1. Introducción ? Cómo programar computadoras para que aprendan? Aprender: Mejorar automáticamente con la experiencia Ejemplo: Las computadoras pueden aprender a partir registros médicos cuáles tratamientos son los mejores para nuevas enfermedades ? Valor agregado: Mejor entendimiento de las capacidades de aprendizaje del humano ? 1. Introducción 1.1 Problemas de aprendizaje bien definidos ? Definición: Un programa de computadora se dice que aprende de la experiencia E con respecto a determinada clase de tareas T y medida de rendimiento P, si su rendimiento en las tareas de T, medido por P, mejora la con la experiencia E 1. Introducción ? Ejemplo ? Tarea T: jugar a las damas ? Experiencia de entrenamiento E: jugar juegos contra ella misma ? Medida de rendimiento P: porcentaje de partido ganados contra oponentes 1. Introducción 1.2 Diseñando un sistema de aprendizaje ? Eligiendo la experiencia de entrenamiento: ? ? ? Casos conocidos con resultado determinado Algunos casos pesan más que otros Distribución de los ejemplos (representatividad de la muestra) 1. Introducción ? Eligiendo la función objetivo ? Los movimientos legales se conocen de antemano, pero la mejor estrategia no se conoce ? Función objetivo: ElegirMovida B ? M B: estados del tablero legales ? M: mejor movimiento legal Alternativamente: Función real V:B ? ? Tarea de aprendizaje: Descubrir una descripción operacional de la funcion objetivo ideal (aproximación de funciones). Elegir movidas que lleven a obtener tableros con mejor “ranking”. 1. Introducción ? Eligiendo una representación de la función objetivo ejemplo V(b) = w0 + w 1 X 1 +...+ w6 X6 X1,2 : Numero de piezas negras/blancas en el tablero X3,4 : Numero de damas negras/blancas en el tablero X5,6 : Numero de piezas negras/blancas amenazadas (que pueden ser comidas en el próximo turno) 1. Introducción ? Eligiendo un algoritmo para aproximar la función ? Ejemplos de entrenamiento (b^Vtrain (b)) ? Regla para estimar los valores de entrenamiento: Vtrain(b) ? ? ? V[Sucesor(b)] Ajustar los pesos Determinar los parámetros 1. Introducción ? Elecciones de diseño 1. Introducción 1.3 Algunas cuestiones con Aprendizaje Automático ? ? ? ? Que algoritmos pueden aproximar funciones bien (y cuando)? Como influye el numero de ejemplos de entrenamiento en la exactitud del resultado? Como impacta en el resultado la complejidad en la representación de las hipótesis? Como influyen en la exactitud del resultado los datos “ruidosos”? 1. Introducción Tipos de problemas: clasificación y regresión ? Problema abierto: selección de atributos ? Cuestión clave: normalización de atributos ? Base de datos: entrenamiento, validación, test. Luego utilización del resultado. ?