Este documento describe los conceptos clave del aprendizaje automático. Explica que el aprendizaje automático permite que las aplicaciones se adapten y resuelvan nuevos problemas, más allá de lo programado inicialmente. También describe los tipos principales de aprendizaje: analítico, genético y conexionista. Finalmente, señala que el aprendizaje inductivo busca descripciones generales a partir de ejemplos, a diferencia del deductivo.
El documento describe los sistemas de producción/razonamiento en inteligencia artificial. Explica que estos sistemas utilizan reglas condición-acción para representar conocimiento y razonar deductivamente. También cubre temas como tipos de inferencia, lenguajes de representación de conocimiento, y modos de razonamiento como encadenamiento progresivo y regresivo. Finalmente, presenta un ejemplo de sistema experto llamado ZOOKEEPER que identifica animales usando reglas.
Este documento describe la implementación de una neurona artificial basada en el modelo de Perceptrón en un dispositivo móvil con sistema operativo Android. Explica el funcionamiento de las neuronas biológicas y el modelo de Perceptrón de Rosenblatt. Luego detalla el diseño de la neurona computacional, el algoritmo de entrenamiento y la implementación del software en Android, incluyendo pruebas que validaron el aprendizaje de la neurona artificial.
El documento describe la implementación de una neurona artificial tipo perceptrón en un dispositivo móvil con sistema operativo Android. Explica el funcionamiento básico de las neuronas biológicas y cómo el modelo de perceptrón de Rosenblatt simula este funcionamiento. Luego detalla el diseño de la neurona computacional con entradas, pesos y una función para calcular el umbral, así como el algoritmo de entrenamiento para ajustar los pesos. Finalmente, presenta cómo se programó la neurona en Android aprovechando su arquitectura basada en Linux y Java.
DeustoTech, dentro de su estrategia de transferencia de conocimiento en el ámbito
científico, académico y a las empresas, organiza una serie de seminarios y charlas que
tratan temáticas relacionadas con el desarrollo de su actividad investigadora y que
asimismo pueden resultar de interés para estudiantes de ingeniería.
Este documento resume las técnicas de inteligencia artificial como redes neuronales, heurística y algoritmos genéticos. También describe aplicaciones como el tráfico y antispam. Finalmente, discute la posibilidad de transferir la conciencia humana a un cerebro artificial, aunque los científicos aún no entienden completamente la conciencia.
Este documento presenta el sílabo de un curso sobre sistemas inteligentes y redes neuronales. El curso introduce conceptos como inteligencia artificial, redes neuronales artificiales, lógica difusa y controladores difusos. Los estudiantes aprenderán a desarrollar algoritmos de reconocimiento de patrones y control de procesos utilizando estas técnicas. El curso incluye clases teóricas y prácticas de laboratorio implementadas en Matlab para reforzar los conceptos.
El documento describe las redes neuronales artificiales, que son sistemas inspirados en el cerebro humano y capaces de aprender. Explica que las redes neuronales consisten en unidades interconectadas que pueden reconocer patrones y mejorar con el aprendizaje. También describe algunas aplicaciones comerciales de las redes neuronales, como la predicción financiera y el reconocimiento de imágenes.
Este documento resume 4 clases de la carrera de Ingeniería en Sistemas Informáticos sobre el tema de funciones. En la primera clase se presentó el curso y se discutieron conceptos básicos de funciones como dominio, imagen y tipos de funciones. La segunda clase se enfocó en graficar funciones en Matlab y hallar dominio e imagen. La tercera clase continuó explicando diferentes tipos de funciones. Finalmente, la cuarta clase cubrió combinaciones de funciones y conceptos preliminares de límites.
El documento describe los sistemas de producción/razonamiento en inteligencia artificial. Explica que estos sistemas utilizan reglas condición-acción para representar conocimiento y razonar deductivamente. También cubre temas como tipos de inferencia, lenguajes de representación de conocimiento, y modos de razonamiento como encadenamiento progresivo y regresivo. Finalmente, presenta un ejemplo de sistema experto llamado ZOOKEEPER que identifica animales usando reglas.
Este documento describe la implementación de una neurona artificial basada en el modelo de Perceptrón en un dispositivo móvil con sistema operativo Android. Explica el funcionamiento de las neuronas biológicas y el modelo de Perceptrón de Rosenblatt. Luego detalla el diseño de la neurona computacional, el algoritmo de entrenamiento y la implementación del software en Android, incluyendo pruebas que validaron el aprendizaje de la neurona artificial.
El documento describe la implementación de una neurona artificial tipo perceptrón en un dispositivo móvil con sistema operativo Android. Explica el funcionamiento básico de las neuronas biológicas y cómo el modelo de perceptrón de Rosenblatt simula este funcionamiento. Luego detalla el diseño de la neurona computacional con entradas, pesos y una función para calcular el umbral, así como el algoritmo de entrenamiento para ajustar los pesos. Finalmente, presenta cómo se programó la neurona en Android aprovechando su arquitectura basada en Linux y Java.
DeustoTech, dentro de su estrategia de transferencia de conocimiento en el ámbito
científico, académico y a las empresas, organiza una serie de seminarios y charlas que
tratan temáticas relacionadas con el desarrollo de su actividad investigadora y que
asimismo pueden resultar de interés para estudiantes de ingeniería.
Este documento resume las técnicas de inteligencia artificial como redes neuronales, heurística y algoritmos genéticos. También describe aplicaciones como el tráfico y antispam. Finalmente, discute la posibilidad de transferir la conciencia humana a un cerebro artificial, aunque los científicos aún no entienden completamente la conciencia.
Este documento presenta el sílabo de un curso sobre sistemas inteligentes y redes neuronales. El curso introduce conceptos como inteligencia artificial, redes neuronales artificiales, lógica difusa y controladores difusos. Los estudiantes aprenderán a desarrollar algoritmos de reconocimiento de patrones y control de procesos utilizando estas técnicas. El curso incluye clases teóricas y prácticas de laboratorio implementadas en Matlab para reforzar los conceptos.
El documento describe las redes neuronales artificiales, que son sistemas inspirados en el cerebro humano y capaces de aprender. Explica que las redes neuronales consisten en unidades interconectadas que pueden reconocer patrones y mejorar con el aprendizaje. También describe algunas aplicaciones comerciales de las redes neuronales, como la predicción financiera y el reconocimiento de imágenes.
Este documento resume 4 clases de la carrera de Ingeniería en Sistemas Informáticos sobre el tema de funciones. En la primera clase se presentó el curso y se discutieron conceptos básicos de funciones como dominio, imagen y tipos de funciones. La segunda clase se enfocó en graficar funciones en Matlab y hallar dominio e imagen. La tercera clase continuó explicando diferentes tipos de funciones. Finalmente, la cuarta clase cubrió combinaciones de funciones y conceptos preliminares de límites.
Este documento presenta una unidad sobre modelado para el desarrollo de software usando el lenguaje UML. Explica conceptos como diagramas de casos de uso, diagramas de estado, diagramas de secuencia y sus elementos. Describe las relaciones entre casos de uso como inclusión, extensión y generalización. Explica cómo los diagramas de estado muestran los cambios de estado de un objeto y los diagramas de secuencia cómo los objetos se comunican mediante mensajes.
El documento presenta una introducción al modelado para el desarrollo de software y al lenguaje UML. Explica que el modelado ofrece una visión global del sistema y describe los principios y tipos de modelado. Luego introduce UML, explicando que es un lenguaje gráfico para especificar, construir, visualizar y documentar los objetos de un sistema, y que puede usarse en diversas industrias y metodologías. Finalmente, resume los diferentes diagramas de UML para representar la estructura, comportamiento e interacción de un sistema.
Este documento resume las destrezas adquiridas en el curso de Cálculo Diferencial del periodo Abril-Septiembre de 2012 en la Universidad Técnica de Manabí. Aprendió a reconocer funciones, hallar dominios e imágenes, identificar tipos de funciones, graficar funciones lineales, derivar funciones y resolver integrales. Estas destrezas son importantes para su desempeño profesional y le sirven para un mayor desenvolvimiento académico y espiritual.
1. El documento describe los componentes y características de los sistemas expertos, incluyendo la base de conocimientos, mecanismo de inferencia, componente explicativo e interfaz de usuario.
2. Los sistemas expertos imitan el razonamiento de un experto humano para resolver problemas complejos mediante el uso de reglas y conocimiento especializado almacenado durante el desarrollo del sistema.
3. Existen diferentes tipos de sistemas expertos como los basados en reglas, casos o redes bayesianas.
UTILIZACIÓN DE LA TECNOLOGÍA DE REDES NEURONALES PARA LA RESOLUCIÓN DE PROBLE...zeithy
Este documento describe las redes neuronales artificiales y su utilización para resolver problemas imprecisos de optimización. Explica que las redes neuronales, al igual que el cerebro, pueden aprender de ejemplos y resolver problemas complejos de manera paralela. También describe cómo las redes neuronales se pueden implementar a través de software o hardware especializado como chips neuronales.
Este documento presenta el syllabus de la asignatura Cálculo Diferencial de la Universidad Técnica de Manabí. Incluye información general como el nombre de la asignatura, el ciclo académico, los créditos y el docente responsable. Explica que el objetivo es desarrollar en los estudiantes el análisis y razonamiento matemático para interpretar su entorno desde la perspectiva del cálculo. También presenta los resultados de aprendizaje esperados como determinar el dominio, rango y gráficas de funciones
Este documento presenta el proyecto "Aprende Haciendo con Valentina", el cual propone un entorno para la enseñanza de la robótica educativa a través de 8 módulos que van desde la sensibilización hasta la producción. Los módulos buscan desarrollar habilidades como la creatividad, contextualizar conceptos físicos y sensoriales, y enseñar sobre procesamiento de información, estructuras mecánicas y lenguaje técnico-científico.
Este documento presenta un libro sobre fundamentos de programación. El libro introduce conceptos como algoritmos, análisis de eficiencia, notaciones de orden como O grande, y estructuras de control como ciclos y recursión. El objetivo es que los estudiantes aprendan conceptos prácticos de programación de una manera experimental mediante ejercicios y laboratorios.
Este documento discute los riesgos asociados con las soluciones de aprendizaje profundo y cómo gestionarlos. Explica que el aprendizaje profundo depende en gran medida de grandes conjuntos de datos para el entrenamiento y puede no ser la mejor opción cuando los datos no están disponibles. También señala que las soluciones actuales son superficiales y no transfieren bien a nuevos escenarios, y tienen dificultades con inferencias abiertas y situaciones ambiguas. Finalmente, propone formas de gestionar estos riesgos, como el uso
Este documento describe la programación orientada a objetos. Se define como un paradigma de programación que usa objetos y sus interacciones para diseñar aplicaciones. Sus principales características son la abstracción, encapsulamiento, modularidad, polimorfismo y herencia. La abstracción permite modelar la realidad mediante clases. El encapsulamiento reúne elementos en entidades con el mismo nivel de abstracción. La modularidad divide aplicaciones en módulos independientes. El polimorfismo permite compartir nombres para comportamientos de objetos distintos. Y la her
Wi0 a sistemasinteligentesyredesneuronalesjcbenitezp
Este documento presenta el sílabo de un curso sobre sistemas inteligentes y redes neuronales. El curso dura 6 créditos y cubre temas como redes neuronales artificiales, lógica difusa, y sus aplicaciones. El curso incluye clases teóricas y prácticas en laboratorio utilizando Matlab. Los estudiantes aprenderán a implementar algoritmos de redes neuronales y controladores difusos.
Este sílabo describe un curso de inteligencia artificial que cubre temas como redes neuronales, lógica difusa y algoritmos genéticos. El curso consta de 14 semanas que incluyen explicaciones teóricas y prácticas en laboratorio. Los estudiantes aprenderán sobre diferentes tipos de redes neuronales, sus aplicaciones, y cómo usar lógica difusa y computación evolutiva para la solución de problemas de ingeniería. Serán evaluados a través de prácticas grupales e individuales, laboratorios y un examen final.
1 how to invest in the project from me to youtmty999
This document provides instructions for investing in the "From me to you" project through the Perfect Money transfer system. It outlines how to create a Perfect Money account, deposit funds from various exchange partners, select the exchanger XMLGOLD, register an account, and send money to the specified Perfect Money wallets. Investment periods of 1, 3, 6, and 12 months with returns of 23-30% are listed. Withdrawals can be requested by email and will be processed within 5 business days. Bonuses of 15-3% are provided for different investment levels invited. Instructions are given for withdrawing bonuses.
To create a field in SAP CRM 7.0 using the AET tool, some settings must first be done using transaction code AXTSYS to define a package for storing extensions. The AET tool can then be used to build a new field which will be saved in the defined package.
The document discusses compulsive spending and how it relates to feelings of happiness. It states that many people shop to feel good when they are unhappy but that this can become an unhealthy habit. It also notes that compulsive spenders prefer to avoid dealing with issues in their lives and instead use shopping to cope with problems or strong feelings that they would rather deny. Some minor spending is natural, but compulsive spending is often tied to trying to feel better or avoiding difficult emotions.
This document provides a mark scheme for a Renaissance ELP (Extended Learning Project). It outlines the requirements to achieve different levels from I to E. The highest level, E, requires students to create a believable historical character, explain their viewpoint with evidence, analyze the thoughts of Renaissance men/women, and analyze how society changed due to developments in art, literature, science and exploration. Students are also expected to include 4-5 diary entries from the perspective of their character. The document guides students to self-evaluate their work and determine what level they achieved.
Las competencias disciplinares se dividen en dos categorías: disciplinares básicas y disciplinares extendidas. Integran conocimientos, habilidades y actitudes desde la lógica de las disciplinas académicas. Son nociones fundamentales que los estudiantes deben adquirir independientemente de su programa o trayectoria académica futura.
My sister loves chocolate. So do I. Neither Peter nor Mary were late. They can't speak Chinese, and neither can we. Coffee keeps you awake, and so does tea. Sarah doesn't like coffee, and neither does Jane. David's job isn't well paid, and neither is my job. My parents would love to live by the sea, and so would I. Tom wouldn't like to lose his job, and neither would Peter. Julie is interested in art, and so am I. Bill didn't understand the joke, and neither did his wife.
The document provides an overview of technology projects and activities happening across different grade levels at a school. Kindergarteners are learning computer skills like using an interactive whiteboard accessory called an ActivSlate. Beginning students have designed stickers and slideshows, while intermediate students made flyers and holiday cards and are now working on PowerPoint presentations. Advanced students are using Publisher software to create projects. The document also mentions that the fourth grade topic has not been determined yet.
Este documento presenta una unidad sobre modelado para el desarrollo de software usando el lenguaje UML. Explica conceptos como diagramas de casos de uso, diagramas de estado, diagramas de secuencia y sus elementos. Describe las relaciones entre casos de uso como inclusión, extensión y generalización. Explica cómo los diagramas de estado muestran los cambios de estado de un objeto y los diagramas de secuencia cómo los objetos se comunican mediante mensajes.
El documento presenta una introducción al modelado para el desarrollo de software y al lenguaje UML. Explica que el modelado ofrece una visión global del sistema y describe los principios y tipos de modelado. Luego introduce UML, explicando que es un lenguaje gráfico para especificar, construir, visualizar y documentar los objetos de un sistema, y que puede usarse en diversas industrias y metodologías. Finalmente, resume los diferentes diagramas de UML para representar la estructura, comportamiento e interacción de un sistema.
Este documento resume las destrezas adquiridas en el curso de Cálculo Diferencial del periodo Abril-Septiembre de 2012 en la Universidad Técnica de Manabí. Aprendió a reconocer funciones, hallar dominios e imágenes, identificar tipos de funciones, graficar funciones lineales, derivar funciones y resolver integrales. Estas destrezas son importantes para su desempeño profesional y le sirven para un mayor desenvolvimiento académico y espiritual.
1. El documento describe los componentes y características de los sistemas expertos, incluyendo la base de conocimientos, mecanismo de inferencia, componente explicativo e interfaz de usuario.
2. Los sistemas expertos imitan el razonamiento de un experto humano para resolver problemas complejos mediante el uso de reglas y conocimiento especializado almacenado durante el desarrollo del sistema.
3. Existen diferentes tipos de sistemas expertos como los basados en reglas, casos o redes bayesianas.
UTILIZACIÓN DE LA TECNOLOGÍA DE REDES NEURONALES PARA LA RESOLUCIÓN DE PROBLE...zeithy
Este documento describe las redes neuronales artificiales y su utilización para resolver problemas imprecisos de optimización. Explica que las redes neuronales, al igual que el cerebro, pueden aprender de ejemplos y resolver problemas complejos de manera paralela. También describe cómo las redes neuronales se pueden implementar a través de software o hardware especializado como chips neuronales.
Este documento presenta el syllabus de la asignatura Cálculo Diferencial de la Universidad Técnica de Manabí. Incluye información general como el nombre de la asignatura, el ciclo académico, los créditos y el docente responsable. Explica que el objetivo es desarrollar en los estudiantes el análisis y razonamiento matemático para interpretar su entorno desde la perspectiva del cálculo. También presenta los resultados de aprendizaje esperados como determinar el dominio, rango y gráficas de funciones
Este documento presenta el proyecto "Aprende Haciendo con Valentina", el cual propone un entorno para la enseñanza de la robótica educativa a través de 8 módulos que van desde la sensibilización hasta la producción. Los módulos buscan desarrollar habilidades como la creatividad, contextualizar conceptos físicos y sensoriales, y enseñar sobre procesamiento de información, estructuras mecánicas y lenguaje técnico-científico.
Este documento presenta un libro sobre fundamentos de programación. El libro introduce conceptos como algoritmos, análisis de eficiencia, notaciones de orden como O grande, y estructuras de control como ciclos y recursión. El objetivo es que los estudiantes aprendan conceptos prácticos de programación de una manera experimental mediante ejercicios y laboratorios.
Este documento discute los riesgos asociados con las soluciones de aprendizaje profundo y cómo gestionarlos. Explica que el aprendizaje profundo depende en gran medida de grandes conjuntos de datos para el entrenamiento y puede no ser la mejor opción cuando los datos no están disponibles. También señala que las soluciones actuales son superficiales y no transfieren bien a nuevos escenarios, y tienen dificultades con inferencias abiertas y situaciones ambiguas. Finalmente, propone formas de gestionar estos riesgos, como el uso
Este documento describe la programación orientada a objetos. Se define como un paradigma de programación que usa objetos y sus interacciones para diseñar aplicaciones. Sus principales características son la abstracción, encapsulamiento, modularidad, polimorfismo y herencia. La abstracción permite modelar la realidad mediante clases. El encapsulamiento reúne elementos en entidades con el mismo nivel de abstracción. La modularidad divide aplicaciones en módulos independientes. El polimorfismo permite compartir nombres para comportamientos de objetos distintos. Y la her
Wi0 a sistemasinteligentesyredesneuronalesjcbenitezp
Este documento presenta el sílabo de un curso sobre sistemas inteligentes y redes neuronales. El curso dura 6 créditos y cubre temas como redes neuronales artificiales, lógica difusa, y sus aplicaciones. El curso incluye clases teóricas y prácticas en laboratorio utilizando Matlab. Los estudiantes aprenderán a implementar algoritmos de redes neuronales y controladores difusos.
Este sílabo describe un curso de inteligencia artificial que cubre temas como redes neuronales, lógica difusa y algoritmos genéticos. El curso consta de 14 semanas que incluyen explicaciones teóricas y prácticas en laboratorio. Los estudiantes aprenderán sobre diferentes tipos de redes neuronales, sus aplicaciones, y cómo usar lógica difusa y computación evolutiva para la solución de problemas de ingeniería. Serán evaluados a través de prácticas grupales e individuales, laboratorios y un examen final.
1 how to invest in the project from me to youtmty999
This document provides instructions for investing in the "From me to you" project through the Perfect Money transfer system. It outlines how to create a Perfect Money account, deposit funds from various exchange partners, select the exchanger XMLGOLD, register an account, and send money to the specified Perfect Money wallets. Investment periods of 1, 3, 6, and 12 months with returns of 23-30% are listed. Withdrawals can be requested by email and will be processed within 5 business days. Bonuses of 15-3% are provided for different investment levels invited. Instructions are given for withdrawing bonuses.
To create a field in SAP CRM 7.0 using the AET tool, some settings must first be done using transaction code AXTSYS to define a package for storing extensions. The AET tool can then be used to build a new field which will be saved in the defined package.
The document discusses compulsive spending and how it relates to feelings of happiness. It states that many people shop to feel good when they are unhappy but that this can become an unhealthy habit. It also notes that compulsive spenders prefer to avoid dealing with issues in their lives and instead use shopping to cope with problems or strong feelings that they would rather deny. Some minor spending is natural, but compulsive spending is often tied to trying to feel better or avoiding difficult emotions.
This document provides a mark scheme for a Renaissance ELP (Extended Learning Project). It outlines the requirements to achieve different levels from I to E. The highest level, E, requires students to create a believable historical character, explain their viewpoint with evidence, analyze the thoughts of Renaissance men/women, and analyze how society changed due to developments in art, literature, science and exploration. Students are also expected to include 4-5 diary entries from the perspective of their character. The document guides students to self-evaluate their work and determine what level they achieved.
Las competencias disciplinares se dividen en dos categorías: disciplinares básicas y disciplinares extendidas. Integran conocimientos, habilidades y actitudes desde la lógica de las disciplinas académicas. Son nociones fundamentales que los estudiantes deben adquirir independientemente de su programa o trayectoria académica futura.
My sister loves chocolate. So do I. Neither Peter nor Mary were late. They can't speak Chinese, and neither can we. Coffee keeps you awake, and so does tea. Sarah doesn't like coffee, and neither does Jane. David's job isn't well paid, and neither is my job. My parents would love to live by the sea, and so would I. Tom wouldn't like to lose his job, and neither would Peter. Julie is interested in art, and so am I. Bill didn't understand the joke, and neither did his wife.
The document provides an overview of technology projects and activities happening across different grade levels at a school. Kindergarteners are learning computer skills like using an interactive whiteboard accessory called an ActivSlate. Beginning students have designed stickers and slideshows, while intermediate students made flyers and holiday cards and are now working on PowerPoint presentations. Advanced students are using Publisher software to create projects. The document also mentions that the fourth grade topic has not been determined yet.
This document contains the agenda and procedures for Ms. E. Felder's classroom. It includes an icebreaker activity, list of needed supplies, classroom guidelines, consequences for misbehavior, reward system using golden tickets, grading policies, and procedures for entering/exiting class including completing an exit ticket and daily clean up.
Este documento discute varios conceptos clave relacionados con valores y sociedad. Aborda la dignidad humana, los valores positivos y negativos, el anarquismo como ausencia de reglas sociales, la convivencia respetuosa en sociedad, la democracia como forma de toma de decisiones colectivas mediante participación, y la unión familiar basada en el amor, la confianza y la solidaridad. También menciona que la meta es lo que queremos alcanzar en nuestras vidas.
PowerPoint es una herramienta multimedia que permite presentar información utilizando varios medios como texto, sonido, gráficos, video y animación. El documento proporciona un ejemplo de presentación de PowerPoint para un estudiante de marketing, con cinco diapositivas y un índice.
This document provides instructions and exercises for an activity called "Agreeing and Disagreeing Exercise at Auto-English." It includes 10 examples of statements where students must choose the correct response to agree or disagree. It also includes an exercise with 20 examples where students must fill in gaps with adjective forms ending in "-ed" or "-ing" to complete sentences describing effects and causes.
Los inversionistas extranjeros que participan en el evento "Perú Day" ahora muestran mayor interés en invertir en sectores como la agricultura y la generación de energía eléctrica, más que solo en la minería. El director ejecutivo de Deloitte explicó que el enfoque de la inversión está cambiando de los recursos naturales a sectores de producción como la agricultura y energía, debido al crecimiento del Perú. La organización Peruvian Business Council informa a los inversionistas sobre la estabilidad económica del Perú para atra
This math problem asks students to determine which color each of five boys (Tom, Ki Jung, Sang woo, Genjiro, and Jake) likes based on clues provided. The clues state that Ki Jung likes red, Sang woo likes gold, Genjiro likes yellow, and Dennis likes pink. Students must use logical reasoning to fill in the grid with each boy's preferred color.
Clipping Vogue.it 29/11/11 @ IED BarcelonaIED Barcelona
IED is a company located in Italy that operates a website called www.ecostampa.it. The website appears to be related to eco-friendly or sustainable printing as the name translates to "eco printing" in Italian. However, no other details are provided in the short document.
El documento define varios términos relacionados con la inteligencia artificial y la informática, incluyendo inteligencia, inteligencia artificial, robótica, sistemas de percepción, sistemas expertos, redes neuronales, algoritmos genéticos, redes bayesianas, lógica difusa, lógica de primer orden, Prolog, Lisp y más. Cada término se define brevemente y se proporciona una referencia relacionada.
La inteligencia artificial puede ser considerada como una ciencia o ingeniería. Como ciencia, se enfoca en elaborar programas basados en comparaciones con la inteligencia humana para entender mejor el conocimiento humano. Como ingeniería, busca crear programas de alta eficiencia que funcionen como herramientas. A través de la inteligencia artificial también se han desarrollado sistemas expertos que pueden imitar la capacidad mental humana y hacer diagnósticos médicos con mayor precisión que los humanos.
La inteligencia artificial puede ser considerada como una ciencia o ingeniería. Como ciencia, se enfoca en elaborar programas basados en comparaciones con la inteligencia humana para entender mejor el conocimiento humano. Como ingeniería, busca crear programas de alta eficiencia que funcionen como herramientas. A través de la inteligencia artificial se han desarrollado sistemas expertos que pueden imitar la capacidad mental humana y hacer diagnósticos médicos con mayor precisión que los humanos.
La inteligencia artificial puede ser considerada como una ciencia o ingeniería. Como ciencia, se enfoca en elaborar programas basados en comparaciones con la inteligencia humana para entender mejor el conocimiento humano. Como ingeniería, busca crear programas de alta eficiencia que funcionen como herramientas. A través de la inteligencia artificial se han desarrollado sistemas expertos que pueden imitar la capacidad mental humana y hacer diagnósticos médicos con mayor precisión que los humanos.
Este documento define varios términos relacionados con la inteligencia artificial e incluye definiciones de inteligencia, inteligencia artificial, robótica, sistemas de percepción, sistemas expertos, redes neuronales, algoritmos genéticos, redes bayesianas, lógica difusa, lógica de primer orden, Prolog, Lisp y otros conceptos, con referencias para cada definición.
Este documento describe los sistemas expertos, incluyendo su definición, estructura y tipos. Los sistemas expertos son aplicaciones informáticas capaces de resolver problemas complejos basados en el conocimiento de uno o más expertos humanos. Están compuestos de una base de conocimientos que almacena el conocimiento del dominio extraído de expertos humanos, y un motor de inferencia que aplica reglas lógicas a la base de conocimientos para resolver problemas. Existen tres tipos principales de sistemas expertos: basados en reglas, basados en casos, y
Este documento describe los sistemas expertos, incluyendo su definición, estructura, tipos, ventajas y desventajas. Un sistema experto es un programa de computadora que emula el razonamiento de un experto humano para resolver problemas dentro de un dominio específico. Los sistemas expertos se componen de bases de conocimiento, motores de inferencia e interfaces de usuario. El documento también analiza DENDRAL, un sistema experto pionero desarrollado en la década de 1960 para ayudar a los químicos a inferir estructuras moleculares
Este documento describe los conceptos clave de los sistemas expertos, incluyendo su estructura básica, tipos, ventajas y desventajas. Explica que un sistema experto es un conjunto de programas que posee el conocimiento de uno o más expertos para resolver problemas en un área específica. Describe también algunas aplicaciones como monitoreo, diseño, planificación, control, simulación e instrucción.
Este documento describe los sistemas expertos, incluyendo su estructura básica, tipos, ventajas y desventajas. Un sistema experto es un programa informático que utiliza conocimientos de un experto humano para resolver problemas complejos de un dominio específico. Se compone de una base de conocimientos, base de hechos, motor de inferencia y módulos de justificación. Los sistemas expertos se utilizan comúnmente para la solución de problemas, diagnóstico, planificación, simulación, control e instrucción.
La inteligencia implica hacer el mejor uso de un saber previo para resolver problemas. La inteligencia artificial busca imitar la inteligencia humana a través de sistemas como la robótica, sistemas de percepción, sistemas expertos, redes neuronales, algoritmos genéticos, redes bayesianas, lógica difusa y lógica de primer orden.
Escuela Superior de Cd Sahagun plantilla2.pptxjosevillaltadso
Los sistemas expertos son programas de computadora que usan conocimiento y procedimientos de inferencia para resolver problemas complejos. El documento describe las principales ramas de la inteligencia artificial, incluyendo la robótica, sistemas de visión, procesamiento de lenguaje natural, sistemas de aprendizaje, redes neuronales, lógica difusa y algoritmos genéticos. También explica los componentes clave de los sistemas expertos como la base de conocimiento, memoria activa, reglas e inferencia.
Un sistema experto es un programa de computadora que simula el razonamiento de un experto humano en un dominio específico. Los sistemas expertos pueden resolver problemas de forma rápida y precisa, explicar sus resultados claramente y aprender de nuevas experiencias de la misma manera que un experto humano. Ejemplos tempranos y exitosos de sistemas expertos incluyen DENDRAL, que interpretaba estructuras moleculares, y XCON, que ayudaba a configurar sistemas de computadoras VAX de Digital Equipment Corporation.
Los sistemas expertos son programas de computadora que simulan el razonamiento de un experto humano. Estos sistemas pueden resolver problemas de forma rápida y precisa utilizando su base de conocimientos, y pueden explicar sus resultados de manera clara. Algunos ejemplos tempranos de sistemas expertos exitosos son DENDRAL, que interpretaba estructuras moleculares, y XCON, que ayudaba a configurar sistemas computacionales VAX para clientes.
La inteligencia artificial es una combinación de ciencias que busca crear máquinas que puedan pensar. Algunas tareas estudiadas incluyen juegos, traducción y diagnóstico. Las características clave son el uso de símbolos no matemáticos y la capacidad de adaptarse a problemas nuevos. Existen diferentes metodologías como redes neuronales, que pueden aprender de muchos ejemplos, y sistemas basados en conocimiento, que asocian entradas y salidas.
El documento habla sobre inteligencia artificial. Explica que la inteligencia artificial combina ciencia de la computación, fisiología y filosofía con el objetivo de crear máquinas que puedan pensar. También describe algunas tareas como juegos y traducción que han sido estudiadas desde esta perspectiva. Además, explica brevemente diferentes metodologías de inteligencia artificial como redes neuronales.
Este documento trata sobre los sistemas expertos. Brevemente:
1) Los sistemas expertos son aplicaciones informáticas que imitan el razonamiento de un experto humano para resolver problemas complejos en un dominio específico basándose en una gran base de conocimientos.
2) Existen tres tipos principales de sistemas expertos: basados en reglas, basados en casos, y basados en redes bayesianas.
3) Un sistema experto típico consta de una base de conocimientos, una base de hechos, un motor de infer
El documento proporciona una introducción a los sistemas expertos. Explica que los sistemas expertos son aplicaciones informáticas que imitan las actividades de un experto humano para resolver problemas complejos basados en un dominio de conocimiento específico. Describe los tres tipos principales de sistemas expertos: basados en reglas, basados en casos, y basados en redes bayesianas. También explica la estructura básica de un sistema experto, incluyendo la base de conocimiento y el motor de inferencia.
Aprendizaje y razonamiento eliezer alasEliezer Alas
Este documento introduce el aprendizaje automático y la inteligencia artificial. Explica que los sistemas actuales sólo pueden resolver problemas previstos, mientras que los sistemas inteligentes deben poder aprender de su entorno y resolver nuevos problemas. El objetivo del aprendizaje automático es dar a los programas de IA la capacidad de adaptarse sin necesidad de reprogramación. Se mencionan algunos usos como el reconocimiento de patrones y el análisis de datos, y se describen diferentes tipos de aprendizaje como inductivo, deductivo y conexionista
Este documento describe brevemente la historia y aplicaciones de las redes neuronales artificiales. Explica que las redes neuronales se inspiran en el cerebro humano y están compuestas de unidades interconectadas que pueden aprender de forma adaptativa. También destaca algunas ventajas clave como la capacidad de abstraer patrones, aprender, auto-organizarse y tolerar fallos. Finalmente, menciona algunos usos actuales y futuros potenciales como el control de sillas de ruedas y otros dispositivos mediante señales cerebrales u oculares.
Este documento describe brevemente la historia y clasificación de las redes neuronales artificiales, sus ventajas como la capacidad de aprendizaje y autoorganización, y algunas de sus aplicaciones comunes como el reconocimiento de patrones y predicciones. También anticipa que en el futuro las redes neuronales podrían utilizarse para controlar dispositivos mediante señales cerebrales u oculares.
El documento presenta los conceptos básicos de razonamiento probabilístico para sistemas expertos. Introduce la teoría de probabilidades y define conceptos como variables aleatorias y distribuciones de probabilidad. Explica cómo modelar el conocimiento mediante proposiciones lógicas asociadas a variables aleatorias, y describe mecanismos de inferencia probabilística como la marginalización y reglas de Bayes. Ilustra los conceptos con un ejemplo sobre fumar, sexo y enfisema.
The document discusses the results of a study on the impact of climate change on wheat production. Researchers found that higher temperatures and changing precipitation patterns due to climate change will significantly reduce wheat yields across major wheat-producing regions by the end of the century. Reductions in wheat production are projected to range from 6-27% depending on future greenhouse gas emissions and efforts to adapt farming techniques to new climate conditions.
Este documento describe el desarrollo de un sistema de identificación de árboles basado en inteligencia artificial. Presenta el análisis del problema, los elementos del dominio como las características de las hojas y del árbol, y las estrategias para la resolución del problema mediante clasificación heurística. El sistema utiliza reglas de abstracción, asociación y refinamiento para clasificar los árboles en géneros y especies en función de sus características observables.
The document discusses the benefits of exercise for both physical and mental health. Regular exercise can improve cardiovascular health, reduce symptoms of depression and anxiety, enhance mood, and boost brain function. Staying physically active helps fight diseases and conditions, increases energy levels, and promotes better quality of life.
Este documento describe las fases del proceso de ingeniería del conocimiento para desarrollar sistemas basados en el conocimiento. Estas fases incluyen la identificación del problema, la conceptualización de los conceptos clave y sus relaciones, la formalización del conocimiento en un formato computable, la implementación de reglas y la prueba del sistema. También discute las dificultades en la extracción del conocimiento de expertos humanos y diferentes clasificaciones de sistemas basados en el conocimiento.
La Unión Europea ha acordado un paquete de sanciones contra Rusia por su invasión de Ucrania. Las sanciones incluyen restricciones a las importaciones de productos rusos clave como el acero y limitar el acceso de los bancos rusos a los mercados financieros de la UE. Los líderes de la UE esperan que las sanciones aumenten la presión económica sobre Rusia y la disuadan de continuar su agresión contra Ucrania.
Este documento introduce el concepto de ontologías en inteligencia artificial. Explica que una ontología es una especificación formal de una conceptualización que incluye un vocabulario de términos y su significado. Las ontologías permiten compartir y reutilizar conocimiento común entre sistemas. Sin embargo, existen problemas como la heterogeneidad de formalismos y suposiciones ocultas que dificultan la reutilización. El uso extendido de ontologías podría resolver estos problemas y permitir un entendimiento compartido entre sistemas. El documento también describe los componentes
La Unión Europea ha acordado un paquete de sanciones contra Rusia por su invasión de Ucrania. Las sanciones incluyen restricciones a las transacciones con bancos rusos clave y la prohibición de la venta de aviones y equipos a Rusia. Los líderes de la UE esperan que las sanciones aumenten la presión económica sobre Rusia y la disuadan de continuar su agresión contra Ucrania.
1. Inteligencia Articial
(IA)
Apuntes de Aprendizaje Automático
This work is licensed under the Creative Commons
Attribution-NonCommercial-ShareAlike License. BY:
Javier Béjar C
$
To view a copy of this license, visit http://creativecommons.org/licenses/by-nc-sa/2.0/ or
Departament de Llenguatges i Sistemes Informàtics
send a letter to:
Enginyeria en informàtica
o
2 Cuatrimestre - curso 2005/2006
Creative Commons,
559 Nathan Abbott Way, Stanford,
California 94305,
C
$
BY:
USA.
1
2. Aprendizaje analítico o deductivo: Aplicamos la deducción para obtener descripciones
1. Aprendiza je Automático
generales a partir de un ejemplo de concepto y su explicación. Esta generalización puede ser
memorizada para ser utilizada en ocasiones en las que nos encontremos con una situación
Todas las técnicas que hemos visto hasta ahora están encaminadas a desarrollar aplicaciones para
parecida a la del ejemplo.
problemas que necesitan inteligencia en su resolución. Fundamentalmente, éstas están orientadas a
incluir conocimiento del dominio para facilitar su resolución, intentando evitar el coste computacional
Aprendizaje genético: Aplica algoritmos inspirados en la teoría de la evolución para encon-
que implican los algoritmos generales.
trar descripciones generales a conjuntos de ejemplos. La exploración que realizan los algoritmos
Una de las limitaciones que podemos percibir es que estas aplicaciones no podrán resolver proble- genéticos permiten encontrar la descripción mas ajustada a un conjunto de ejemplos.
mas para las que no haya sido programadas. Es decir, sus límites están impuestos por el conocimiento
Aprendizaje conexionista: Busca descripciones generales mediante el uso de la capacidad
que hemos integrado en ellas.
de adaptación de redes de neuronas articiales. Una red neuronal esta compuesta de elementos
Si queremos tener aplicaciones que podamos considerar inteligentes en un sentido amplio, estas
simples interconectados que poseen estado. Tras un proceso de entrenamiento, el estado en el
han de ser capaces de ir mas allá de este límite. De hecho nos parecería mas inteligente una aplicación
que quedan las neuronas de la red representa el concepto aprendido.
capaz de adaptarse y poder integrar nuevo conocimiento, de manera que pueda resolver nuevos
problemas.
El área de aprendizaje automático dentro de la inteligencia articial es la que se encarga de 2. Aprendiza je Inductivo
estas técnicas. La idea es buscar métodos capaces de aumentar las capacidades de las aplicaciones
habituales (sistemas basados en el conocimiento, tratamiento del lenguaje natural, robótica, ...) de
Se trata del área de aprendizaje automático mas extensa y mas estudiada (de hecho los aprendiza-
manera que puedan ser mas exibles y ecaces.
jes genético y conexionista también son inductivos). Su objetivo es descubrir descripciones generales
Hay diversas utilidades que podemos dar al aprendizaje en los programas de inteligencia articial que permitan capturar las características comunes de un grupo de ejemplos. El fundamento de estos
(y en el resto también) podemos citar tres esenciales: métodos es la observación de las similaridades entre los ejemplos y la suposición de que se puede
generalizar a partir de un número limitado de observaciones.
Tareas difíciles de programar: Existen muchas tareas excesivamente complejas en las que Esta generalización a partir de un conjunto limitado de ejemplos cae dentro de lo que deno-
construir un programa capaz de resolverlas es prácticamente imposible. Por ejemplo, si que- minaremos razonamiento inductivo, en contraste con el razonamiento deductivo. El razonamiento
remos crear un sistema de visión capaz de reconocer un conjunto de caras sería imposible inductivo permite obtener conclusiones generales a partir de información especíca. Estas conclu-
programar a mano ese reconocimiento. El aprendizaje automático nos permitiría construir un siones evidentemente son conocimiento nuevo, ya que no estaba presente en los datos iniciales. Este
modelo a partir de un conjunto de ejemplos que nos haría la tarea de reconocimiento. Otras tipo de razonamiento tiene la característica de no preservar la verdad, en el sentido de que nuevo
tareas de este tipo lo constituirían ciertos tipos de sistemas basados en el conocimiento (sobre conocimiento puede invalidar lo que hemos dado por cierto mediante el proceso inductivo. Por ejem-
todo los de análisis), en los que a partir de ejemplos dados por expertos podríamos crear un plo, si observamos un conjunto de ejemplos de aves y vemos que todas vuelan, podemos sacar la
modelo que realizara su tarea conclusión de que todas las aves vuelan (inducción), pero cuando nos presentan como nuevo ejemplo
un pingüino, veremos que la conclusión a la que hemos llegado no es cierta, ya que no cubre la nueva
Aplicaciones auto adaptables: Muchos sistemas realizan mejor su labor si son capaces de
observación. El mayor problema del razonamiento inductivo es que no tiene una base teórica sólida
adaptarse a las circunstancias. Por ejemplo, podemos tener una aplicación que adapte su interfaz
como el razonamiento deductivo, que al contrario que el primero si preserva la verdad (ningún nuevo
a la experiencia del usuario. Un ejemplo bastante cercano de aplicaciones auto adaptables son
ejemplo puede invalidar lo que deducimos) y está soportado por la lógica matemática.
los gestores de correo electrónico, que son capaces de aprender a distinguir entre el correo no
Los métodos inductivos son de naturaleza heurística, no existe una teoría o procedimientos que
deseado y el correo normal.
lo fundamenten de manera sólida. Supone que la observación de un número limitado de ejemplos
Minería de datos/Descubrimiento de conocimiento: El aprendizaje puede servir para es suciente para sacar conclusiones generales a pesar de que un solo ejemplo puede invalidarlas1 .
ayudar a analizar información, extrayendo de manera automática conocimiento a partir de Pese a esta falta de fundamento en el aprendizaje inductivo, podemos observar que gran parte del
conjuntos de ejemplos (usualmente millones) y descubriendo patrones complejos. aprendizaje humano es de este tipo, de hecho la mayor parte de las ciencias se basan en él.
1.1. Tipos de aprendizaje 2.1. Aprendizaje como búsqueda
El área de aprendizaje automático es relativamente amplia y ha dado lugar a muchas técnicas El aprendizaje inductivo de suele plantear como una búsqueda heurística. El objetivo de la bús-
diferentes de aprendizaje, podemos citar las siguientes: queda es descubrir la representación que resuma las características de un conjunto de ejemplos. Esta
representación puede ser una función, una fórmula lógica o cualquier otra forma de representación.
Aprendizaje inductivo: Se pretenden crear modelos de conceptos a partir de la generalización 1 Citando a Albert Einstein Ninguna cantidad de experimentos pueden probar que estoy en lo cierto, un solo
de conjuntos de ejemplos. Buscamos descripciones simples que expliquen las características experimento puede demostrar que estoy equivocado
comunes de esos ejemplos.
1 2
3. En esta búsqueda, consideraremos como espacio de búsqueda todas las posibles representaciones Nuestro objetivo en este método de aprendizaje es conseguir distinguir conjuntos de ejemplos
que podemos construir con nuestro lenguaje de representación. El objetivo de la búsqueda es encontrar pertenecientes a diferentes conceptos (clases). Para representar la descripción de los conceptos de
cada clase usaremos como lenguaje de representación un árbol de preguntas (árbol de inducción)
la representación que describa los ejemplos. El tamaño de este espacio de búsqueda dependerá del
lenguaje de representación que escojamos. Evidentemente, cuanto más expresivo sea el lenguaje más que almacenará las preguntas que nos permitirán distinguir entre los ejemplos de los conceptos que
grande será este espacio de búsqueda. Por ejemplo, si queremos poder expresar nuestro concepto queramos aprender. Cada nodo del árbol será una pregunta y tendremos para cada nodo tantas ramas
mediante una fórmula conjuntiva pura tenemos O(3n ) posibles conceptos, si queremos expresarlo como respuestas pueda tener esa pregunta. Las hojas de este árbol corresponderan con la clase a la
mediante una fórmula en FND tenemos O(22 ) posibles conceptos. que pertenecen los ejemplos que tienen como respuestas las correspondientes al camino entre la raíz
n
y la hoja.
Para describir un problema de búsqueda necesitamos dos elementos más aparte del espacio de
búsqueda, los operadores de cambio de estado y una función heurística. Los operadores de cambio El lenguaje de descripción de los árboles de inducción corresponde a las fórmulas en FND, tenemos
de estado dependerán del método de aprendizaje que empleemos y el lenguaje de representación, por lo tanto O(22 ) descripciones posibles. Evidentemente, no podemos plantearlos explorar todos
n
pero han de ser capaces de modicar la representación que utilizamos para describir el concepto que para encontrar el más adecuado, por lo que tendremos que utilizar búsqueda heurística.
queremos aprender. La función heurística también depende del método, ésta nos ha de guiar en el Los algoritmos de construcción de árboles de inducción siguen una estrategia Hill-Climbing. Se
proceso de encontrar la descripción que incluye a los ejemplos de que disponemos. La mayoría de parte de un árbol vació y se va particionando el conjunto de ejemplos eligiendo a cada paso el atributo
métodos utilizan como criterio de preferencia una función que permita obtener la descripción mas que mejor discrimina entre las clases. El operador de cambio de estado es la elección de este atributo.
pequeña consistente con los ejemplos. la función heurística será la que determine que atributo es el mejor, esta elección es irrevocable, por
La razón de utilizar este sesgo en la función heurística es simple. Por lo general deseamos que la lo que no tenemos garantía de que sea la óptima. La ventaja de utilizar esta estrategia es que el coste
descripción que obtengamos sea capaz de prever ejemplos no vistos. Si la descripción que obtenemos computacional es bastante reducido.
es la más pequeña, existe menos riesgo de que tengamos características que sean especícas de los La función heurística ha de poder garantizarnos que el atributo elegido minimiza el tamaño del
ejemplos que hemos utilizado para construirla, de manera que probablemente será sucientemente árbol. Si la función heurística es buena el árbol resultante será cercano al óptimo.
general para capturar el concepto real. Esta preferencia por los conceptos mínimos proviene del
El algoritmo básico de árboles de inducción fue desarrollado por Quinlan3 y es conocido como
principio denominado navaja de Occam2 .
algoritmo ID3. Este algoritmo se basa en la teoría de la información para la selección del mejor
atributo en cada uno de los niveles del árbol. En concreto el algoritmo utiliza la noción de entropía
de Shannon, que es una medida de la aleatoriedad de la distribución de un conjunto de ejemplos
2.2. Tipos de aprendizaje inductivo
sobre las clases a las que pertenecen.
Podemos distinguir dos tipos de aprendizaje inductivo, el supervisado y el no supervisado. La teoría de la información estudia entre otras cosas los mecanismos de codicación de mensajes
El aprendizaje supervisado es aquel en el que para cada ejemplo que tenemos, conocemos el y el coste de su transmisión. Si denimos un conjunto de mensajes M = {m1 , m2 , ..., mn }, cada uno
nombre del concepto al que pertenece, lo que denominaremos la clase del ejemplo. Por lo tanto la de ellos con una probabilidad P (mi ), podemos denir la cantidad de información (I) contenida en
entrada de este tipo de aprendizaje es un conjunto de ejemplos clasicados. El aprendizaje se realiza un mensaje de M como:
por contraste, pretendemos distinguir los ejemplos de una clase de los del resto. Dispondremos de
un conjunto de operadores capaces de generar diferentes hipótesis sobre el concepto a aprender y n
−P (mi )log(P (mi ))
I(M ) =
tendremos una función heurística que nos permitirá elegir la opción más adecuada. El resultado del
i=1
proceso de aprendizaje es una representación de las clases que describen los ejemplos.
Este valor se puede interpretar como la información necesaria para distinguir entre los mensajes
El aprendizaje no supervisado es más complejo, no existe una clasicación de los ejemplos y debe-
de M (Cuantos bits de información son necesarios para codicarlos). Dado un conjunto de mensajes
mos encontrar la mejor manera de estructurarlos, obteniendo por lo general una partición en grupos.
podemos obtener la mejor manera de codicarlos para que el coste de su transmisión sea mínimo.
El proceso de aprendizaje se guia por la similaridad/disimilaridad de los ejemplos, construyendo
Podemos hacer la analogía con la codicación de mensajes suponiendo que las clases son los
grupos en los que los ejemplos similares están juntos y separados de otros ejemplos menos similares.
mensajes y la proporción de ejemplos de cada clase su probabilidad. Podemos ver un árbol de decisión
El resultado de este proceso de aprendizaje es una partición de los ejemplos y una descripción de los
como la codicación que permite distinguir entre las diferentes clases. El objetivo es encontrar el
grupos de la partición.
mínimo árbol (codicación) que nos permite distinguir los ejemplos de cada clase. Cada atributo se
deberá evaluar para decidir si se le incluye en el código (árbol). Un atributo será mejor cuanto mas
permita discriminar entre las diferentes clases.
3. Árboles de Inducción
Como se ha comentado, el árbol se construye a partir de cero de manera recursiva, en cada nodo
del árbol debemos evaluar que atributo permite minimizar el código (reduce el tamaño del árbol).
Podemos plantear el aprendizaje de un concepto como el averiguar qué conjunto mínimo de
Este atributo será el que haga que la cantidad de información que quede por cubrir sea la menor, es
preguntas hacen falta para distinguirlo de otros (algo así como el juego de las 20 preguntas). Este
decir, el que minimice el número de atributos que hace falta añadir para discriminar totalmente los
conjunto de preguntas nos servirá como una caracterización del concepto.
ejemplos. La elección de un atributo debería hacer que los subconjuntos de ejemplos que genera el
2 William of Occam (1285-1349) Dadas dos teorías igualmente predictivas, es preferible la más simple
Induction of Decision Trees, Machine Learning, 1(1) 81-106, 1996.
3 J. R. Quinlan,
3 4
4. Ejemplo 1 Tomemos la siguiente clasicación:
atributo sean mayoritariamente de una clase. Para medir esto necesitamos una medida de la cantidad
de información que no cubre un atributo (medida de Entrapa, E)
Ej. Ojos Cabello Estatura Clase
La formulación es la siguiente, dado un conjunto de ejemplos X clasicados en un conjunto de
1 Azules Rubio Alto +
clases C = {c1 , c2 , · · · cn }, siendo #ci la cardinalidad de la clase ci y #X el numero total de ejemplos,
2 Azules Moreno Medio +
se dene la función cantidad de información como:
3 Marrones Moreno Medio −
4 Verdes Moreno Medio −
#ci #ci
5 Verdes Moreno Alto
I(X , C) = − · log( +
)
#X #X 6 Marrones Moreno Bajo −
ci ∈C
7 Verdes Rubio Bajo −
Para cada uno de los atributos Ai , siendo {vi1 , . . . vin } el conjunto de modalidades del atributo Ai
8 Azules Moreno Medio +
y #[Ai (C) = vij ] el numero de ejemplos que tienen el valor vij en su atributo Ai , se dene la función
de entropía como: Si calculamos los valores para las funciones I y E:
#[Ai (C) = vij ]
E(X , C, Ai ) = · I([Ai (C) = vij ], C)
I(X, C) = −1/2 · log(1/2) − 1/2 · log(1/2) = 1
#X
vij ∈Ai
E(X, ojos) = (azul) 3/8 · (−1 · log(1) − 0 · log(0))
Con estas dos medidas se dene la función de ganancia de información para cada atributo como:
+ (marrones) 2/8 · (−1 · log(1) − 0 · log(0))
+ (verde) 3/8 · (−1/3 · log(1/3) − 2/3 · log(2/3))
G(#X , C, Ai ) = I(X, C) − E(X, Ai )
= 0,344
El atributo que maximice este valor se considera como la mejor elección para expandir el siguiente E(X, cabello) = (rubio) 2/8 · (−1/2 · log(1/2) − 1/2 · log(1/2))
nivel del árbol. + (moreno) 6/8 · (−1/2 · log(1/2) − 1/2 · log(1/2))
El algoritmo que se sigue para la generación del árbol es el siguiente: =1
E(X, estatura) = (alto) 2/8 · (−1 · log(1) − 0 · log(0))
Algoritmo ID3 (X : Ejemplos, C: Clasicación, A: Atributos) + (medio) 4/8 · (−1/2 · log(1/2) − 1/2 · log(1/2))
Si todos los ejemplos son de la misma clase retorna árbol de la clase
si no + (bajo) 2/8 · (0 · log(0) − 1 · log(1))
Calcular la función de cantidad de información de los ejemplos (I) = 0,5
Para cada atributo en A
Como podemos comprobar, es el atributo ojos el que maximiza la función.
Calcular la función de entrapa (E) y la ganancia de información (G)
Escoger el atributo que maximiza G (sea a)
Eliminar a de la lista de atributos (A) G(X, ojos) = 1 − 0,344 = 0,656 ∗
Para cada particion generada por los valores vi del atributo a
G(X, cabello) = 1 − 1 = 0
Árboli =ID3(ejemplos de X con a=vi , Clasicación de los ejemplos,
Atributos restantes) G(X, estatura) = 1 − 0,5 = 0,5
Generar árbol con a=vi y Árboli
Retornar la unión de todos los arboles
n Algoritmo Este atributo nos genera una partición que forma el primer nivel del árbol.
OJOS
Este algoritmo de generación de árboles de decisión no es el único que existe, por ejemplo se
pueden escoger otras heurísticas para hacer la elección de atributos en cada nodo4 o se puede hacer
más de una pregunta en cada nodo del árbol.
AZULES
Un árbol de decisión se puede transformar fácilmente en otras representaciones. Por ejemplo, para VERDES
MARRONES
generar un conjunto de reglas a partir de un árbol es suciente con recorrer todos los caminos desde
la raíz hasta las hojas generando una regla con los atributos y valores que aparecen en los nodos de
cada camino.
4,7 5
1,2,8 3,6
4 La entrapa no es el único criterio, de hecho no existe ninguna heurística que sea mejor que el resto y el resultado
− +
+ −
depende muchas veces del dominio de aplicación
5 6
5. Ahora solo en el nodo correspondiente al valor verdes tenemos mezclados objetos de las dos
clases, por lo que repetimos el proceso con esos objetos.
Ej. Cabello Estatura Clase
4 Moreno Medio −
5 Moreno Alto +
7 Rubio Bajo −
Si calculamos los valores para las funciones I y E:
I(X, C) = −1/3 · log(1/3) − 2/3 · log(2/3) = 0,918
E(X, cabello) = (rubio) 1/3 · (0 · log(0) − 1 · log(1))
+ (moreno) 2/3 · (−1/2 · log(1/2) − 1/2 · log(1/2))
= 0,666
E(X, estatura) = (alto) 1/3 · (0log(0) − 1 · log(1))
+ (medio) 1/3 · (−1 · log(1) − 0 · log(0))
+ (bajo) 1/3 · (0 · log(0) − 1 · log(1))
=0
Ahora el atributo que maximiza la función es ojos.
G(X, cabello) = 0,918 − 0,666 = 0,252
G(X, estatura) = 0,918 − 0 = 0,918∗
El árbol resultante es ya totalmente discriminante.
OJOS
AZULES
VERDES
MARRONES
ESTATURA
1,2,8 3,6
+ −
ALTO MEDIO BAJO
5 4 7
+ − −
Este árbol se podría reescribir por ejemplo como un conjunto de reglas:
(Ojos = Azul → C+)
(Ojos = Marrones → C-)
(Ojos = Verdes y Altura = Medio → C-)
(Ojos = Verdes y Altura = Bajo → C-)
(Ojos = Verdes y Altura = Alto → C+)
7