Este documento presenta una introducción al aprendizaje automático. Define el aprendizaje automático como el desarrollo de técnicas que permiten a las computadoras aprender a partir de ejemplos, generalizando patrones para reconocer nuevas situaciones. Explica dos formas de adquirir experiencia, el aprendizaje supervisado y no supervisado, y clasifica el aprendizaje en inductivo, deductivo, analógico y genético. Finalmente, enumera diversas aplicaciones del aprendizaje automático en campos como el pro

1. PERFIL DE TRABAJO
I. DATOS GENERALES:
1.1. TITULO :
- APRENDIZAJE AUTOMATICO
1.2. FECHA DE INICIO :
- LUNES, 7 de SETIEMBRE del 2015
1.3. ALUMNO(A) :
- BRAVO BAUTISTA JOSSELY
APRENDIZAJE AUTOMÁTICO
I. INTRODUCCIÓN
En cualquier caso, como el tema del que estamos hablando está relacionado con el
aprendizaje, lo primero que hemos de preguntarnos es ¿Qué entendemos por
aprender? y, ya que queremos dar metodologías generales para producir un
aprendizaje de forma automática, una vez que fijemos este concepto habremos de dar
métodos para medir el grado de éxito/fracaso de un aprendizaje. En cualquier caso, ya
que estamos trasladando un concepto intuitivo y que usamos normalmente en la vida
diaria a un contexto computacional, ha de tenerse en cuenta que todas las definiciones
que demos de aprendizaje desde un punto de vista computacional, así como las
diversas formas de medirlo, estarán íntimamente relacionadas con contextos muy
concretos y posiblemente lejos de lo que intuitivamente, y de forma general,
entendemos por aprendizaje.
Una definición relativamente general de aprendizaje dentro del contexto humano
podría ser la siguiente: proceso a través del cual se adquieren o modifican habilidades,
destrezas, conocimientos, conductas o valores como resultado del estudio, la
experiencia, la instrucción, el razonamiento y la observación. De esta definición es
importante hacer notar que el aprendizaje debe producirse a partir de la experiencia
con el entorno, no se considera aprendizaje toda aquella habilidad o conocimiento que
sean innatos en el individuo o que se adquieran como resultado del crecimiento natural
de éste. Siguiendo un esquema similar, en el AA vamos a considerar aprendizaje a
aquello que la máquina pueda aprender a partir de la experiencia, no a partir del
reconocimiento de patrones programados a priori. Por tanto, una tarea central de cómo
aplicar esta definición al contexto de la computación va a consistir en alimentar la
experiencia de la máquina por medio de objetos con los que entrenarse (ejemplos)

2. para, posteriormente, aplicar los patrones que haya reconocido sobre otros objetos
distintos.
II. DEFINICIÓN
A Grosso modo, el Aprendizaje Automático (AA, o Machine Learning, por su nombre en
inglés) es la rama de la Inteligencia Artificial que tiene como objetivo desarrollar
técnicas que permitan a las computadoras aprender. De forma más concreta, se trata
de crear algoritmos capaces de generalizar comportamientos y reconocer patrones a
partir de una información suministrada en forma de ejemplos.
El objetivo principal de todo proceso de aprendizaje es utilizar la evidencia conocida
para poder crear una hipótesis y poder dar una respuesta a nuevas situaciones no
conocidas.
Por ejemplo, un programa de computación que aprende a jugar al ajedrez debería
mejorar su performance, medida por su habilidad de ganar en la clase de
tareas correspondientes a jugar partidas de ajedrez, a través de la experiencia obtenida
jugando partidas.
Dos formas posibles de adquirir experiencia:
 APRENDIZAJE SUPERVISADO
A partir de ejemplos suministrados por un usuario (ej.Reconocimiento de
patrones: un conjunto de ejemplos clasificados o etiquetados es la fuente de
información o la experiencia necesaria para el aprendizaje).
 APRENDIZAJE NO SUPERVISADO.
Mediante exploración autónoma (ej. software que aprende a jugar al ajedrez
mediante la realización de miles de partidas contra sí mismo; o robot que
aprende a salir de un laberinto mediante prueba y error).

3. Algunos ejemplos de Problemas de AA:
 Tarea: Jugar ajedrez
Medida de Performance: Porcentaje de partidas ganadas a oponentes
Experiencia de Entrenamiento: Partidas jugadas.
 Tarea: Reconocer y clasificar palabras manuscritas.
Medida de Performance: Porcentaje de palabras bien reconocidas o clasificadas
Experiencia de Entrenamiento: Una base de datos de palabras manuscritas reconocidas
o clasificadas previamente.
 Tarea: Conducir un vehículo en autopistas publicas utilizando sensores de visión
Medida de Performance: Distancia promedio hasta que se produzca un error (desde el
punto de vista de un juez humano)
Experiencia de Entrenamiento: Secuencia de imágenes y comandos de conducción del
vehículo extraídos de un conductor humano.

4. III. CLASIFICACIÓN DEL APRENDIZAJE
 Aprendizaje inductivo:
Creamos modelos de conceptos a partir de generalizar ejemplos simples.
Buscamos patrones comunes que expliquen los ejemplos.
Se basa en una generalización:
Datos de entrada específicos: ejemplos dados por un usuario (sólo un
subconjunto de todas las posibles situaciones).
Datos de salida generales: modelo o regla que puede ser aplicada a todos los
ejemplos, conocidos o no.
Ejemplo: reconocimiento de caras.  EJEMPLOS ESPECÍFICOS ‐> MODELO
GENERAL
 Aprendizaje analítico o deductivo:
Aplicamos la deducción para obtener descripciones generales a partir de un
ejemplo de concepto y su explicación.
Se basa en una especialización:

5. Datos de entrada: reglas o modelos generales (aplicables a todos los
ejemplos).Datos de salida: reglas específicas (aplicables sólo a los ejemplos en
los que se cumplen ciertas condiciones).
MODELOS GENERALES ‐> MODELOS ESPECÍFICOS
 Aprendizaje Analógico
Buscamos soluciones a problemas nuevos basándonos en encontrar similaridades
con problemas ya conocidos y adaptando sus soluciones. Este tipo de
aprendizaje intenta emular algunas de las capacidades humanas más
sorprendente poder entender una situación por su parecido con situaciones
anteriores conocidas.
Ejemplo: sistemas eléctricos
 Aprendizaje genético:
Aplica algoritmos inspirados en la teoría de la evolución para encontrar
descripciones generales a conjuntos de ejemplos
Ejemplo: Problema del viajero Con 20 ciudades, el viajero debería calcular
2.432.902.008.176.640.000 combinaciones (20!).
IV. APLICACIONES
Hoy en día existen aplicaciones que utilizan agentes basados en aprendizaje en
numerosas ramas de la industria y de la ciencia. Por ejemplo:
 Procesamiento del Lenguaje Natural
Para el análisis sintáctico y morfológico de los textos. Extracción de Información,
Clasificación Automática de Documentos, Agrupamiento Semántico, entre otras
tareas se cubren utilizando técnicas de ML. Los modelos de Análisis de
Sentimiento permiten reconocer la orientación o polaridad subjetiva de un
texto, esto es, si están hablando bien o mal de aquello que se está opinando.
 Sistemas de Recuperación de Información
Los buscadores de Internet utilizan técnicas de ML para mejorar la performance
de sus búsquedas y confeccionar rankings personalizados según la experiencia
de los usuarios.
 Diagnóstico Médico
Se utilizan técnicas de ML para asistir a médicos en el diagnóstico según la
historia clínica y los síntomas que presenta el paciente. También existen

6. modelos que miden el riesgo de vida de un accidentado y decidir en el envío de
una ambulancia, un médico particular o puede tratarse el incidente por
teléfono.
 Ciencias biológicas
Para la clasificación de especies, reconocimiento de tumores o arritmias o
patrones en cadenas de ADN. Descubrimiento y predicción de patrones de
movilidad.
 Finanzas e Industria bancaria
La industria bancaria utiliza modelos de riesgo crediticio para calificar a los
solicitantes según su nivel de cumplimiento esperado en el pago de las cuotas
del crédito. También existen modelos de fraude de consumo de tarjetas de
crédito y de predicción de comportamiento en el mercado de valores.
 Análisis de imágenes
Para reconocer escritura manuscrita, identificar direcciones y remitentes de un
envío postal, facturas o recibos u otro tipo de documentos legales. También otro
tipo de objetos dentro de una imagen, como personas, rostros, monumentos
arquitectónicos o accidentes geográficos, etc.
 Juegos
Ya existen muchos juegos, como el Backgammon y las Damas, donde programas
de computadoras que han sido entrenadas con técnicas de ML superan a los
campeones mundiales.
 Sistemas de Recomendación
- Extracción de Información, Clasificación Automática de Documentos
- Agrupamiento Semántico, Análisis de Sentimiento, entre otras tareas se
cubren utilizando técnicas de ML.
 Robótica/ Electrónica
- Se utilizan modelos de ML para regular el desplazamiento de robots.
- Robótica, localización y sistemas de almacenamiento.
- Detección y predicción de fallas
- Monitoreo de procesos de manufactura
- Modelado de sistemas altamente no lineales