Upload
elgranvidal1990
View
20
Download
0
Embed Size (px)
Citation preview
Aprendizaje automtico
CienciasdelaComputacineInteligenciaArtificial
Adquisicindeconceptos
Tema2
Tema2:Adquisicindeconceptos
Aprendizajeautomtico2
ndice
2.1Caractersticasgenerales
2.2Primerosalgoritmos
2.3Elespaciodeversiones
Tema2:Adquisicindeconceptos
Aprendizajeautomtico3
2.1Caractersticasgenerales
Aprendizajeinductivo
Aprenderaspectosgeneralesapartirdeejemploscondatos particulares
Setratadeunaprendizajesupervisado
Aprendizajeinductivosimblico
Utilizaunarepresentacinsimblica
(redessemnticas,reglas,programacinlgica,)
Aprendizajeinductivosubsimblico
Utilizaunarepresentacinsubsimblica
(redesneuronales,conjuntosdifusos)
Sedesarrollapormediodealgoritmosdeajusteparamtrico
Tema2:Adquisicindeconceptos
Aprendizajeautomtico4
2.1Caractersticasgenerales
Formasdeaprendizajeinductivosimblico
Silosejemplosreflejansituacionesconmltiplesobjetosyrelaciones
F Adquisicindeconceptos
Silosejemplosserefierenaconjuntosatributovalor
F Clasificacinsupervisada
Sisepretendeadquirirunmodelolgico
F ProgramacinLgicaInductiva
Tema2:Adquisicindeconceptos
Aprendizajeautomtico5
2.1Caractersticasgenerales
Adquisicindeconceptos
Surgeenladcadadelos70
Seproduceundeclivedelaaproximacinneuronal
Aparecenlosprimeroslenguajesdemanipulacinsimblica
Lainvestigacinsecentraenproblemasdejuegos
Seintentanobtenermecanismosdeaprendizajesimblico generalesconmuypocainformacindepartida
Algoritmospropuestos
Winston
(1970),HayesRoth
(1977),Vere
(1975),Michalski Dietterich
(1981)
Mitchell
(1982)proponeunmarcounificado(espaciode versiones)
Tema2:Adquisicindeconceptos
Aprendizajeautomtico6
2.2Primerosalgoritmos
MtododeWinston
Desarrolladoalolargodeladcadadelos70
SeconsideraelpuntodepartidadelAprendizajeBasadoen Similitudes
(SBL)
ElautorlodenominaLearning
byanalyzing
differences
Introduceelconceptodecuasiejemplo
(ejemplonegativomuy prximoalosejemplospositivos)
Utilizacomorepresentacinlasredessemnticastantoparalos ejemploscomoparalosconceptos
Secentraeneldominiodeaplicacindelmundodebloques
Tema2:Adquisicindeconceptos
Aprendizajeautomtico7
2.2Primerosalgoritmos
MtododeWinston
Ejemplo1
Ejemplo
C
B
A
Tiene como parteEncima deTiene la propiedadTipo de
Tema2:Adquisicindeconceptos
Aprendizajeautomtico8
2.2Primerosalgoritmos
MtododeWinston
Ejemplo1forma
rombo circulo caja
Ejemplo
C
B
A
Tiene como parteEncima deTiene la propiedadTipo de
Tema2:Adquisicindeconceptos
Aprendizajeautomtico9
2.2Primerosalgoritmos
MtododeWinston
Ejemplo1forma
rombo circulo caja
textura
liso
sombra
Ejemplo
C
B
A
Tiene como parteEncima deTiene la propiedadTipo de
Tema2:Adquisicindeconceptos
Aprendizajeautomtico10
2.2Primerosalgoritmos
MtododeWinston
Ejemplo1forma
rombo circulo caja
tamao
grandemedio
textura
liso
sombra
Ejemplo
C
B
A
Tiene como parteEncima deTiene la propiedadTipo de
Tema2:Adquisicindeconceptos
Aprendizajeautomtico11
2.2Primerosalgoritmos
MtododeWinston
Ejemplo2forma
circulo rectngulo cuadrado
tamao
mediogrande
textura
liso
sombra
Ejemplo
E
D
G
pequeo
F
Tiene como parteEncima deDentro deTiene la propiedadTipo de
Tema2:Adquisicindeconceptos
Aprendizajeautomtico12
2.2Primerosalgoritmos
MtododeWinston
Larepresentacindelconceptoutilizaetiquetasdeltipodebe tenerestarelacin(requirelink)ydeltiponodebeteneresta relacin(forbidlink)
Laprimerarepresentacindelconceptocorrespondealprimer ejemplopositivo
Elementosdelalgoritmo:
Unlenguajederepresentacin(redessemnticas)
Unmecanismodecotejamiento(paradetectarlascorrespondencias)
Unprocesodegeneralizacin(paraincorporarejemplospositivos)
Unprocesodeespecializacin(paraincorporarejemplosnegativos)
Tema2:Adquisicindeconceptos
Aprendizajeautomtico13
2.2Primerosalgoritmos
MtododeWinston
Procesodeespecializacin:
Cotejarelejemplo(negativo)conelmodeloactualdel concepto
Sihaymsdeunadiferencia,ignorarelejemplo
Sihayunanicadiferencia:
Sielmodelotieneunaetiquetaqueelejemplonotiene,generar
una
etiquetarequirelink
Sielejemplotieneunaetiquetaqueelconceptonotiene,generaruna
etiquetaforbidlink
Tema2:Adquisicindeconceptos
Aprendizajeautomtico14
2.2Primerosalgoritmos
MtododeWinston
Procesodegeneralizacin:
Cotejarelejemplo(positivo)conelmodeloactualdel concepto
Procesartodaslasdiferencias
Sifaltaunaetiqueta,eliminarladelconcepto
Sihaydiferenciaenelvalordeunapropiedad,modificarel rangodelapropiedad
Siunaetiquetaapuntaaunaclasediferente
Silaclaseperteneceaunajerarqua,subirenlajerarqua
Silaclasenoperteneceaunajerarqua,eliminarla
Tema2:Adquisicindeconceptos
Aprendizajeautomtico15
2.2Primerosalgoritmos
MtododeWinston
Propiedadesdelalgoritmo:
Conservador(siexistendudassobreloquehayque aprender,mejornoaprender)
Elaprendizajeserealizaenpasospequeos(leydeMartin, nopuedesaprenderalgoamenosquecasilosepasdeantemano)
Esmuysensiblealordenenelquesepresentanlosejemplos
Tema2:Adquisicindeconceptos
Aprendizajeautomtico16
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}}
Cadaejemploesunalistadecaseframes,compuestosporuna etiquetayunalistadeparmetros
Elmodeloactualdelconceptoseexpresatambinpormediode unPSR
Elprimermodelocorrespondealprimerejemplo
Tema2:Adquisicindeconceptos
Aprendizajeautomtico17
2.2Primerosalgoritmos
MtododeHayesRoth
Paracadanuevoejemplo
Hacerelcotejamientodeloscaseframes
detodaslasformas posibles,obteniendounconjuntoMcontodaslas
correspondenciasentreparmetros
Seleccionarunsubconjuntodelascorrespondenciasquesea consistentepormediodeunabsquedaenanchura
Unavinculacinconsistentesignificaqueunparmetrode unainstancianopuedevincularseavariosparmetrosdela
otrainstancia
Tema2:Adquisicindeconceptos
Aprendizajeautomtico18
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}}
Tema2:Adquisicindeconceptos
Aprendizajeautomtico19
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
Tema2:Adquisicindeconceptos
Aprendizajeautomtico20
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)]
Tema2:Adquisicindeconceptos
Aprendizajeautomtico21
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)]
Tema2:Adquisicindeconceptos
Aprendizajeautomtico22
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]
Tema2:Adquisicindeconceptos
Aprendizajeautomtico23
2.2Primerosalgoritmos
Comparativa
Propiedad Winston HayesRoth Michalski
Dominio Mundodebloques General General
Lenguaje Redessemnticas PSR VL21
Conceptos
sintcticos
Nodosyuniones Caseframes,caselabels,
parmetros
Selectores,variables,descriptores
Operadores AND,excepcin AND AND,OR,ORinterno
Reglasde
generalizacin
EliminarcondicinConstantesavariablesSubirenelrbolde
generalizacin
EliminarcondicinConstantesavariables
EliminarcondicinConstantesavariablesSubirenelrbolde
generalizacinCerrarintervalosOr
interno
Tema2:Adquisicindeconceptos
Aprendizajeautomtico24
2.2Primerosalgoritmos
Comparativa
Propiedad Winston HayesRoth Michalski
Formas
disyuntivas
NO NO SI
Inmunidadal
ruido
Muybaja Baja Muybuena
Conocimientodel
dominio
Incorporadoalprograma No S
Induccin
constructiva
Limitada No Algunasreglasgenerales
Tema2:Adquisicindeconceptos
Aprendizajeautomtico25
2.3Elespaciodeversiones
Espaciodeversiones
PropuestoporMitchell
en1982
Presentaunmarcounificadoparalaadquisicindeconceptos, independientedelarepresentacinautilizar
Hiptesis:representacindeunconcepto
Espaciodehiptesis:elconjuntodetodoslosconceptosque puedenserdescritosconlarepresentacinescogida
Espaciodeversiones:Conjuntodehiptesiscoherentesconel conjuntodeejemplospositivosynegativosestudiado,esdecir, quereconocenatodoslosejemplospositivosyexcluyenatodos
losejemplosnegativos.
Tema2:Adquisicindeconceptos
Aprendizajeautomtico26
2.3Elespaciodeversiones
Espaciodeversiones
Ordenacinparcial:h1esmsgeneralqueh2sielconjuntode instanciascubiertoporh2esunsubconjuntodelconjuntode
instanciascubiertoporh1
Representacindelespaciodeversiones:
Enumeracindetodaslashiptesis(inviableporsutamao)
Conjuntomsgeneral(G)ymsespecfico(S)
Cualquierhiptesis(h)delespaciodeversionescumplequees msgeneraloigualquealgunadelashiptesisdelconjuntoSy msespecficaoigualquealgunadelashiptesisdelconjuntoG
Tema2:Adquisicindeconceptos
Aprendizajeautomtico27
2.3Elespaciodeversiones
Algoritmogeneral:
Serepresentaelespaciodeversionesporenumeracin
Dadounejemplopositivo,seexcluyenlashiptesisquenolo cubren
Dadounejemplonegativo,seexcluyentodaslashiptesisquesi locubren
Seiteraparatodoslosejemplosdelabasedeconocimiento
Elresultadoeselconjuntodehiptesiscoherenteconlos ejemplos
Estealgoritmoesinviableyaqueelespaciodeversionespuede serinfinitootenerunnmeroenormedehiptesis
Tema2:Adquisicindeconceptos
Aprendizajeautomtico28
2.3Elespaciodeversiones
Algoritmodeeliminacindecandidatos:
SerepresentaelespaciodeversionesmediantelosconjuntoSyG
Dadounejemplopositivo
ExcluirdeGlashiptesisquenolocubran
GeneralizarenSlashiptesisquenolocubran,manteniendoque
seanmsespecficasquealgnelementodeGyquenoseanms
generalesquealgnelementodeS
Dadounejemplonegativo
ExcluirdeSlashiptesisquelocubran
EspecificarenGlashiptesisquelocubranhastaqueloexcluyan,
manteniendoqueseanmsgeneralesquealgnelementodeSyque
noseanmsespecficasquealgnelementodeG
Tema2:Adquisicindeconceptos
Aprendizajeautomtico29
2.3Elespaciodeversiones
Ejemplo:
Tema2:Adquisicindeconceptos
Aprendizajeautomtico30
2.3Elespaciodeversiones
Representacindelosejemplos:
# Cabeza Cuello Cuerpo Color Cola Clase
1 Crculo Recto Crculo Rayado Abajo +
2 Tringulo Curvo Cuadrado Negro Recta
3 Cuadrado Triangular Tringulo Blanco Abajo
4 Crculo Curvo Cuadrado Rayado Abajo +
5 Tringulo Triangular Tringulo Rayado Recta
6 Cuadrado Recto Crculo Blanco Arriba
7 Cuadrado Triangular Tringulo Rayado Abajo +
Tema2:Adquisicindeconceptos
Aprendizajeautomtico31
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
Tema2:Adquisicindeconceptos
Aprendizajeautomtico32
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
=
?
Tema2:Adquisicindeconceptos
Aprendizajeautomtico33
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
Tema2:Adquisicindeconceptos
Aprendizajeautomtico34
2.3Elespaciodeversiones
Trazadelalgoritmo
# S G
0 {} {(?,?,?,?,?)}
1 {(Crculo,Recto,Crculo,Rayado,Abajo)} {(?,?,?,?,?)}
2 {(Crculo,Recto,Crculo,Rayado,Abajo)} {(Crculo,?,?,?,?),(?,Recto,?,?,?),(?,?,Crculo,?,?),(?,?,?,Rayado,?),(?,?,?,?,Abajo)}
3 {(Crculo,Recto,Crculo,Rayado,Abajo)} {(Crculo,?,?,?,?),(?,Recto,?,?,?),(?,?,Crculo,?,?),(?,?,?,Rayado,?)}
Tema2:Adquisicindeconceptos
Aprendizajeautomtico35
2.3Elespaciodeversiones
Trazadelalgoritmo
# S G
4 {(Crculo,?,?,Rayado,Abajo)} {(Crculo,?,?,?,?),(?,?,?,Rayado,?)}
5 {(Crculo,?,?,Rayado,Abajo)} {(Crculo,?,?,?,?),(?,?,?,Rayado,Abajo)}
6 {(Crculo,?,?,Rayado,Abajo)} {(Crculo,?,?,?,?),(?,?,?,Rayado,Abajo)}
7 {(?,?,?,Rayado,Abajo)} {(?,?,?,Rayado,Abajo)}
Tema2:Adquisicindeconceptos
Aprendizajeautomtico36
2.3Elespaciodeversiones
Resultado:
SiS=
G,elconceptoeselconjuntodehiptesiscontenidoenSoG
SiS
G,elconceptosedescribepormediodetodaslashiptesis igualesomsgeneralesqueSeigualesomsespecficasqueG
SiSyGquedanvacos,hayunerrorenlosdatosola representacinnoesadecuadapararepresentarelconcepto
Tema 2ndice2.1 Caractersticas generales2.1 Caractersticas generales2.1 Caractersticas generales2.2 Primeros algoritmos2.2 Primeros algoritmos2.2 Primeros algoritmos2.2 Primeros algoritmos2.2 Primeros algoritmos2.2 Primeros algoritmos2.2 Primeros algoritmos2.2 Primeros algoritmos2.2 Primeros algoritmos2.2 Primeros algoritmos2.2 Primeros algoritmos2.2 Primeros algoritmos2.2 Primeros algoritmos2.2 Primeros algoritmos2.2 Primeros algoritmos2.2 Primeros algoritmos2.2 Primeros algoritmos2.2 Primeros algoritmos2.2 Primeros algoritmos2.3 El espacio de versiones2.3 El espacio de versiones2.3 El espacio de versiones2.3 El espacio de versiones2.3 El espacio de versiones2.3 El espacio de versiones2.3 El espacio de versiones2.3 El espacio de versiones2.3 El espacio de versiones2.3 El espacio de versiones2.3 El espacio de versiones2.3 El espacio de versiones