UNIVERSIDAD MARIANO GALVEZ DE GUATEMALA CENTRO REGIONAL SAN PEDRO SACATEPEQUEZ, S.M.

FACULTAD DE INGENIERIA INGENIERIA EN SISTEMAS DE INFORMACION Y CIENCIAS DE LA COMPUTACION

Aprendizaje y Razonamiento Automtico Laboratorio # 8

Inteligencia Artificial
12vo. Semestre 13/09/2012

Michels Estuardo Leandro Lpez Tul 0903-07-11-528

UMG

[APRENDIZAJE Y RAZONAMIENTO AUTOM]

INDICE
INTRODUCCION ................................................................................................................................... 3 OBJETIVOS ........................................................................................................................................... 3 APRENDIZAJE AUTOMATICO ............................................................................................................... 4 Tipos de Aprendizaje Automtico ................................................................................................... 4 Aprendizaje supervisado ............................................................................................................. 4 Aprendizaje no supervisado ........................................................................................................ 4 Aprendizaje semisupervisado ..................................................................................................... 4 Aprendizaje por refuerzo ............................................................................................................ 4 Transduccin ............................................................................................................................... 4 Aprendizaje multi-tarea .............................................................................................................. 4 En el aprendizaje automtico podemos obtener 3 tipos de conocimiento los cules son:............ 5 1. Crecimiento ............................................................................................................................. 5 2. Reestructuracin ..................................................................................................................... 5 3. Ajuste....................................................................................................................................... 5 Algoritmos de la AA ......................................................................................................................... 5 Aplicaciones..................................................................................................................................... 5 RAZONAMIENTO AUTOMATICO.......................................................................................................... 6 Las sub-reas ms desarrolladas del razonamiento automatizado ................................................ 6 Utilizacin de un sistema de RA ...................................................................................................... 6 Algunos sistemas de RA .................................................................................................................. 6 Campos de aplicacin...................................................................................................................... 7 Minera de Datos (Laboratorio # 8) ..................................................................................................... 8 CONCLUSION ..................................................................................................................................... 10 REFERENCIAS ..................................................................................................................................... 10

Inteligencia Artificial

Pgina 2

UMG

[APRENDIZAJE Y RAZONAMIENTO AUTOM]

INTRODUCCION
Se desarrolla un ensayo sobre Aprendizaje Automtico, Razonamiento Automtico y la Resolucin del Laboratorio nmero ocho, en la cual el aprendizaje es ensearle mediante informacin no estructurada genere comportamientos, siendo por ello induccin del conocimiento; el Razonamiento trata demostrar que una conjetura es una consecuencia lgica de un conjunto de axiomas o hiptesis, y el preguntas sobre Minera de Datos.

OBJETIVOS
Estudiar el Aprendizaje y Razonamiento Automtico de la Inteligencia Artificial; Analizar las diferentes caractersticas de cada uno de los casos de estudio de la Inteligencia Artificial descritas anteriormente; Comprender el desarrollo y la utilizacin tecnolgica computacional para el aprendizaje y razonamiento de casos.

Inteligencia Artificial

Pgina 3

UMG

[APRENDIZAJE Y RAZONAMIENTO AUTOM]

APRENDIZAJE AUTOMATICO
Aprendizaje de Mquinas es una rama de la Inteligencia Artificial cuyo objetivo es desarrollar tcnicas que permitan a las computadoras aprender. De forma ms concreta, se trata de crear programas capaces de generalizar comportamientos a partir de una informacin no estructurada suministrada en forma de ejemplos. Es, por lo tanto, un proceso de induccin del conocimiento. Estudia cmo construir programas que mejoren automticamente con la experiencia.

Tipos de Aprendizaje Automtico

Aprendizaje supervisado El algoritmo produce una funcin que establece una correspondencia entre las entradas y las salidas deseadas del sistema. Un ejemplo de este tipo de algoritmo es el problema de clasificacin, donde el sistema de aprendizaje trata de etiquetar (clasificar) una serie de vectores utilizando una entre varias categoras (clases). La base de conocimiento del sistema est formada por ejemplos de etiquetados anteriores. Este tipo de aprendizaje puede llegar a ser muy til en problemas de investigacin biolgica, biologa computacional y bioinformtica. Aprendizaje no supervisado Todo el proceso de modelado se lleva a cabo sobre un conjunto de ejemplos formado tan slo por entradas al sistema. No se tiene informacin sobre las categoras de esos ejemplos. Por lo tanto, en este caso, el sistema tiene que ser capaz de reconocer patrones para poder etiquetar las nuevas entradas. Aprendizaje semisupervisado Este tipo de algoritmos combinan los dos algoritmos anteriores para poder clasificar de manera adecuada. Se tiene en cuenta los datos marcados y los no marcados. Aprendizaje por refuerzo El algoritmo aprende observando el mundo que le rodea. Su informacin de entrada es el feedback o retroalimentacin que obtiene del mundo exterior como respuesta a sus acciones. Por lo tanto, el sistema aprende a base de ensayo-error. Transduccin Similar al aprendizaje supervisado, pero no construye de forma explcita una funcin. Trata de predecir las categoras de los futuros ejemplos basndose en los ejemplos de entrada, sus respectivas categoras y los ejemplos nuevos al sistema. Aprendizaje multi-tarea Mtodos de aprendizaje que usan conocimiento previamente aprendido por el sistema de cara a enfrentarse a problemas parecidos a los ya vistos.

Inteligencia Artificial

Pgina 4

UMG

[APRENDIZAJE Y RAZONAMIENTO AUTOM]

En el aprendizaje automtico podemos obtener 3 tipos de conocimiento los cules son:

1. Crecimiento Es el que se adquiere de lo que nos rodea, el cual guarda la informacin en la memoria como si dejara huellas. 2. Reestructuracin Al interpretar los conocimientos el individuo razona y genera nuevo conocimiento al cual se le llama de reestructuracin. 3. Ajuste Es el que se obtiene al generalizar varios conceptos o generando los propios. Los tres tipos se efectan durante un proceso de aprendizaje automtico pero la importancia de cada tipo de conocimiento depende de las caractersticas de lo que se est tratando de aprender. El aprendizaje es ms que una necesidad, es un factor primordial para satisfacer las necesidades de la inteligencia artificial.

Algoritmos de la AA
Aprendizaje basado en rboles de decisin Aprendizaje basado en redes neuronales artificiales Aprendizaje probabilstico y Bayesiano Aprendizaje basado en instancias Aprendizaje evolutivo Aprendizaje lgico inductivo Aprendizaje por refuerzo

Aplicaciones
Motores de bsqueda Diagnstico mdico Deteccin de fraudes con el uso de tarjetas de crdito Anlisis del mercado de valores Clasificacin de secuencias de ADN Reconocimiento del habla Robtica

Inteligencia Artificial

Pgina 5

UMG

[APRENDIZAJE Y RAZONAMIENTO AUTOM]

RAZONAMIENTO AUTOMATICO
El razonamiento automtico se dedica al desarrollo de programas de ordenador que sean capaces de demostrar que una conjetura es una consecuencia lgica de un conjunto de axiomas o hiptesis. Es un rea de la informtica y la lgica matemtica dedicada a comprender los diferentes aspectos de razonamiento. El estudio en el razonamiento automatizado ayuda a producir software que permite a los ordenadores a la razn por completo, o casi por completo, de forma automtica. Aunque el razonamiento automatizado se considera un sub-campo de la inteligencia artificial tambin tiene conexiones con la informtica terica, e incluso la filosofa. Como tal, est considerado como un sub-campo de la inteligencia artificial, pero tiene, tambin, conexiones con la ciencia computacional terica e incluso filosofa. Sus siglas en ingls son AR, del trmino Automated reasoning.

Las sub-reas ms desarrolladas del razonamiento automatizado

Demostracin automtica de teoremas (y el sub-campo menos automatizado, pero ms pragmtico de demostrar el teorema interactivo ) Comprobacin de prueba automatizada (visto como el razonamiento correcto garantizado con arreglo a criterios fijos). Razonamiento por analoga induccin y abduccin.

Utilizacin de un sistema de RA
El usuario formaliza el problema y lo pasa al sistema de demostracin automtica como entrada. El sistema intenta resolver el problema. Si el sistema tiene xito, se obtendr una solucin al problema. Si el sistema no tiene xito, entonces el usuario puede proporcionar cierta ayuda, intentar demostrar un resultado intermedio o revisar la formalizacin.

Algunos sistemas de RA
OTTER: MACE: EQP: VAMPIRE: WALDMEISTER: NQTHM: ACL2: COQ: HOL: PVS: NUPRL:

Inteligencia Artificial

Pgina 6

UMG

[APRENDIZAJE Y RAZONAMIENTO AUTOM]

Campos de aplicacin
Matemticas o Problema de Robbins - EQP o Problemas de quasigrupos - OTTER Sntesis de programas Vericacin de software Vericacin de hardware o FM9001 - NQTHM o AMD5K86 - ACL2 Web semntica

Inteligencia Artificial

Pgina 7

UMG

[APRENDIZAJE Y RAZONAMIENTO AUTOM]

MINERA DE DATOS (LABORATORIO # 8)

1) Defina que es Minera de Datos.

La minera de datos es un mecanismo de explotacin, consistente en bsqueda de informacin valiosa en grandes volmenes de datos, centrndose en necesidades de descubrir el porqu, para luego producir y pronosticar las acciones con cierto factor de confianza para cada prediccin.
2) Indique cuales son los pasos, del proceso de Minera de Datos. Filtrado de datos Anlisis de las Propiedades de los Datos Transformacin del conjunto de Datos de Entrada Seleccin de Variables y Tcnicas Extraccin de Conocimiento Interpretacin y evaluacin

3) Indique cuales son las tcnicas conocidas para realizar Minera de Datos. Redes Neuronales Regresin Lineal Arboles de Decisin Modelos Estadsticos Algoritmos Genticos Clustering (Agrupamiento) Reglas de Asociacin Aprendizaje Automtico

4) Indique como puede contribuir la Minera de datos en los sistemas administrativos de una empresa. Proponga algunos ejemplos. La contribucin que aportara la Minera de Datos, en sistemas administrativos, para poder tener un mejor perspectiva y anlisis del crecimiento de la empresa, en ventas, ganancias y poder realizar proyectadas de los mismos, tambin para ver el desempeo de los empleados y el rendimiento operacional del mismo. Los ejemplos que identifico podran ser: Pgina 8

Inteligencia Artificial

UMG

[APRENDIZAJE Y RAZONAMIENTO AUTOM]

En un sistema en donde se manejen Instituciones del Estado y la informacin que maneje el estado, como sus contratos, facturacin y dems, en la cual se generen reportes de los diferentes departamentos del pas y as poder analizar el crecimiento de instituciones por areas. En universidades, para el registro y control de los estudiantes, reportes de notas, documentos didcticos y dems para poder homologar la informacin para todos los estudiantes de cada centro educativo y con ello poder determinar el crecimiento y desarrollo del mismo, reporte de egresados por ao y dems anlisis para poder generar o no centros regionales. En un control de inventarios de sucursales nacionales e internacionales, en la cual se maneja informacin a diario y en cantidad, y con ello poder desarrollar reportes, anlisis, mediante tcnicas para determinar oportunidades, amenazas y dems en una empresa y el crecimiento organizacional.

5) Cul es la diferencia entre Minera de Datos y Datawarehouse Datawarehouse: Son la manera mas efectiva y tecnolgicamente mas avanzadas para integrar, transformar y combinar los datos para combinar al usuario o a otros sistemas el anlisis de la informacin. Tambin es una coleccin de datos orientada a un dominio, integrada, no voltil, variante en el tiempo para ayudar a la toma de decisiones. Minera de Datos: Conjunto de tcnicas de anlisis de datos que permiten, extraer patrones, tendencias y regularidades para describir y comprender mejor los datos; extraer patrones y tendencias para predecir comportamientos futuros y por ello debe ser semiautomtico. La diferencia radica en que la el datawarehouse, transforma y facilita el acceso a la informacin, mientras que la Minera de Datos Analiza los datos mediante tcnicas.

Inteligencia Artificial

Pgina 9

UMG

[APRENDIZAJE Y RAZONAMIENTO AUTOM]

CONCLUSION
El Aprendizaje Automtico, crea programas de comportamiento general mediante datos no estructurados para la solucin de problemas organizacionales; el Razonamiento Automtico conseguir software que pueda permitir el razonamiento autnomo o casi autnomo, para dar soluciones optimas mediante conocimientos tericos y filosficos de los mismos; y, la Minera de Datos, sirve para realizar anlisis de los datos que maneja una empresa mediante tcnicas para poder presentarla.

REFERENCIAS
Aprendizaje Automtico http://es.wikipedia.org/wiki/Aprendizaje_autom%C3%A1tico http://www-2.dc.uba.ar/materias/aa/aa.html http://www-2.dc.uba.ar/materias/aa/aa.html Razonamiento Automtico http://en.wikipedia.org/wiki/Automated_reasoning http://www.cs.us.es/~jalonso/cursos/d-ra-04/temas/tema-1.pdf

Inteligencia Artificial

Pgina 10