1.

Reconocimiento de patrones Tiene como objetivo el reconocimiento automatico de regularidades(estaciones, fa ses de la luna, leyes del mov de planetas) mediante el uso de algoritmos computa cionales ejm: reconocimiento de digitos(mediante el conjunto de aprendizaje se busca ajus tar los parametros) a. Etapa de entrenamiento conjunto de entrenamiento(entradas, targets) b. Etapa de prueba Se presenta un conjunto de prueba y se evalua su desempeo Generalizacion En diversas aplicaciones la variabilidad de la data de entrada es tal, q el sist ema solo puede ser entrenado usando una parte de la misma 2. Tipos de aprendizaje -Apredizaje no supervizado Solo se tienen las entradas .k-nearest neighborhood .k-means clustering .mixture models and E.M -Aprendizaje supervizado Se tienen las entradas junto con sus targerts .redes neuronales .support vector machine .kernel methods -Aprendizaje por reforzamiento Se tienen las entradas y un indicador de desempeo 3. Clasificacion y regresion Clasificacion Cuando el objetivo es clasificar las entradas de un numero finito de categorias, ejm deteccion de rostros Regresion Cuando las salodas asumen valores continuos, ejm prediccion de energia 4. Pre procesamiento y extracion de caracteristicas El procesamiento de la data es esencial en cualquier sistema de reconocimiento .normalizacion de datas .principal component analisis(PCA) .seleccion de caracteristicas El uso del preprocesaminto de data puede incrementar grandemente el desempeo del sistema Las caracteriticas pueden ser escogidas a mano basados en algun conoimiento del problema en particular o a travez de un procesamiento automatico, ejm reconocimi ento de caracteres Una manera de mejorar el sistema es comsiderar una segunda caracteristica Podriamos considerar una mayor cantidad de caracteristicas, sin embargo, la cons ideracion de muchas caracteristicas puede llevarnos a un desempeo mas pobres 5. El curso de la dimensionalidad Usar un amyor numero de caracteristicas, o usar todos los pixeles El problema de usar mayor cantidad de caracteristicas es q el nuemro de patrones de entrenamiento requerido crece exponencialmente En la practica, el numero de patrones es bastante limitado 6. Seleccion del modelo y(x,w)=w0+w1x+....+wMxM Underfitting: el modelo no es capaz de capturar la estructura de la data Overfitting: el modelo se ajusta demasiado a la data El mejor modelo es aquel de complejidad intermedia Para un problema dado, el problema de overfitting se puede reducir si se conside

ra un numero mayor de patrones Otra manera de superar el fenomeno de over es mediante el uso de un regularizado r, el cual es el landa(error regulado) Para hallar landa se hace una grafica del error RMS vs landa, para el menor erro r se escoge un intervalo de landas 7. Enfoque probalistico Expresa explicitamente nuestra incertidumbre sobre el target -Enfoque frecuentista Los parametros se escogen maximizando la funcion de probabilidad La maximizacion de la funcion de probabilidad es equivalente a la minimizacion d el error cuadratico -Enfoque MAP: maximizacion de la distribucion posterior -Enfoque bayesiano