SISTEMAS EXPERTOS E INTELIGENCIA ARTIFICIAL TRABAJO DE INVESTIGACIÓN: “APRENDIZAJE”

UNIVERSIDAD DON BOSCO

FACULTAD DE INGENIERÍA

ESCUELA DE COMPUTACIÓN

SISTEMAS EXPERTOS E INTELIGENCIA ARTIFICIAL

[pic 1]

TRABAJO DE INVESTIGACIÓN: “APRENDIZAJE”

INTEGRANTES:

GRUPO LABORATORIO 04L

DOCENTE:

BLANACA IRIS CAÑAS BARCA

SOYAPANGO, 27 DE ABRIL DE 2016

Índice

Contenido                                                                                      Pág.

Introducción        3

Objetivos        4

Objetivo General        4

Objetivos Específicos        4

Diferencias entre aprendizaje supervisado y no supervisado:        5

Tipos de Aprendizaje supervisado        5

1.        Aprendizaje por corrección de Error:        5

2.        Aprendizaje por refuerzo:        6

3.        Aprendizaje estocástico:        7

Tipos de algoritmos de aprendizaje supervisado o automático        7

1.        Aprendizaje supervisado        7

2.        Aprendizaje no supervisado        8

3.        Aprendizaje semisupervisado        9

4.        Aprendizaje por refuerzo        10

5.        Aprendizaje multitareas        11

Aplicaciones en la actualidad        12

Conclusión        13

Bibliografía        14

Introducción

En la actualidad la humanidad ha venido aumentando exponencialmente el uso de la tecnología para facilitar el uso de la información para mejorar la calidad de vida de los seres humanos, sin embargo, hay momentos en los que el tener la información guardada no es de gran ayuda, por lo cual se es necesario de herramientas que puedan determinar tendencias futuras, por lo que con datos presentes y pasadas se pueda definir datos futuros sin la necesidad de tenerlos en mano. Por tal razón se crea una rama en la informática cuyo objetivo es crear sistemas capaces de poder predecir el futuro de una forma lo más real y próximo.

A lo largo el documento se desarrollarán términos como el aprendizaje, el cual haciendo una comparativa con el ser humano, es el proceso por el cual un ser capta la realidad ante ciertas situaciones, permitiéndole guardar la información de dicho evento y así poder usar la información en un futuro.

Un caso muy claro de aprendizaje es el aprendizaje automático el cual como su nombre lo dice se realiza por sí mismo, sin intervención humana, de los cuales podemos definir los siguientes: supervisado, no supervisado, por refuerzo, multitareas y semisupervisado. Cada uno de los anteriores posee características propias que lo hace diferente permitiendo una salida de carácter específico, cuya utilidad dependerá de los datos ingresados y del problema dado.

Objetivos

Objetivo General

• Analizar el comportamiento, características y sus diferencias del aprendizaje supervisado y aprendizaje no supervisado.

Objetivos Específicos

• Analizar las diferencias entre el aprendizaje supervisado con las del no supervisado.
• Comprender los diferentes conceptos o ramas que el aprendizaje supervisado se desglosa, es decir sus tipos.

Diferencias entre aprendizaje supervisado y no supervisado:

Tipos de Aprendizaje supervisado

1. Aprendizaje por corrección de Error:

Su objetivo se trata de minimizar el error entre la salida deseada y la salida actual. El entrenamiento consiste en presentar al sistema un conjunto de ares de datos, representado la entrada y la salida deseada para dicha entrada. Este conjunto recibe el nombre de conjunto de entrenamiento.

[pic 2]

[pic 3]

1. Aprendizaje por refuerzo:

El objetivo de este aprendizaje es usar las recompensas en el aprendizaje con una satisfacción función de agente, dicho de otra manera: se debe ajustar los pesos de las conexiones de la red en función de la diferencia entre los valores deseados y los valores obtenido a la salida de la red, es decir en función del error cometido por la salida. Un ejemplo de este tipo de algoritmos lo constituye la regla de aprendizaje del Perceptrón, utilizada en el entrenamiento de la red del mismo nombre que desarrolló Rosenblatt en 1958. Esta es una regla muy simple, para cada neurona en la capa de salida se le calcula la desviación a la salida objetivo como el error, δ. El cual luego se utiliza para cambiar los pesos sobre la conexión de la neurona precedente

...