Espacio para discusiones de temas sobre el análisis, diseño y evaluación de los materiales educativos computarizados, para la electiva Software Educativo (SE1292/SE292), de la carrera de Ingeniería de Sistemas en la Universidad Bicentenaria de Aragua.
lunes, 22 de junio de 2009
Tema III. Lapso 2009-I. Algoritmos para evaluar aprendizajes
La idea clave del algoritmo de aprendizaje es encontrar el atributo más importante. El significado de más importante es que es el más significativo con respecto a la clasificación de los ejemplos Los diferentes algoritmos de Aprendizaje se agrupan en una taxonomía en función de la salida de los mismos. Algunos algoritmos son:
Aprendizaje supervisado El algoritmo produce una función que establece una correspondencia entre las entradas y las salidas deseadas del sistema. Un ejemplo de este tipo de algoritmo es el problema de clasificación, donde el sistema de aprendizaje trata de etiquetar (clasificar) una serie de vectores utilizando una entre varias categorías (clases). La base de conocimiento del sistema está formada por ejemplos de etiquetados anteriores. Aprendizaje no supervisado Todo el proceso de modelado se lleva a cabo sobre un conjunto de ejemplos formado tan sólo por entradas al sistema. No se tiene información sobre las categorías de esos ejemplos. Aprendizaje por refuerzo El algoritmo aprende observando el mundo que le rodea. Su información de entrada es el feedback o retroalimentación que obtiene del mundo exterior como respuesta a sus acciones. Transducción Similar al aprendizaje supervisado, pero no construye de forma explícita una función. Trata de predecir las categorías de los futuros ejemplos basándose en los ejemplos de entrada, sus respectivas categorías y los ejemplos nuevos al sistema. Aprendizaje multi-tarea Métodos de aprendizaje que usan conocimiento previamente aprendido por el sistema de cara a enfrentarse a problemas parecidos a los ya vistos
Se define como algoritmo de aprendizaje al conjunto de reglas bien definidas para la solución de un problema de aprendizaje, existe gran variedad de algoritmos de aprendizaje teniendo cada uno sus propias ventajas.
Los algoritmos de aprendizaje difieren entre sí en la forma como se formulan los cambios en los pesos sinápticos.
Uno de los algoritmos de aprendizaje automático más conocidos, basado en "ejemplos", es el denominado ID3baja con datos simbólicos, en contraposición a los datos numéricos, y se basa en la obtención de un árbol de decisión , a partir del cual se obtienen una serie de reglas de producción, capaces de representar un dominio o universo determinado, generando conocimiento independiente de dicho dominio (el sistema de aprendizaje parte de un estado inicial del dominio escogido en el que no existe conocimiento de partida, extrayendo patrones comunes de entre los ejemplos utilizados, a partir de los cuales genera una base de conocimientos de aplicación a dicho dominio). El árbol de decisión permite por tanto clasificar los datos de entrada. Se pueden distinguir dos tipos de procesos de aprendizaje:
Supervisado: los ejemplos o "explicaciones" son proporcionados al sistema por un sujeto externo. Pertenecen a esta categoría las clasificaciones de datos basadas en árboles de decisión en base a ejemplos, como es el caso del algoritmo de aprendizaje ID3. No supervisado: los ejemplos u "observaciones" son creados por el propio sistema. Pertenecen a esta categoría los procesos de agrupamiento de datos o data clustering (o simplemente clustering). El algoritmo ID3 genera lo que se conoce como reglas "duras", es decir, aquellas que solo atienden a dos posibles estados (verdadero-falso, positivo-negativo, 0-1, etc.), y que tienen por tanto un carácter bivalente, a diferencia de las reglas "borrosas", que permiten representar un rango infinito de valores entre dos extremos de una escala, como las que se obtienen mediante algoritmos ID3 "extendidos"
Los procesos de aprendizaje, que hacen uso de la clasificación de datos, mediante el descubrimiento de patrones, se utilizan con profusión dentro de lo que se conoce como "Data Mining", en castellano minería de datos, explotación de datos, o descubrimiento de conocimiento en bases de datos, diversidad terminológica en torno a la cual existe una cierta polémica.
Aprendizaje Supervisado: *Para cada dato, se dispone de un profesor/supervisor que proporciona una salida deseada, ya sea una clase o un valor a aproximar (clasificaci´on vs regresi´on).. * Ejemplos de aplicaciones: aproximacion de funciones, clasificacion, prediccion, etc. * Algoritmos: arboles/reglas de decision/regresion, clasificacion bayesiana, algoritmo de retropropagacion en perceptron multicapa, etc.
• Aprendizaje no Supervisado: * No se dispone de una salida deseada cada dato, sino que se busca agrupar/clasificar los datos en funcion de ciertas caracterısticas (medida de distancia) * Ejemplos de aplicaciones: agrupacion (clustering), asociacion, reducci´on de dimensionalidad, etc. * Algoritmos: Estimacion de Medias (EM), K-medias, mapas auto-organizativos de Kohonen, etc.
• Aprendizaje por Refuerzo: * Informacion basada en espacios de estados y acciones de un agente, sobre los que se pueden ejecutar procesos de prueba y error, y en los que se realiza el aprendizaje en funci´on de se˜nales de refuerzo y coste * Ejemplos de aplicaciones: aprendizaje de pol´ıticas de comportamiento o accion * Algoritmos: Q-Learning, Dyna-Q, etc.
Aprendizaje por regla de HEBB: hebb es uno de los pioneros de la neuropsicología dedicado a los mecanismos de aprendizaje neurobiológico. los postulados de Hebb están detallados en su libro "organization of behaviour". Varios modelos neuronales (hopfield, kohonen) utilizan su regla más conocida que se desprende del siguiente concepto:
Cuando un axón de la célula A excita a la célula B repetida y persistentemente, se modifica algún proceso metábolico o de crecimiento en una ó ambas células de manera que se incrementa la eficiencia de A para exitar a B, esto traducido puede ser interpretado como: si dos neuronas entre las cuales existe una conexión sináptica son excitadas de forma síncrona y reiterada, el valor de esta conexión debe ser aumentado. Por el contrario si ambas neuronas no están correlacioandas su conexión puede ser disminuida ó incluso eliminada.
Aprendizaje competitivo: En realidad el aprendizaje competitivo se refiere más a una organización neuronal que a un mecanismo de aprendizaje. Como su nombre indica, en este tipo de modelos las neuronas de la capa de salida compiten entre sí por ser la única neurona activa para un estímulo de entrada dado. esta propiedad hacer propicio este modelo para descubrir características estadísticamente significativas de los patrones de entrada.
Modelo de Boltzman: El algoritmo de aprendizaje de Boltzman es estocástico y fue derivado por hinton y Sejnowski basándose en la teoría termodinámica y de procesamiento de información. En una red de Boltzman las neuronas forman una estructura recurrente y sus salidas tomansólo valores binarios +1 y -1. la máquina está caracterizada por una función de energia que depende de los estados individuales de las neuronas y del valor de las conexiónes sinápticas.
Aprendizaje supervisado:El algoritmo produce una función que establece una correspondencia entre las entradas y las salidas deseadas del sistema. Un ejemplo de este tipo de algoritmo es el problema de clasificación, donde el sistema de aprendizaje trata de etiquetar (clasificar) una serie de vectores utilizando una entre varias categorías (clases). La base de conocimiento del sistema está formada por ejemplos de etiquetados anteriores.
Aprendizaje no supervisado: Todo el proceso de modelado se lleva a cabo sobre un conjunto de ejemplos formado tan sólo por entradas al sistema. No se tiene información sobre las categorías de esos ejemplos.
Aprendizaje por refuerzo:El algoritmo aprende observando el mundo que le rodea. Su información de entrada es el feedback o retroalimentación que obtiene del mundo exterior como respuesta a sus acciones.
Transducción: Similar al aprendizaje supervisado, pero no construye de forma explícita una función. Trata de predecir las categorías de los futuros ejemplos basándose en los ejemplos de entrada, sus respectivas categorías y los ejemplos nuevos al sistema.
Aprendizaje multi-tarea: Métodos de aprendizaje que usan conocimiento previamente aprendido por el sistema de cara a enfrentarse a problemas parecidos a los ya vistos.
El análisis computacional y de rendimiento de los algoritmos de aprendizaje automático es una rama de la estadística conocida como teoría computacional del aprendizaje.
El aprendizaje automático nosotros lo llevamos acaba de manera automática ya que es un proceso tan sencillo para nosotros que ni cuenta nos damos de cómo se realiza y todo lo que esto implica. Desde que nacemos hasta que morimos los seres humanos tenemos diferentes procesos entre ellos encontramos el de aprendizaje por medio del cual adquirimos conocimientos, desarrollamos habilidades para analizar y evaluar a través de métodos y técnicas así como también por medio de la experiencia propia, pero a las máquinas hay que indicarles cómo aprender, ya que si no se logra que una máquina sea capaz de desarrollar sus habilidades entonces el proceso de aprendizaje no se estará llevando a cabo, sino que solo será una secuencia repetitiva. También debemos tener en cuenta que el tener conocimiento o el hecho de realizar bien el proceso de aprendizaje automático no implica que se sepa utilizar, es preciso saber aplicarlo en las actividades cotidianas y un buen aprendizaje también implica saber cómo y cuándo utilizar nuestros conocimientos.
Para llevar acabo un buen aprendizaje es necesario tener considerar todos los factores que a este le rodean como, la sociedad, la economía, la ciudad, el ambiente, el lugar, etc. Por lo cual es necesario empezar a tomar diversas medidas para lograr un aprendizaje adecuado, y obtener una automatización adecuada del aprendizaje, por lo cual lo primero que se debe tener en cuenta es el concepto de conocimiento, el cual es el entendimiento de un determinado tema o materia en el cual tu puedas dar tu opinión o punto de vista así como también responder a ciertas interrogantes que puedan surgir de dicho tema o materia.
En el aprendizaje automático podemos obtener 3 tipos de conocimiento los cuáles son:
1. Crecimiento Es el que se adquiere de lo que nos rodea, el cual guarda la información en la memoria como si dejara huellas. 2. Reestructuración Al interpretar los conocimientos el individuo razona y genera nuevo conocimiento al cual se le llama de reestructuración. 3. Ajuste Es el que se obtiene al generalizar varios conceptos o generando los propios. Los tres tipos se efectúan durante un proceso de aprendizaje automático pero la importancia de cada tipo de conocimiento depende de las características de lo que se está tratando de aprender.
Los algoritmos son codigos que buscan la solucion a un problema, cuando aplicamos esta definicion para la evaluacion de aprendizaje nos damos cuenta que se vuelve una herramienta super util, existen diferentes metodos, taxonomias mediante las cuales recomienda como relizar un desarrollo de esto algoritmo de aprendizaje, pero como los algoritmo no requeren una estrutura general pueden ser desarrollado mediante el enfacis que pueda desarrollar su programador, ese es mi punto de vista como desarrollador.
Las ventajas del uso de software educativo como instrumento de ayuda en el proceso de enseñanza-aprendizaje están ampliamente documentadas. Sin embargo, el uso adecuado de esta herramienta informática requiere de una cuidadosa selección para garantizar un producto de excelente calidad. Yo pienso que la mejor idea para crear un algoritmo para evaluar los contenidos de un software educativo, es fundamentar dicho algoritmo en una serie de cuestionarios a través de los cuales se puedan tomar las opiniones de distinto tipo de público usuario (especialistas, estudiosos, aficionados, o simplemente lectores ocasionales) interesados en el tema del software, para luego almacenar éstas en una base de datos, separando la respuesta contenida en cada idea de acuerdo a la pregunta de donde se originó, para que luego el algoritmo realice automáticamente comparaciones entre ellas, permitiendo ejecutar una medición especializada que brinde resultados confiables acerca de la validez y utilidad del contenido del software que se ha evaluado.
Una de las acciones básicas de cualquier algoritmo de aprendizaje consiste en inducir un modelo de conocimiento a partir de casos concretos. Como dicho conocimiento debe soportarse en un lenguaje apto para ser representado en una computadora, es interesante al menos una cierta familiaridad con técnicas de representación del conocimiento que se estudian. El aprendizaje natural es un término que denota la forma natural en que un agente aumenta su conocimiento para mejorar sus capacidades de actuación en su entorno. Por otra parte, el Aprendizaje Automático es una ciencia de lo artificial. Los principales objetos de su estudio son artefactos, específicamente algoritmos que mejoran su eficiencia a partir de la experiencia obtenida de su entorno. Ya que el objetivo de los algoritmos de aprendizaje supervisado consiste en minimizar una función de error que cuantifica la desviación entre el comportamiento actual y el deseado del sistema, estos algoritmos pueden ser considerados como algoritmos de optimización de funciones.
Hola en este caso me voy a referir a los algoritmos de aprendizaje automaticos:
Los algoritmos de aprendizaje automático son métodos que dado un conjunto de ejemplos de entrenamiento infieren un modelo de las categorías en las que se agrupan los datos, de tal forma que se pueda asignar a nuevos ejemplos una o más categorías de manera automática mediante analogía de patrones en dicho modelo. Los datos del estudio presentado son muy adecuados para este tipo de análisis. Muchos algoritmos de aprendizaje automático pertenecientes a todos los paradigmas han sido aplicados al descubrimiento de conocimiento en datos biomédicos.
9 comentarios:
La idea clave del algoritmo de aprendizaje es encontrar el atributo más importante. El significado de más importante es que es el más significativo con respecto a la clasificación de los ejemplos
Los diferentes algoritmos de Aprendizaje se agrupan en una taxonomía en función de la salida de los mismos. Algunos algoritmos son:
Aprendizaje supervisado
El algoritmo produce una función que establece una correspondencia entre las entradas y las salidas deseadas del sistema. Un ejemplo de este tipo de algoritmo es el problema de clasificación, donde el sistema de aprendizaje trata de etiquetar (clasificar) una serie de vectores utilizando una entre varias categorías (clases). La base de conocimiento del sistema está formada por ejemplos de etiquetados anteriores.
Aprendizaje no supervisado
Todo el proceso de modelado se lleva a cabo sobre un conjunto de ejemplos formado tan sólo por entradas al sistema. No se tiene información sobre las categorías de esos ejemplos.
Aprendizaje por refuerzo
El algoritmo aprende observando el mundo que le rodea. Su información de entrada es el feedback o retroalimentación que obtiene del mundo exterior como respuesta a sus acciones.
Transducción
Similar al aprendizaje supervisado, pero no construye de forma explícita una función. Trata de predecir las categorías de los futuros ejemplos basándose en los ejemplos de entrada, sus respectivas categorías y los ejemplos nuevos al sistema.
Aprendizaje multi-tarea
Métodos de aprendizaje que usan conocimiento previamente aprendido por el sistema de cara a enfrentarse a problemas parecidos a los ya vistos
Se define como algoritmo de aprendizaje al conjunto de reglas bien definidas para la solución de un problema de aprendizaje, existe gran variedad de algoritmos de aprendizaje teniendo cada uno sus propias ventajas.
Los algoritmos de aprendizaje difieren entre sí en la forma como se formulan los cambios en los pesos sinápticos.
Uno de los algoritmos de aprendizaje automático más conocidos, basado en "ejemplos", es el denominado ID3baja con datos simbólicos, en contraposición a los datos numéricos, y se basa en la obtención de un árbol de decisión , a partir del cual se obtienen una serie de reglas de producción, capaces de representar un dominio o universo determinado, generando conocimiento independiente de dicho dominio (el sistema de aprendizaje parte de un estado inicial del dominio escogido en el que no existe conocimiento de partida, extrayendo patrones comunes de entre los ejemplos utilizados, a partir de los cuales genera una base de conocimientos de aplicación a dicho dominio).
El árbol de decisión permite por tanto clasificar los datos de entrada. Se pueden distinguir dos tipos de procesos de aprendizaje:
Supervisado: los ejemplos o "explicaciones" son proporcionados al sistema por un sujeto externo. Pertenecen a esta categoría las clasificaciones de datos basadas en árboles de decisión en base a ejemplos, como es el caso del algoritmo de aprendizaje ID3.
No supervisado: los ejemplos u "observaciones" son creados por el propio sistema. Pertenecen a esta categoría los procesos de agrupamiento de datos o data clustering (o simplemente clustering).
El algoritmo ID3 genera lo que se conoce como reglas "duras", es decir, aquellas que solo atienden a dos posibles estados (verdadero-falso, positivo-negativo, 0-1, etc.), y que tienen por tanto un carácter bivalente, a diferencia de las reglas "borrosas", que permiten representar un rango infinito de valores entre dos extremos de una escala, como las que se obtienen mediante algoritmos ID3 "extendidos"
Los procesos de aprendizaje, que hacen uso de la clasificación de datos, mediante el descubrimiento de patrones, se utilizan con profusión dentro de lo que se conoce como "Data Mining", en castellano minería de datos, explotación de datos, o descubrimiento de conocimiento en bases de datos, diversidad terminológica en torno a la cual existe una cierta polémica.
Aprendizaje Supervisado:
*Para cada dato, se dispone de un profesor/supervisor que proporciona
una salida deseada, ya sea una clase o un valor a aproximar
(clasificaci´on vs regresi´on)..
* Ejemplos de aplicaciones: aproximacion de funciones, clasificacion,
prediccion, etc.
* Algoritmos: arboles/reglas de decision/regresion, clasificacion
bayesiana, algoritmo de retropropagacion en perceptron multicapa,
etc.
• Aprendizaje no Supervisado:
* No se dispone de una salida deseada cada dato, sino que se busca
agrupar/clasificar los datos en funcion de ciertas caracterısticas
(medida de distancia)
* Ejemplos de aplicaciones: agrupacion (clustering), asociacion,
reducci´on de dimensionalidad, etc.
* Algoritmos: Estimacion de Medias (EM), K-medias, mapas
auto-organizativos de Kohonen, etc.
• Aprendizaje por Refuerzo:
* Informacion basada en espacios de estados y acciones de un agente,
sobre los que se pueden ejecutar procesos de prueba y error, y en los
que se realiza el aprendizaje en funci´on de se˜nales de refuerzo y coste
* Ejemplos de aplicaciones: aprendizaje de pol´ıticas de comportamiento
o accion
* Algoritmos: Q-Learning, Dyna-Q, etc.
Aprendizaje por regla de HEBB: hebb es uno de los pioneros de la neuropsicología dedicado a los mecanismos de aprendizaje neurobiológico. los postulados de Hebb están detallados en su libro "organization of behaviour". Varios modelos neuronales (hopfield, kohonen) utilizan su regla más conocida que se desprende del siguiente concepto:
Cuando un axón de la célula A excita a la célula B repetida y persistentemente, se modifica algún proceso metábolico o de crecimiento en una ó ambas células de manera que se incrementa la eficiencia de A para exitar a B, esto traducido puede ser interpretado como: si dos neuronas entre las cuales existe una conexión sináptica son excitadas de forma síncrona y reiterada, el valor de esta conexión debe ser aumentado. Por el contrario si ambas neuronas no están correlacioandas su conexión puede ser disminuida ó incluso eliminada.
Aprendizaje competitivo: En realidad el aprendizaje competitivo se refiere más a una organización neuronal que a un mecanismo de aprendizaje. Como su nombre indica, en este tipo de modelos las neuronas de la capa de salida compiten entre sí por ser la única neurona activa para un estímulo de entrada dado. esta propiedad hacer propicio este modelo para descubrir características estadísticamente significativas de los patrones de entrada.
Modelo de Boltzman: El algoritmo de aprendizaje de Boltzman es estocástico y fue derivado por hinton y Sejnowski basándose en la teoría termodinámica y de procesamiento de información. En una red de Boltzman las neuronas forman una estructura recurrente y sus salidas tomansólo valores binarios +1 y -1. la máquina está caracterizada por una función de energia que depende de los estados individuales de las neuronas y del valor de las conexiónes sinápticas.
Aprendizaje supervisado:El algoritmo produce una función que establece una correspondencia entre las entradas y las salidas deseadas del sistema. Un ejemplo de este tipo de algoritmo es el problema de clasificación, donde el sistema de aprendizaje trata de etiquetar (clasificar) una serie de vectores utilizando una entre varias categorías (clases). La base de conocimiento del sistema está formada por ejemplos de etiquetados anteriores.
Aprendizaje no supervisado: Todo el proceso de modelado se lleva a cabo sobre un conjunto de ejemplos formado tan sólo por entradas al sistema. No se tiene información sobre las categorías de esos ejemplos.
Aprendizaje por refuerzo:El algoritmo aprende observando el mundo que le rodea. Su información de entrada es el feedback o retroalimentación que obtiene del mundo exterior como respuesta a sus acciones.
Transducción: Similar al aprendizaje supervisado, pero no construye de forma explícita una función. Trata de predecir las categorías de los futuros ejemplos basándose en los ejemplos de entrada, sus respectivas categorías y los ejemplos nuevos al sistema.
Aprendizaje multi-tarea: Métodos de aprendizaje que usan conocimiento previamente aprendido por el sistema de cara a enfrentarse a problemas parecidos a los ya vistos.
El análisis computacional y de rendimiento de los algoritmos de aprendizaje automático es una rama de la estadística conocida como teoría computacional del aprendizaje.
El aprendizaje automático nosotros lo llevamos acaba de manera automática ya que es un proceso tan sencillo para nosotros que ni cuenta nos damos de cómo se realiza y todo lo que esto implica. Desde que nacemos hasta que morimos los seres humanos tenemos diferentes procesos entre ellos encontramos el de aprendizaje por medio del cual adquirimos conocimientos, desarrollamos habilidades para analizar y evaluar a través de métodos y técnicas así como también por medio de la experiencia propia, pero a las máquinas hay que indicarles cómo aprender, ya que si no se logra que una máquina sea capaz de desarrollar sus habilidades entonces el proceso de aprendizaje no se estará llevando a cabo, sino que solo será una secuencia repetitiva. También debemos tener en cuenta que el tener conocimiento o el hecho de realizar bien el proceso de aprendizaje automático no implica que se sepa utilizar, es preciso saber aplicarlo en las actividades cotidianas y un buen aprendizaje también implica saber cómo y cuándo utilizar nuestros conocimientos.
Para llevar acabo un buen aprendizaje es necesario tener considerar todos los factores que a este le rodean como, la sociedad, la economía, la ciudad, el ambiente, el lugar, etc. Por lo cual es necesario empezar a tomar diversas medidas para lograr un aprendizaje adecuado, y obtener una automatización adecuada del aprendizaje, por lo cual lo primero que se debe tener en cuenta es el concepto de conocimiento, el cual es el entendimiento de un determinado tema o materia en el cual tu puedas dar tu opinión o punto de vista así como también responder a ciertas interrogantes que puedan surgir de dicho tema o materia.
En el aprendizaje automático podemos obtener 3 tipos de conocimiento los cuáles son:
1. Crecimiento
Es el que se adquiere de lo que nos rodea, el cual guarda la información en la memoria como si dejara huellas.
2. Reestructuración
Al interpretar los conocimientos el individuo razona y genera nuevo conocimiento al cual se le llama de reestructuración.
3. Ajuste
Es el que se obtiene al generalizar varios conceptos o generando los propios.
Los tres tipos se efectúan durante un proceso de aprendizaje automático pero la importancia de cada tipo de conocimiento depende de las características de lo que se está tratando de aprender.
Los algoritmos son codigos que buscan la solucion a un problema, cuando aplicamos esta definicion para la evaluacion de aprendizaje nos damos cuenta que se vuelve una herramienta super util, existen diferentes metodos, taxonomias mediante las cuales recomienda como relizar un desarrollo de esto algoritmo de aprendizaje, pero como los algoritmo no requeren una estrutura general pueden ser desarrollado mediante el enfacis que pueda desarrollar su programador, ese es mi punto de vista como desarrollador.
Las ventajas del uso de software educativo como instrumento de ayuda en el proceso de enseñanza-aprendizaje están ampliamente documentadas. Sin embargo, el uso adecuado de esta herramienta informática requiere de una cuidadosa selección para garantizar un producto de excelente calidad. Yo pienso que la mejor idea para crear un algoritmo para evaluar los contenidos de un software educativo, es fundamentar dicho algoritmo en una serie de cuestionarios a través de los cuales se puedan tomar las opiniones de distinto tipo de público usuario (especialistas, estudiosos, aficionados, o simplemente lectores ocasionales) interesados en el tema del software, para luego almacenar éstas en una base de datos, separando la respuesta contenida en cada idea de acuerdo a la pregunta de donde se originó, para que luego el algoritmo realice automáticamente comparaciones entre ellas, permitiendo ejecutar una medición especializada que brinde resultados confiables acerca de la validez y utilidad del contenido del software que se ha evaluado.
Una de las acciones básicas de cualquier algoritmo de aprendizaje consiste en inducir un modelo de conocimiento a partir de casos concretos. Como dicho conocimiento debe soportarse en un lenguaje apto para ser representado en una computadora, es interesante al menos una cierta familiaridad con técnicas de representación del conocimiento que se estudian.
El aprendizaje natural es un término que denota la forma natural en que un agente aumenta su conocimiento para mejorar sus capacidades de actuación en su entorno. Por otra parte, el Aprendizaje Automático es una ciencia de lo artificial. Los principales objetos de su estudio son artefactos, específicamente algoritmos que mejoran su eficiencia a partir de la experiencia obtenida de su entorno.
Ya que el objetivo de los algoritmos de aprendizaje supervisado consiste en minimizar una función de error que cuantifica la desviación entre el comportamiento actual y el deseado del sistema, estos algoritmos pueden ser considerados como algoritmos de optimización de funciones.
Hola en este caso me voy a referir a los algoritmos de aprendizaje automaticos:
Los algoritmos de aprendizaje automático son métodos que dado un conjunto de ejemplos de entrenamiento infieren un modelo de las categorías en las que se agrupan los datos, de tal forma que se pueda asignar a nuevos ejemplos una o más categorías de manera automática mediante analogía de patrones en dicho modelo. Los datos del estudio presentado son muy adecuados para este tipo de análisis. Muchos algoritmos de aprendizaje automático pertenecientes a todos los paradigmas han sido aplicados al descubrimiento de conocimiento en datos biomédicos.
Suerte..
Publicar un comentario