Algoritmos genéticos. Programación Genética (PG)

Tipos de Aprendizaje

Aprendizaje evolutivo

Rama de la inteligencia artificial que se inspira en los procesos evolutivos naturales para desarrollar algoritmos de optimización y búsqueda.

Mejorar automáticamente soluciones a problemas complejos.

Algoritmos genéticos.

Están inspirados en la evolución biológica, utilizan una población de soluciones candidatas representadas como cromosomas. Están colusiones compiten entre sí en generaciones sucesivas.

Programación Genética (PG)

Es similar a los algoritmos genéticos, pero en lugar de operar sobre cromosomas, opera programas informáticos expresados como arboles de expresión. Estos programas pueden representar funciones matemáticas, reglas de decisión.

Estrategias Evolutivas (EE)

Son útiles cuando se trata de optimizar parámetros continuos de encontrar soluciones discretas. En lugar de trabajar con cromosomas o arboles de expresión, las EE trabajan directamente con conjuntos y utilizan técnicas como mutación y recombinación para mejorarlos.

Algoritmos genéticos

Son técnicas de optimización iterativas que simulan la selección natural para encontrar soluciones optimas.

Fueron propuestas por John Holland en los 70’s y presentados en 1989 por David Goldberg como un método de optimización.

¿Cómo funcionan?

Describen las soluciones posibles del problema como individuos dentro de una población. Los individuos son evaluados midiendo que tan bien solucionan el problema.

Ventajas

Suelen llegar a soluciones muy creativas y optimización debido a su capacidad de explorar el espacio de búsqueda.

Desventajas.

Ser de alto coste computacional y depender de muchos hiperparámetros, tamaño de cromosomas, probabilidad de cruce, probabilidad de mutación.

Redes neuronales

Enseña a las computadoras a procesar datos inspirándose en el cerebro humano.

Es un tipo de proceso de aprendizaje automático, denominado aprendizaje profundo, que utiliza nodos o neuronas interconectados en una estructura en capas que se asemeja al cerebro humano.

Asi se crea un sistema adaptativo que las computadoras utilizan para aprender de sus errores y mejorar continuamente.

Tipos de Redes Neuronales

Feedforward Neural Networks

Procesan los datos en una dirección, desde el nodo de entrada al nodo de salid.  Cada nodo de una capa esta conectado a todos de la cappa siguiente. Utiliza un proceso de retroalimentación para mejorar las predicciones a lo largo del tiempo.

Backpropagation Algorithm

Aprenden mediante bucles de retroalimentación

Capas de entrada. Recibe los datos iniciales. Cada neurona en esta capa representa una característica o variable de entrada.

Capas ocultas. Procesan la información que reciben. Múltiples capas ocultas permiten la extracción de características complejas.

Capas de salida. Genera la salida final de la red.

Conexiones Ponderadas. Las conexiones entre las neuronas están ponderadas con pesos que se ajustan durante el entrenamiento para mejorar su capacidad predictiva.

Aprendizaje bayesiano

Se basa en la teoría de la probabilidad y las redes bayesianas para modelar y aprender patrones en los datos

En lugar de utilizar algoritmos de aprendizaje tradicionales que se basan en la optimización de funciones de coste, el aprendizaje bayesiano utiliza la teoría de la probabilidad para realizar interferencias sobre las relaciones entre las variables.

Se utiliza la teoría de la probabilidad para modelar la incertidumbre en los daros y la hipótesis. En lugar de buscar una única respuesta o modelo, el aprendizaje bayesiano busca una distribución de probabilidades sobre todas las posibles respuestas o modelos.

...