Algoritmo CN2
8. Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 3 Pseudocódigo Aprendizaje Automático – Presentación Algoritmo CN2 mejorComp = EncontrarMejorComp(E);
9. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 3 Pseudocódigo Aprendizaje Automático – Presentación Algoritmo CN2
10. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 3 Pseudocódigo Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos
11. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos( start, selectores ); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 3 Pseudocódigo Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; }
16. Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
17. Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
18. Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 mejorComp = EncontrarMejorComp(E);
19. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
20. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
21. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 selectores = [todos los posibles selectores];
22. DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Color = Gris Color = Incoloro Color = Gris Color = Blanco Dureza = Elevada Dureza = Elevada Dureza = Baja Dureza = Baja Yeso Baja Blanco Yeso Baja Gris Diamante Elevada Incoloro Diamante Elevada Gris Mineral Dureza Color
23. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
24. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos();
25. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; }
26. DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Color = Gris Color = Incoloro Color = Gris Color = Blanco Dureza = Elevada Dureza = Elevada Dureza = Baja Dureza = Baja new_start Yeso Baja Blanco Yeso Baja Gris Diamante Elevada Incoloro Diamante Elevada Gris Mineral Dureza Color
27. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; }
28. DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Color = Gris Color = Incoloro Color = Gris Color = Blanco Dureza = Elevada Dureza = Elevada Dureza = Baja Dureza = Baja new_start Yeso Baja Blanco Yeso Baja Gris Diamante Elevada Incoloro Diamante Elevada Gris Mineral Dureza Color
29. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; }
30. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; }
31. DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Significancia: Yeso Baja Blanco Yeso Baja Gris Diamante Elevada Incoloro Diamante Elevada Gris Mineral Dureza Color 0/2 = 0 Dureza = Baja X 2/2 = 1 Dureza = Elevada 0/1 = 0 Color = Blanco X 1/1 = 1 Color = Incoloro 1/2 = 0,5 Color = Gris Elegido Sig
32. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
34. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
35. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
36. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos();
37. DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Color = Incoloro ^ Color = Gris Color = Incoloro ^ Color = Incoloro Color = Incoloro ^ Color = Blanco Dureza = Elevada ^ Color = Gris Dureza = Elevada ^ Color = Incoloro Dureza = Elevada ^ Color = Blanco new_start Color = Incoloro ^ Dureza = Elevada Color = Incoloro ^ Dureza = Baja Dureza = Elevada ^ Dureza = Elevada Dureza = Elevada ^ Dureza = Baja Yeso Baja Blanco Yeso Baja Gris Diamante Elevada Incoloro Diamante Elevada Gris Mineral Dureza Color
38. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; }
39. DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Color = Incoloro ^ Color = Gris Color = Incoloro ^ Color = Incoloro Color = Incoloro ^ Color = Blanco Dureza = Elevada ^ Color = Gris Dureza = Elevada ^ Color = Blanco new_start Color = Incoloro ^ Dureza = Baja Dureza = Elevada ^ Dureza = Elevada Dureza = Elevada ^ Dureza = Baja Yeso Baja Blanco Yeso Baja Gris Diamante Elevada Incoloro Diamante Elevada Gris Mineral Dureza Color
40. DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Color = Incoloro ^ Dureza = Baja Dureza = Elevada ^ Color = Gris Dureza = Elevada ^ Color = Blanco new_start Yeso Baja Blanco Yeso Baja Gris Diamante Elevada Incoloro Diamante Elevada Gris Mineral Dureza Color
41. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; }
42. DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Significancia: Yeso Baja Blanco Yeso Baja Gris Diamante Elevada Incoloro Diamante Elevada Gris Mineral Dureza Color 0/0 = 0 0/1 = 0 Dureza = Baja ^ Color = Blanco X 1/1 = 0,5 Dureza = Elevada ^ Color = Gris Color = Incoloro ^ Dureza = Baja Elegido Sig
43. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; }
44. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; } 1 > 1 No
45. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
46. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos();
47. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; }
48. DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Color = Incoloro ^ Dureza = Baja ^ Color = Gris Color = Incoloro ^ Dureza = Baja ^ Color = Incoloro Color = Incoloro ^ Dureza = Baja ^ Color = Blanco Dureza = Elevada ^ Color = Gris ^ Dureza = Elevada Dureza = Elevada ^ Color = Blanco ^ Dureza = Baja new_start Yeso Baja Blanco Yeso Baja Gris Diamante Elevada Incoloro Diamante Elevada Gris Mineral Dureza Color
49. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; }
50. DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Color = Incoloro ^ Dureza = Baja ^ Color = Gris Color = Incoloro ^ Dureza = Baja ^ Color = Incoloro Color = Incoloro ^ Dureza = Baja ^ Color = Blanco Dureza = Elevada ^ Color = Gris ^ Dureza = Elevada Dureza = Elevada ^ Color = Blanco ^ Dureza = Baja new_start Yeso Baja Blanco Yeso Baja Gris Diamante Elevada Incoloro Diamante Elevada Gris Mineral Dureza Color
51. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; }
52. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 new_start = EspecializarComplejos new_start = {x ^ y | x ε start , y ε selectores }; Eliminar complejos que ya están en start o son nulos (ej: a = 1 ^ a = 4 ); Por cada ( c en new_start ) { Si ( c es significativo en E y es mejor que mejorComp ) mejorComp = c; }
53. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
54. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
55. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
56. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
57. Algoritmo de Aprendizaje E : Lista de Ejemplos mejorComp : EncontrarMejorComp(E) { start = []; mejorComp = Ф ; selectores = [todos los posibles selectores]; Mientras ( start != []) { new_start = EspecializarComplejos(); Eliminar los peores complejos de new_start hasta que su tamaño sea ‘<=’ que el dado por el usuario; start = new_start ; } return mejorComp ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 return mejorComp ; = “Dureza”
58. Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
59. Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
62. Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
63. Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 clase = clase mas cómún de Ec = “Diamante”
64. Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
65. Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 IF Dureza = Elevada THEN Diamante
66. Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
67. Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
68. Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Igual que anteriormente
69. Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
70. Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 IF Dureza = Baja THEN Diamante
71. Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
72. Algoritmo de Aprendizaje E : Lista de Ejemplos RuleList CN2 (E) { RuleList = []; Hacer { mejorComp = EncontrarMejorComp(E); Si ( mejorComp != Ф ) { Ec = Ejemplos cubiertos por mejorComp; Eliminar Ec de E ; clase = clase mas cómún de Ec RuleList .añadir(“IF” + mejorComp + “ THEN ” + clase ); } } Mientras mejorComp = Ф ó E = [] return RuleList ; } 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2
73. DataSet Minerales 4 Ejemplo Práctico Aprendizaje Automático – Presentación Algoritmo CN2 Reglas obtenidas: IF Dureza = Elevada THEN Diamante IF Dureza = Baja THEN Diamante Yeso Blanca Baja Blanco Yeso Blanca Baja Gris Diamante Blanca Elevada Incoloro Diamante Blanca Elevada Gris Mineral Raya Dureza Color