Professional Documents
Culture Documents
Tema2 Adquisicindeconceptos
CienciasdelaComputacineInteligenciaArtificial
Tema2:Adquisicindeconceptos
ndice
Aprendizajeautomtico
Tema2:Adquisicindeconceptos
2.1Caractersticasgenerales
Aprendizajeinductivo
Aprenderaspectosgeneralesapartirdeejemploscondatos particulares Setratadeunaprendizajesupervisado
Aprendizajeinductivosimblico
Utilizaunarepresentacinsimblica (redessemnticas,reglas,programacinlgica,)
Aprendizajeinductivosubsimblico
Utilizaunarepresentacinsubsimblica (redesneuronales,conjuntosdifusos) Sedesarrollapormediodealgoritmosdeajusteparamtrico
3
Aprendizajeautomtico
Tema2:Adquisicindeconceptos
2.1Caractersticasgenerales
Formasdeaprendizajeinductivosimblico
Silosejemplosreflejansituacionesconmltiplesobjetosyrelaciones Adquisicindeconceptos Silosejemplosserefierenaconjuntosatributovalor Clasificacinsupervisada Sisepretendeadquirirunmodelolgico ProgramacinLgicaInductiva
Aprendizajeautomtico
Tema2:Adquisicindeconceptos
2.1Caractersticasgenerales
Adquisicindeconceptos
Surgeenladcadadelos70 Seproduceundeclivedelaaproximacinneuronal Aparecenlosprimeroslenguajesdemanipulacinsimblica Lainvestigacinsecentraenproblemasdejuegos Seintentanobtenermecanismosdeaprendizajesimblico generalesconmuypocainformacindepartida
Algoritmospropuestos
Winston (1970),HayesRoth (1977),Vere (1975),Michalski Dietterich (1981) Mitchell (1982)proponeunmarcounificado(espaciode versiones)
5
Aprendizajeautomtico
Tema2:Adquisicindeconceptos
2.2Primerosalgoritmos
MtododeWinston
Desarrolladoalolargodeladcadadelos70 SeconsideraelpuntodepartidadelAprendizajeBasadoen Similitudes (SBL) ElautorlodenominaLearning byanalyzing differences Introduceelconceptodecuasiejemplo (ejemplonegativomuy prximoalosejemplospositivos) Utilizacomorepresentacinlasredessemnticastantoparalos ejemploscomoparalosconceptos Secentraeneldominiodeaplicacindelmundodebloques
Aprendizajeautomtico
Tema2:Adquisicindeconceptos
2.2Primerosalgoritmos
MtododeWinston
Ejemplo1
C Ejemplo B A
Aprendizajeautomtico
Tema2:Adquisicindeconceptos
2.2Primerosalgoritmos
MtododeWinston
Ejemplo1
forma
rombo
circulo
caja
C Ejemplo B A
Aprendizajeautomtico
Tema2:Adquisicindeconceptos
2.2Primerosalgoritmos
MtododeWinston
Ejemplo1
forma
rombo
circulo
caja
Aprendizajeautomtico
Tema2:Adquisicindeconceptos
2.2Primerosalgoritmos
MtododeWinston
Ejemplo1
forma
rombo
circulo
caja
C sombra Ejemplo B A medio grande Tiene como parte Encima de Tiene la propiedad Tipo de
10
textura liso
tamao
Aprendizajeautomtico
Tema2:Adquisicindeconceptos
2.2Primerosalgoritmos
MtododeWinston
Ejemplo2
forma
circulo rectngulo
cuadrado
E Ejemplo
pequeo
grande
medio
tamao
Aprendizajeautomtico
Tema2:Adquisicindeconceptos
2.2Primerosalgoritmos
MtododeWinston
Larepresentacindelconceptoutilizaetiquetasdeltipodebe tenerestarelacin(requirelink)ydeltiponodebeteneresta relacin(forbidlink) Laprimerarepresentacindelconceptocorrespondealprimer ejemplopositivo Elementosdelalgoritmo:
Unlenguajederepresentacin(redessemnticas) Unmecanismodecotejamiento(paradetectarlascorrespondencias) Unprocesodegeneralizacin(paraincorporarejemplospositivos) Unprocesodeespecializacin(paraincorporarejemplosnegativos)
12
Aprendizajeautomtico
Tema2:Adquisicindeconceptos
2.2Primerosalgoritmos
MtododeWinston Procesodeespecializacin:
Cotejarelejemplo(negativo)conelmodeloactualdel concepto Sihaymsdeunadiferencia,ignorarelejemplo Sihayunanicadiferencia:
Sielmodelotieneunaetiquetaqueelejemplonotiene,generar una etiquetarequirelink Sielejemplotieneunaetiquetaqueelconceptonotiene,generaruna etiquetaforbidlink
13
Aprendizajeautomtico
Tema2:Adquisicindeconceptos
2.2Primerosalgoritmos
MtododeWinston Procesodegeneralizacin:
Cotejarelejemplo(positivo)conelmodeloactualdel concepto Procesartodaslasdiferencias Sifaltaunaetiqueta,eliminarladelconcepto Sihaydiferenciaenelvalordeunapropiedad,modificarel rangodelapropiedad Siunaetiquetaapuntaaunaclasediferente
Silaclaseperteneceaunajerarqua,subirenlajerarqua Silaclasenoperteneceaunajerarqua,eliminarla
14
Aprendizajeautomtico
Tema2:Adquisicindeconceptos
2.2Primerosalgoritmos
MtododeWinston Propiedadesdelalgoritmo:
Conservador(siexistendudassobreloquehayque aprender,mejornoaprender) Elaprendizajeserealizaenpasospequeos(leydeMartin, nopuedesaprenderalgoamenosquecasilosepasdeantemano) Esmuysensiblealordenenelquesepresentanlosejemplos
15
Aprendizajeautomtico
Tema2:Adquisicindeconceptos
2.2Primerosalgoritmos
MtododeHayesRoth
Intentaencontrarlasgeneralizacionesconjuntivasmsespecficas de unconjuntodeejemplospositivos(maximal abstractions o inference matches) Larepresentacinqueutilizanlallamanparameterized structural representations (PSR)
E1:{{caja:a}{crculo:b}{rombo:c}{liso:a}{sombreado:b}{liso:c} {grande:a}{medio:b}{medio:c}{sobre:b,a}{sobre:c,b}}
Aprendizajeautomtico
Tema2:Adquisicindeconceptos
2.2Primerosalgoritmos
MtododeHayesRoth Paracadanuevoejemplo
Hacerelcotejamientodeloscaseframes detodaslasformas posibles,obteniendounconjuntoMcontodaslas correspondenciasentreparmetros Seleccionarunsubconjuntodelascorrespondenciasquesea consistentepormediodeunabsquedaenanchura Unavinculacinconsistentesignificaqueunparmetrode unainstancianopuedevincularseavariosparmetrosdela otrainstancia
17
Aprendizajeautomtico
Tema2:Adquisicindeconceptos
2.2Primerosalgoritmos
MtododeHayesRoth Ejemplo:
E1:{{caja:a}{crculo:b}{rombo:c} {liso:a}{sombreado:b}{liso:c} {grande:a}{medio:b}{medio:c} {sobre:b,a}{sobre:c,b}} E2:{{rectngulo:d}{crculo:e}{crculo:f}{cuadrado:g} {grande:d}{pequeo:e}{pequeo:f}{medio:g} {liso:d}{sombreado:e}{sombreado:f}{liso:g} {sobre:g,d}{dentro:e,d}{dentro:f,d}}
18
Aprendizajeautomtico
Tema2:Adquisicindeconceptos
2.2Primerosalgoritmos
MtododeHayesRoth
M={{circulo:((b/e)(b/f))}, {liso:((a/d)(a/g)(c/d)(c/g))}, {sombreado:((b/e)(b/f))}, {grande:((a/d))}, {medio:((b/g)(c/g))}, {sobre:((b/ga/d)(c/gb/d))}} Ejemplodegeneralizacinconjuntiva(b/e)(a/d)(c/g): {{circulo:v2}{liso:v1}{sombreado:v2}{liso:v3} {grande:v1}{medio:v3} Circulosombreado,objetograndelisoyobjetomedianoliso
19
Aprendizajeautomtico
Tema2:Adquisicindeconceptos
2.2Primerosalgoritmos
MtododeMichalskiDietterich
Buscanlasgeneralizacionesconjuntivasmsespecficas UtilizancomorepresentacinellenguajeVL21,queesuna extensindelalgicadepredicadosdeprimerorden E1: a,b,c [tamao(a)=grande][tamao(b)=medio][tamao(c)=medio] [forma(a)=caja][forma(b)=crculo][forma(c)=rombo] [textura(a)=liso][textura(b)=sombreado][textura(c)=liso] [sobre(b,a)][sobre(c,b)]
20
Aprendizajeautomtico
Tema2:Adquisicindeconceptos
2.2Primerosalgoritmos
MtododeMichalskiDietterich
E2: d,e,f,g [tamao(e)=pequeo][tamao(f)=pequeo] [tamao(d)=grande][tamao(g)=medio] [forma(e)=crculo][forma(f)=crculo][forma(d)=rectngulo] [forma(g)=cuadrado] [textura(e)=sombreado][textura(f)=sombreado] [textura(d)=liso][textura(g)=liso] [dentro(e,d)][dentro(f,d)][sobre(g,d)]
21
Aprendizajeautomtico
Tema2:Adquisicindeconceptos
2.2Primerosalgoritmos
MtododeMichalskiDietterich
Elmtodotrataenprimerlugarlaparteestructural(selectores nounarios)obteniendounconjuntodegeneralizaciones conjuntivascandidatasdelaparteestructural Acontinuacinsecompletanincorporandolainformacin descriptiva(selectoresunarios)yrealizandodenuevouna generalizacinconjuntivaenelespaciodeatributos Ejemplo: v1,v2[sobre(v1,v2)][tamao(v1)=medio] [forma(v1)=polgono][textura(v1)=liso][tamao(v2)=medio grande][forma(v2)=rectngulo crculo]
22
Aprendizajeautomtico
Tema2:Adquisicindeconceptos
2.2Primerosalgoritmos
Comparativa
Winston Mundodebloques Redessemnticas Nodosyuniones AND,excepcin Eliminarcondicin Constantesavariables Subirenelrbolde generalizacin General PSR
Michalski
23
Aprendizajeautomtico
Tema2:Adquisicindeconceptos
2.2Primerosalgoritmos
Comparativa
Propiedad Formas disyuntivas Inmunidadal ruido Conocimientodel dominio Induccin constructiva NO Muybaja
Winston NO Baja No No
HayesRoth SI Muybuena S
Michalski
Incorporadoalprograma Limitada
Algunasreglasgenerales
24
Aprendizajeautomtico
Tema2:Adquisicindeconceptos
2.3Elespaciodeversiones
Espaciodeversiones
PropuestoporMitchell en1982 Presentaunmarcounificadoparalaadquisicindeconceptos, independientedelarepresentacinautilizar Hiptesis:representacindeunconcepto Espaciodehiptesis:elconjuntodetodoslosconceptosque puedenserdescritosconlarepresentacinescogida Espaciodeversiones:Conjuntodehiptesiscoherentesconel conjuntodeejemplospositivosynegativosestudiado,esdecir, quereconocenatodoslosejemplospositivosyexcluyenatodos losejemplosnegativos.
25
Aprendizajeautomtico
Tema2:Adquisicindeconceptos
2.3Elespaciodeversiones
Espaciodeversiones
Ordenacinparcial:h1esmsgeneralqueh2sielconjuntode instanciascubiertoporh2esunsubconjuntodelconjuntode instanciascubiertoporh1 Representacindelespaciodeversiones:
Enumeracindetodaslashiptesis(inviableporsutamao) Conjuntomsgeneral(G)ymsespecfico(S)
26
Aprendizajeautomtico
Tema2:Adquisicindeconceptos
2.3Elespaciodeversiones
Algoritmogeneral:
Serepresentaelespaciodeversionesporenumeracin Dadounejemplopositivo,seexcluyenlashiptesisquenolo cubren Dadounejemplonegativo,seexcluyentodaslashiptesisquesi locubren Seiteraparatodoslosejemplosdelabasedeconocimiento Elresultadoeselconjuntodehiptesiscoherenteconlos ejemplos Estealgoritmoesinviableyaqueelespaciodeversionespuede serinfinitootenerunnmeroenormedehiptesis
27
Aprendizajeautomtico
Tema2:Adquisicindeconceptos
2.3Elespaciodeversiones
Algoritmodeeliminacindecandidatos:
SerepresentaelespaciodeversionesmediantelosconjuntoSyG Dadounejemplopositivo
ExcluirdeGlashiptesisquenolocubran GeneralizarenSlashiptesisquenolocubran,manteniendoque seanmsespecficasquealgnelementodeGyquenoseanms generalesquealgnelementodeS
Dadounejemplonegativo
ExcluirdeSlashiptesisquelocubran EspecificarenGlashiptesisquelocubranhastaqueloexcluyan, manteniendoqueseanmsgeneralesquealgnelementodeSyque noseanmsespecficasquealgnelementodeG
28
Aprendizajeautomtico
Tema2:Adquisicindeconceptos
2.3Elespaciodeversiones
Ejemplo:
29
Aprendizajeautomtico
Tema2:Adquisicindeconceptos
2.3Elespaciodeversiones
Representacindelosejemplos:
# 1 2 3 4 5 6 7
Clase + + +
30
Aprendizajeautomtico
Tema2:Adquisicindeconceptos
2.3Elespaciodeversiones
Representacindelashiptesis:
(Valor1,Valor2,Valor3,Valor4,Valor5) Valor1 {Crculo,Tringulo,Cuadrado,?} Valor2 {Recto,Curvo,Triangular,?} Valor3 {Crculo,Tringulo,Cuadrado,?} Valor4 {Rayado,Negro,Blanco,?} Valor5 {Abajo,Recta,Arriba,?}
Ejemplo:(Crculo,?,Tringulo,Negro,?) Nmerodehiptesis:|H|=4*4*4*4*4=1024
31
Aprendizajeautomtico
Tema2:Adquisicindeconceptos
2.3Elespaciodeversiones
Procesodegeneralizacin:
Hiptesis:(h1,h2,h3,h4,h5) Ejemplo:(e1,e2,e3,e4,e5) Hiptesisgeneralizada:(g1,g2,g3,g4,g5) Sihi = ?Entoncesgi = ? Sihi = ei Entoncesgi = hi Sihi ei Entoncesgi = ?
32
Aprendizajeautomtico
Tema2:Adquisicindeconceptos
2.3Elespaciodeversiones
Procesodeespecializacin:
Hiptesis:(h1,h2,h3,h4,h5) Ejemplonegativo:(e1,e2,e3,e4,e5) Conjuntodehiptesisespecializada:(g1,g2,g3,g4,g5) Sihi ei yhi ?entonceslahiptesisnocubreelejemplo negativo Sihi = ei Entoncesgi = hi Sihi = ?Entoncesgenerarunahiptesisporcadagi ei
33
Aprendizajeautomtico
Tema2:Adquisicindeconceptos
2.3Elespaciodeversiones
Trazadelalgoritmo
# 0 1 2 S {} {(Crculo,Recto,Crculo,Rayado,Abajo)} {(Crculo,Recto,Crculo,Rayado,Abajo)} G {(?,?,?,?,?)} {(?,?,?,?,?)} {(Crculo,?,?,?,?), (?,Recto,?,?,?), (?,?,Crculo,?,?), (?,?,?,Rayado,?), (?,?,?,?,Abajo)}
{(Crculo,Recto,Crculo,Rayado,Abajo)}
34
Aprendizajeautomtico
Tema2:Adquisicindeconceptos
2.3Elespaciodeversiones
Trazadelalgoritmo
# 4 5 6 7
35
Aprendizajeautomtico
Tema2:Adquisicindeconceptos
2.3Elespaciodeversiones
Resultado:
SiS= G,elconceptoeselconjuntodehiptesiscontenidoenSoG SiS G,elconceptosedescribepormediodetodaslashiptesis igualesomsgeneralesqueSeigualesomsespecficasqueG SiSyGquedanvacos,hayunerrorenlosdatosola representacinnoesadecuadapararepresentarelconcepto
36
Aprendizajeautomtico