Professional Documents
Culture Documents
13290901
Reconocimiento de Patrones
Investigacin complementaria a la unidad 3
Definir varios conceptos sobre el aprendizaje automtico, sus caractersticas y tipos que existen. A travs de
una tabla comparativa indicar el tipo de aprendizaje, una descripcin de ste y hacia qu tipos de aplicacin se
orienta.
"Aprender a aprender es un proceso en el que todos nos involucramos a lo largo de nuestras vidas, aunque a
menudo no nos damos cuenta de que estamos, de hecho, aprendiendo a aprender.La mayora de las veces nos
concentramos en lo que estamos aprendiendo, Lo estn aprendiendo "
Aprendizaje activo
Este artculo trata de una tcnica educativa. Para el aprendizaje activo en el contexto del aprendizaje
automtico, vase Aprendizaje activo (aprendizaje automtico).
El aprendizaje activo es un modelo de instruccin que enfoca la responsabilidad de aprender sobre los
estudiantes. Fue popularizado en la dcada de 1990 por su aparicin en el informe de la Asociacin para el
Estudio de la Educacin Superior (ASHE) (Bonwell & Eison 1991). En este informe se discuten una variedad
de metodologas para promover el "aprendizaje activo". Ellos citan la literatura que indica que para aprender,
los estudiantes deben hacer algo ms que escuchar: deben leer, escribir, discutir, o estar involucrados en la
solucin de problemas. Se relaciona con los tres campos de aprendizaje conocidos como conocimiento,
habilidades y actitudes (KSA), y que esta taxonoma de comportamientos de aprendizaje puede considerarse
como "los objetivos del proceso de aprendizaje" (Bloom, 1956). En particular, los estudiantes deben participar
en tareas de pensamiento de orden superior como el anlisis, la sntesis y la evaluacin. [1] El aprendizaje
activo involucra a los estudiantes en dos aspectos: hacer las cosas y pensar en las cosas que estn haciendo
(Bonwell y Eison, 1991).
Aprendizaje Auto-dirigido
En Loyens, la discusin de Magda y Rikers, SDL se define como "un proceso en el cual los individuos toman
la iniciativa ... en diagnosticar sus necesidades de aprendizaje, formular metas, identificar recursos humanos y
materiales, elegir e implementar estrategias de aprendizaje apropiadas y evaluar resultados de aprendizaje.
"[44]
1
Yahv Eusbio Ibarra Rconociminto d Patrons
13290901
Al ser invitados al proceso de aprendizaje, los estudiantes tambin son invitados a asumir la responsabilidad
de su aprendizaje, lo que conduce a un aumento de las habilidades de aprendizaje autodirigido.
El aprendizaje basado en problemas (PBL, por sus siglas en ingls) es una pedagoga centrada en el estudiante
en la cual los estudiantes aprenden sobre un tema a travs de la experiencia de crear un problema. Los
estudiantes aprenden estrategias de pensamiento y conocimiento del dominio. El formato PBL se origin en la
escuela de medicina de pensamiento, y ahora se utiliza en otras escuelas de pensamiento tambin. Fue
desarrollado en la Escuela de Medicina de la Universidad de McMaster en Canad en la dcada de 1960 y
desde entonces se ha extendido por todo el mundo. Los objetivos de PBL son ayudar a los estudiantes a
desarrollar un conocimiento flexible, habilidades efectivas de resolucin de problemas, aprendizaje
autodirigido, habilidades efectivas de colaboracin y motivacin intrnseca. El aprendizaje basado en
problemas es un estilo de aprendizaje activo.
Trabajando en grupo, los estudiantes identifican lo que ya saben, lo que necesitan saber y cmo y dnde
acceder a nueva informacin que pueda conducir a la resolucin del problema. [2] Que es ms a menudo
basada en conferencias El papel del instructor (conocido como el tutor en PBL) es facilitar el aprendizaje
mediante el apoyo, la gua y el seguimiento del proceso de aprendizaje. [3] El tutor debe construir la
confianza de los estudiantes para asumir el problema, y alentar a los estudiantes, mientras que tambin se
extiende su comprensin. PBL representa un cambio de paradigma de la enseanza tradicional y la filosofa de
aprendizaje, que es ms a menudo basado en la conferencia. Los constructos para ensear PBL son muy
diferentes de la enseanza tradicional de clases / conferencias.
Aprendizaje Individual
"El aprendizaje individual se define como la capacidad de construir el conocimiento a travs de la reflexin
individual sobre estmulos y fuentes externas, ya travs de la reelaboracin personal del conocimiento
individual y la experiencia a la luz de la interaccin con los dems y el medio ambiente"
"El aprendizaje individual se define como la capacidad de construir conocimiento a travs de la reflexin
individual sobre los recursos y las fuentes externas, y por el medio de la re-elaboracin personal de los
conocimientos y la experiencia individual, a la luz de la interaccin con los dems Y con el entorno "
Afirma:
"... el contexto social de un entorno de aprendizaje puede proporcionar apoyo a sus miembros, sin embargo, el
cambio en la estructura cognitiva y la adquisicin de conocimientos y habilidades es y evento individual"
2
Yahv Eusbio Ibarra Rconociminto d Patrons
13290901
Carga Cognitiva
En la psicologa cognitiva, la carga cognitiva se refiere a la cantidad total de esfuerzo mental que se utiliza en
la memoria de trabajo. La teora de la carga cognitiva se desarroll a partir del estudio de la resolucin de
problemas por John Sweller a finales de la dcada de 1980. [1] Sweller argument que el diseo instruccional
puede usarse para reducir la carga cognitiva en los alumnos. La teora de la carga cognitiva diferencia la carga
cognitiva en tres tipos: intrnseco, extrao y alemn. La carga cognitiva intrnseca es el esfuerzo asociado con
un tema especfico. La carga cognitiva extrnseca se refiere a la forma en que la informacin o las tareas se
presentan a un alumno. Y la carga cognitiva cognitiva se refiere al trabajo puesto en crear un almacn
permanente de conocimiento, o un esquema. Los investigadores Paas y Van Merrinboer desarrollaron una
manera de medir el esfuerzo mental percibido que es indicativo de la carga cognitiva. [2] La respuesta pupilar
llamada tarea es una medida fiable y sensible de la carga cognitiva que est directamente relacionada con la
memoria de trabajo. [3] La carga cognitiva pesada puede tener efectos negativos en la terminacin de la tarea,
y es importante sealar que la experiencia de la carga cognitiva no es la misma en todos. Los ancianos, los
estudiantes y los nios experimentan diferentes, y con mayor frecuencia mayores, cantidades de carga
cognitiva. Se ha demostrado que la alta carga cognitiva en los ancianos afecta su centro de equilibrio. [4] Con
el aumento de las distracciones y el uso del telfono celular los estudiantes son ms propensos a experimentar
alta carga cognitiva que puede reducir el xito acadmico. [5] Los nios tienen menos conocimientos
generales que los adultos, lo que aumenta su carga cognitiva.
"La teora de la carga cognitiva ha sido diseada para proporcionar directrices destinadas a ayudar en la
presentacin de la informacin de una manera que alienta las actividades de aprendizaje que optimizar el
rendimiento intelectual". [6] La teora de John Sweller emplea aspectos de la teora del procesamiento de la
informacin para enfatizar las limitaciones inherentes de la carga de memoria de trabajo concurrente en el
aprendizaje durante la instruccin
La teora de la carga cognitiva proporciona un marco general y tiene amplias implicaciones para el diseo
instruccional, permitiendo a los diseadores de instruccin controlar las condiciones de aprendizaje dentro de
un ambiente o, de manera ms general, dentro de la mayora de los materiales de instruccin.
Especficamente, proporciona pautas basadas empricamente que ayudan a los diseadores de la instruccin a
disminuir la carga cognitiva extraa durante el aprendizaje y as reorientar la atencin del estudiante hacia
materiales aleatorios, aumentando as la carga cognitiva relacionada con el esquema (relacionada con el
esquema). Esta teora diferencia entre tres tipos de carga cognitiva: carga cognitiva intrnseca, carga cognitiva
alemana y carga cognitiva extraa.
3
Yahv Eusbio Ibarra Rconociminto d Patrons
13290901
Competencia
Capacidad demostrada por parte del estudiante para usar conocimientos y habilidades.
ECCP
Espacio blanco
Es una expresin que trata de personas de diferentes perfiles y capacidades en una motivacin comn.
Sabre gestionar dicho espacio requerir muchas de las competencias que esperan en un lder y requieren
mantener en todo momento una actitud creativa y una visin global y sistmica.
Referencia en el blog de Jos Miguel Bolvar en relacin a la gestin y el liderazgo en el mbito empresarial.
Estilos de Aprendizaje
"Los Estilos de Aprendizaje reflejan nuestras preferencias a la hora de aprender nuevos conceptos e ideas:
"Los estilos de aprendizaje reflejan nuestras formas preferidas de aprender nuevos conceptos e ideas:
4
Yahv Eusbio Ibarra Rconociminto d Patrons
13290901
Habilidades de Aprendizaje
Las habilidades de aprendizaje (a veces llamadas habilidades de estudio) son las herramientas bsicas del
aprendizaje:
Habilidades funcionales
Son las capacidades de los aprendices para tener un un rol activo y responsable en su vida personal, en su
entorno de trabajo y sociedad en general.
Memoria de trabajo
5
Yahv Eusbio Ibarra Rconociminto d Patrons
13290901
Existen teoras sobre la estructura terica de la memoria de trabajo y el papel de partes especficas del cerebro
involucradas en la memoria de trabajo. La investigacin identifica la corteza frontal, corteza parietal,
cingulado anterior y partes de los ganglios basales como cruciales. La base neural de la memoria de trabajo se
ha derivado de los experimentos de lesin en animales y la imagen funcional en seres humanos.
Objetivos
Estn directamente relacionados con el punto de vista y las intenciones del profesor
Conocer
Comprender
Determinar
Entender
Captar
Familiarizarse con
Pensamiento computacional
Pensamiento computacional. Este pensamiento fue definido recientemente por ISTE y CSTA como un proceso
de solucin de problemas que incluye, entre otros: analizar problemas, organizar y representar datos de
manera lgica, automatizar soluciones mediante pensamiento algortmico, utilizar abstracciones y modelos,
comunicar procesos y resultados, reconocer Patrones, y, generalizar y transferir
Wikipedia ...
6
Yahv Eusbio Ibarra Rconociminto d Patrons
13290901
Identificar, probar e implementar posibles soluciones
Resilencia
En la RAE tenemos: "Capacidad humana de asumir con flexibilidad de las situaciones lmite y sobreponerse a
ellas".
Son concreciones de las competencias para un nivel determinado; Resultado del proceso enseanza /
aprendizaje.
Estn directamente relacionados con los estudiantes y sus logros. Una diferencia con los objetivos que estn
relacionados con el profesor y sus intenciones.
Son evaluables.
Ejemplos de verbos que se usan habitualmente para describir los resultados de aprendizaje:
Distinguir entre
7
Yahv Eusbio Ibarra Rconociminto d Patrons
13290901
Elegir
Reunir
Modificar
Identificar
Resolver
Aplicar
Enumerar
Interpretar
Evaluar
Para definir los resultados del aprendizaje, debe utilizar declaraciones que contengan un verbo de accin, un
contenido sobre el cual el estudiante tiene que actuar y un contexto en el que ha producido la ejecucin. Es
mejor evitar el uso de verbos cuentos como saber, comprender, conocer o ser consciente de que no son
evaluables ni medibles.
ser realistas y alcanzables por parte del estudiante en el tiempo asignado y los recursos disponibles.
Habilidad
"Capacidad prctica para hacer 'algo' o realizar con xito una tarea ', se refiere a los contextos particulares
(p.e. cocinando) o a las generales generales de rendimiento (p.e. tener buena memoria, una mente lgica, ser
creativo, ...)".
8
Yahv Eusbio Ibarra Rconociminto d Patrons
13290901
El aprendizaje basado en habilidades proporciona ambientes de clase donde la independencia, las habilidades
de pensamiento, la colaboracin y el aprendizaje activo se desarrollan al mismo tiempo que se adquiere el
conocimiento.
Http://www.thinkingclassroom.co.uk/ThinkingClassroom/SkillsBasedLearning.aspx
Unesdoc.unesco.org unesdoc.unesco.org
Qu te da una buena educacin? Un almacn de los hechos tiles necesarios para navegar el mundo del
trabajo? Un conjunto de habilidades flexibles para manejar el cambio en un futuro incierto? Educadores y
polticos discuten de un lado a otro entre el conocimiento y las habilidades. La verdad sea dicha una buena
educacin le da a ambos: uno (conocimiento) que da a los otros (habilidades) contextos a desarrollar.
La investigacin de NTL indica que los estudiantes recuerdan ms eficazmente cuando pueden utilizar
habilidades para tener acceso, procesar y expresar su conocimiento. Los resultados indican que ensear y
evaluar a otra persona se considera ms eficaz que escuchar una conferencia. Si esto es cierto, entonces es una
buena justificacin para el aprendizaje basado en habilidades: ensear y evaluar unos a otros necesita
planificacin, trabajo en grupo, creatividad, investigacin, evaluacin y confianza en s mismo. Escuchar una
conferencia requiere escuchar y tal vez hacer notas.
Sea cual sea el contenido de mi formacin (creatividad, aprendizaje de los chicos, provisin de G & T,
liderazgo, etc.), diseo oportunidades de desarrollo de habilidades incluyendo trabajo en equipo, investigacin
independiente, autoevaluacin, resolucin de problemas, gestin del tiempo, comunicacin efectiva y crtica /
creativa. pensando.
Con el fin de aprender de una experiencia, tienes que ir a travs de la learningcycle. David Kolb declar que
para que el verdadero aprendizaje tenga lugar, necesitamos tener una experiencia, reflexionar sobre la
experiencia, darle sentido y finalmente aplicar nuestras teoras a nuestras vidas planificando lo que haramos
la prxima vez que estuviramos en la misma situacin o similar. El aprendizaje se inhibe cuando el alearner
pierde una de las etapas de Kolb
9
Yahv Eusbio Ibarra Rconociminto d Patrons
13290901
Habilidades de pensamiento
"Maneras particulares de aplicar nuestra mente para solucionar problemas; esenciales para un aprendizaje
efectivo".
"Capacidades mentales que usamos para investigar el entorno, solucionar problemas, generar significado y
emitir juicios".
10
Yahv Eusbio Ibarra Rconociminto d Patrons
13290901
Http://www.thinkingclassroom.co.uk/ThinkingClassroom/ThinkingSkills.aspx
"Habilidades de pensamiento son los procesos mentales que usamos para hacer cosas como: resolver
problemas, tomar decisiones, hacer preguntas, hacer planes, pasar juicios, organizar la informacin y crear
nuevas ideas A menudo no somos conscientes de nuestro pensamiento - que sucede automticamente - Pero si
tomamos tiempo para reflexionar sobre lo que est pasando, entonces podemos ser ms eficientes y creativos
con nuestras mentes ",
Unesdoc.unesco.org unesdoc.unesco.org
Necesidad, pues, de IDENTIFICAR cules son las Habilidades clave del pensamiento humano. Quizs la
propuesta mas famosa sea la Taxonoma de BLOOM de Thinking Skills '.
Uno de los usos ms extendidos del aprendizaje supervisado consiste en hacer predicciones a futuro basadas
en comportamientos o caractersticas que se han visto en los datos ya almacenados (el histrico de datos). El
aprendizaje supervisado permite buscar patrones en datos histricos relacionando todos campos con un campo
especial, llamado campo objetivo. Por ejemplo, los correos electrnicos se etiquetan como spam o
legtimo por parte de los usuarios. El proceso de prediccin se inicia con un anlisis de qu caractersticas o
patrones tienen los correos ya marcados con ambas etiquetas. Se puede determinar, por ejemplo, que un correo
spam es aquel que viene de determinadas direcciones IP, y adems tiene una determinada relacin
texto/imgenes, y adems contiene ciertas palabras, y adems no hay nadie en el campo Para:, y adems
(muchos adems) Este sera tan solo uno de los patrones. Una vez determinados todos los patrones (esta
fase se llama de aprendizaje), los correos nuevos que nunca han sido marcados como spam o legtimos se
comparan con los patrones y se clasifican (se predice) como spam o legtimos en funcin de sus
caractersticas.
Por otro lado, el aprendizaje no supervisado usa datos histricos que no estn etiquetados. El fin es
explorarlos para encontrar alguna estructura o forma de organizarlos. Por ejemplo, es frecuente su uso para
agrupar clientes con caractersticas o comportamientos similares a los que hacer campaas de marketing
altamente segmentadas.
11
Yahv Eusbio Ibarra Rconociminto d Patrons
13290901
Un ejemplo de clasificacin es el anteriormente mencionado del spam. Los correos se categorizan como
spam o como legtimos. Otro ejemplo clsico de clasificacin en el mundo del machine learning es
la prediccin de bajas en, por ejemplo, un servicio de telefona. El objetivo en este caso es detectar los
patrones de comportamiento de los clientes que sirven para predecir si se van a ir a la competencia. En este
caso los clientes se clasifican como baja o no baja.
La regresin, en cambio, predice un nmero, como por ejemplo cul va a ser el precio de un artculo, o el
nmero de reservas que se harn en mayo en un hotel.
En pocas palabras se podra decir que la minera de datos tiene una funcin exploratoria mientras que el
machine learning se focaliza la prediccin.
Por ejemplo, los datos histricos de las compras de libros en una web online se pueden usar para analizar el
comportamiento de los clientes en sus procesos de compra (ttulos visitados, categoras, historial de
compras), agruparlos en patrones de comportamiento y hacer recomendaciones de compra a los clientes
nuevos que siguen los patrones ya conocidos o aprendidos.
12
Yahv Eusbio Ibarra Rconociminto d Patrons
13290901
del nmero de compras de cada cliente, antigedad, si es seguidor en redes sociales, si se ha dado de alta en la
newsletter, qu productos comprados En una hoja de clculo, seran las columnas.
Objetivo (objective)
Es el atributo o factor que queremos predecir, el objetivo de la prediccin, como puede ser la probabilidad de
reingreso de un paciente tras una intervencin quirrgica.
Modelo (model)
Tras entrenar al sistema (es decir, tras detectar los patrones en los datos), se crea un modelo que servir para
hacer las predicciones. Podemos asimilar un modelo a un filtro en el que entran datos nuevos y cuya salida es
la clasificacin de ese dato segn los patrones que se han detectado en el entrenamiento. Por ejemplo, si se
entrena un modelo con datos histricos de clientes para detectar el riesgo de baja de una tarjeta de crdito, el
modelo clasificar a los nuevos clientes en funcin de su comportamiento para predecir el riesgo de baja.
Confianza (confidence)
Es la probabilidad de acierto que calcula el sistema para cada una de las predicciones.
caractersticas
El aprendizaje automtico o aprendizaje de mquinas (del ingls, "Machine Learning") es el subcampo de
las ciencias de la computacin y 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 suministrada en forma de ejemplos. Es, por lo tanto,
un proceso de induccin del conocimiento. En muchas ocasiones el campo de actuacin del aprendizaje
automtico se solapa con el de la estadstica computacional, ya que las dos disciplinas se basan en el anlisis
de datos. Sin embargo, el aprendizaje automtico tambin se centra en el estudio de la complejidad
computacional de los problemas. Muchos problemas son de clase NP-hard, por lo que gran parte de la
investigacin realizada en aprendizaje automtico est enfocada al diseo de soluciones factibles a esos
problemas. El aprendizaje automtico puede ser visto como un intento de automatizar algunas partes
del mtodo cientfico mediante mtodos matemticos.
13
Yahv Eusbio Ibarra Rconociminto d Patrons
13290901
El aprendizaje automtico tiene una amplia gama de aplicaciones, incluyendo motores de bsqueda,
diagnsticos mdicos, deteccin de fraude en el uso de tarjetas de crdito, anlisis del mercado de valores,
clasificacin de secuencias de ADN, reconocimiento del habla y del lenguaje escrito, juegos y robtica.
14
El anlisis computacional y de rendimiento de los algoritmos de aprendizaje automtico es una rama de
la estadstica conocida como teora computacional del aprendizaje.
El aprendizaje automtico las personas lo llevamos a cabo de manera automtica ya que es un proceso tan sencillo para
nosotros que ni nos damos cuenta de cmo se realiza y todo lo que implica. Desde que nacemos hasta que morimos los seres
humanos llevamos a cabo diferentes procesos, entre ellos encontramos el de aprendizaje por medio del cual adquirimos
conocimientos, desarrollamos habilidades para analizar y evaluar a travs de mtodos y tcnicas as como tambin por medio
de la experiencia propia. Sin embargo, a las mquinas hay que indicarles cmo aprender, ya que si no se logra que una
mquina sea capaz de desarrollar sus habilidades, el proceso de aprendizaje no se estar llevando a cabo, sino que solo ser
una secuencia repetitiva. Tambin debemos tener en cuenta que el tener conocimiento o el hecho de realizar bien el proceso
de aprendizaje automtico no implica que se sepa utilizar, es preciso saber aplicarlo en las actividades cotidianas, y un buen
aprendizaje tambin implica saber cmo y cundo utilizar nuestros conocimientos.
Para llevar a cabo un buen aprendizaje es necesario considerar todos los factores que a este le rodean, como la sociedad, la
economa, la ciudad, el ambiente, el lugar, etc. Por lo tanto, es necesario empezar a tomar diversas medidas para lograr un
aprendizaje adecuado, y obtener una automatizacin adecuada del aprendizaje. As, lo primero que se debe tener en cuenta es
el concepto de conocimiento, que es el entendimiento de un determinado tema o materia en el cual tu puedas dar tu opinin o
punto de vista, as como responder a ciertas interrogantes que puedan surgir de dicho tema o materia.
2 Aprendizaje Todo el proceso de modelado se lleva a una aplicacin de reconocimiento de caras podramos pasar la
no cabo sobre un conjunto de ejemplos fotografa como un mapa de bits pero esto seria muy costoso
supervisado formado tan slo por entradas al sistema. computacionalmente, pero sin embargo si pasramos una serie de
valores como anchura de ojos, anchura de boca, tamao de frente,
No se tiene informacin sobre las
etc., esto nos podra clasificar la cara en funcin de sus parecidos.
categoras de esos ejemplos. Por lo tanto, Entre los distintos tipos de aprendizaje no supervisado podemos
en este caso, el sistema tiene que ser distinguir, el aprendizaje por componentes principales y el
capaz de reconocer patrones para poder aprendizaje competitivo.
etiquetar las nuevas entradas.
3 Aprendizaje Este tipo de algoritmos combinan los dos Deteccin de rostro. Podemos verlo en nuestras
semisupervis algoritmos anteriores para poder cmaras mviles.
ado clasificar de manera adecuada. Se tiene Reconocimiento facial, de voz o de objetos.
en cuenta los datos marcados y los no Buscadores. Para mejorar los resultados y sugerencias
marcados. de bsqueda.
Anti-spam. Mediante el uso de etiquetas.
5 Transduccin Similar al aprendizaje supervisado, pero Trata de predecir las categoras de los futuros ejemplos basndose
no construye de forma explcita una en los ejemplos de entrada, sus respectivas categoras y los
funcin. ejemplos nuevos al sistema.
Definir que es una tcnica de clasificacin, tipos de tcnicas existentes, caractersticas que las definen, los
algoritmos involucrados en stas, y hacia qu tipo de representacin (o aplicacin) se orientan.
Tcnica de clasificacin
permite agrupar muestras de acuerdo a criterios o mtodos. El objetivo de la clasificacin dentro del aprendizaje automtico consiste en la
asignacin de un objeto o un fenmeno fsico a una de las diversas categoras o clases especificadas (se hace referencia a clase como una
agrupacin de objetos que tiene caractersticas comunes, o mejor dicho como un sinnimo de categora). La clasificacin es una tcnica
muy til, usada en diversos campos como el de reconocimiento de patrones.
Supervisado
entrada, salida, objetivo
Se realiza mediante un entrenamiento controlado por un agente externo (supervisor, maestro), que determina la
respuesta que debera generar la red apartir de una entrada determinada.
Consiste en ajustar los pesos de las conexiones de la red en funcin de la diferencia entre los valores deseados y los
obtenidos en la salida de la red; es decir en funcin del error cometido en la salida
a :factor de aprendizaje ( 0 < a < 1 )
Aprendizaje No supervisado
entrada, salida
El aprendizaje no supervisado o autosupervisado no hay un maestro o critico externo para supervisar el proceso de
aprendizaje.
Esta constituido por un conjunto de reglas que dan a la red la habilidad de aprender asociaciones entre los patrones que
ocurren en conjunto frecuentemente.
Una vez aprendido como asociacin permite a las redes realizar tareas tiles de reconocimiento de patrones y recordar.
Tambien llamado autosupervisado, no requieren influencia externa para ajustar los pesos de las conexiones entre sus
neuronas. Existen varias posibilidades en cuanto a la interpretacin de la salida de estas redes, que dependen de su
estructura o del algoritmo de aprendizaje empleado los casos de salida pueden representar:
grado de familiaridad o similitud entre la informacin que se presenta a la entrada y las informaciones que se han
mostrado hasta entonces.
Prototipado, es decir obtener ejemplares representantes de las clases a las que pertenecen las informaciones de entrada.
Codificacin de los datos de entrada, generando a la salida una versin codificada de la entrada, con menos bits, pero
manteniendo la informacin relevante de los datos.
Mapeo de caractersticas, obteniendo a la salida un mapa topogrfico de las caractersticas de los de entrada, de tal
forma que si se presentan en la red informaciones similares, siempre sean afectadas neuronas de salida prximas entre
si, en la misma zona del mapa.
El aprendizaje Supervisado no involucra valores objetivo. De hecho, los objetivos son los mismos que las entradas.
En otras palabras, el aprendizaje no supervisado usualmente realiza la misma tarea que una red autoasociativa, la
compresin de la informacin de las entradas.
Aprendizaje Asociativo
Es cualquier relacin entre la entrada de un sistema y su salida de tal forma que cuando el patrn A se presenta al
sistema este responde con un patrn B.
Aprendizaje Hebbiano.
Donald O. Hebb (1949)
Pretende medir la familiaridad o extraer caractersticas de los datos de entrada. Este tipo de aprendizaje
consiste en el ajuste de los pesos de las conexiones de acuerdo con la correlacin (multiplicacin en el caso
de valores binarios +1, -1) de los valores de activacin (salidas) de las dos neuronas conectadas:
Cuando una unidad es activa y la otra pasiva (negativa) se produce un debilitamiento de la conexin.
Ejemplos de redes: Red de Hopfield, Additive Grossberg, Shunting Grossberg, Learning Matrix, BAM, TAM, LAM.
Tambin se utiliza el aprendizaje hebbiano combinado con otros mtodos, esto se puede ver en las redes
:
Maquina de Boltzmann
Maquina de Cauchy
En estas redes las neuronas compiten y cooperan unas con otras con el fin de llevar a cabo una tarea
dada.
Cuando se presenta a la red cierta informacin de entrada, solo una de las neuronas de salida o un cierto
grupo de neuronas, se activan. quedando anuladas las dems (valores de respuesta mnimos).
El objetivo de este tipo de aprendizaje es categorizar (Clustering) los datos que se introducen en la red.
SOM (Kohonen).
Reduccin de la dimensionalidad
Compresin de Datos..
Clasificacin.
El aprendizaje de una comparacin entrada/salida se desempea a travs de la interaccin continua del medio ambiente
de tal forma que se minimice un ndice escalar de su desempeo.
Se basa en la idea de no disponer de un ejemplo completo del comportamiento deseado, es decir, la funcin del
supervisor se reduce a indicar mediante una seal de refuerzo si la salida de la red se ajusta a la deseada (xito=1,
fracaso=-1) y en funcin de ello se ajustan los pesos basndose en un mecanismo de probabilidades.
Algoritmos
Algoritmo Lineal con Recompensa y penalizacin (Linear Reward - Penalty), Narendra /Thathacher.
Es un aprendizaje supervisado mas lento que el anterior que se basa en la idea de no disponer de un ejemplo completo
del comportamiento deseado, es decir, la funcin del supervisor se reduce a indicar mediante una seal de refuerzo si la
salida de la red se ajusta a la deseada (xito=1, fracaso=-1) y en funcin de ello se ajustan los pesos basndose en un
mecanismo de probabilidades.
Parcialmente supervisado
Recompensa/castigo
Es una clase de tcnicas de aprendizaje automtico que utiliza datos de entrenamiento tanto etiquetados como no etiquetados:
normalmente una pequea cantidad de datos etiquetados junto a una gran cantidad de datos no etiquetados. El aprendizaje
semi-supervisado se encuentra entre el aprendizaje no supervisado (sin datos de entrenamiento etiquetados) y el aprendizaje
supervisado (con todos los datos de entrenamiento etiquetados). Los investigadores del campo del aprendizaje automtico han
descubierto que los datos no etiquetados, cuando se utilizan junto a una pequea cantidad de datos etiquetados, pueden
mejorar de forma considerable la exactitud del aprendizaje. La adquisicin de datos etiquetados para resolver un problema
suele requerir un agente humano capacitado para clasificar de forma manual los ejemplos de entrenamiento. El coste asociado
al proceso de etiquetado puede hacer que un conjunto de entrenamiento totalmente etiquetado sea inviable, mientras que la
adquisicin de datos sin etiquetar es relativamente poco costoso. En estos casos, el aprendizaje semi-supervisado puede ser
muy til.
Un ejemplo de tcnica que utiliza aprendizaje semi-supervisado es el co-entrenamiento, donde se entrenan dos o ms sistemas
cada uno en un conjunto de ejemplos, pero de forma que cada sistema utiliza un conjunto de caractersticas diferentes (e
idealmente independientes) para cada ejemplo.
Un enfoque alternativo consiste en modelar la distribucin de la probabilidad conjunta de las caractersticas y las etiquetas.
Los datos no etiquetados pueden ser tratados como 'datos que faltan'. Se utiliza de forma comn en el algoritmo EM para
maximizar la similitud del modelo.