Yahv Eusbio Ibarra Rconociminto d Patrons

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.

Conceptos sobre el aprendizaje automtico

Aprendiendo a Aprender

"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

De Wikipedia, la enciclopedia libre

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

Uno de los objetivos de PBL es el desarrollo de habilidades de aprendizaje autodirigido (SDL).

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.

Aprendizaje basado en problemas

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 "

Fuente: APRENDIZAJE INDIVIDUAL (sribd, por bishnuchettri)

Prof. David Merrill

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.

Se ha encontrado evidencia de que los individuos difieren sistemticamente en su capacidad de

procesamiento. [24] [25] Por ejemplo, hay diferencias individuales en las capacidades de procesamiento entre
novatos y expertos. [26] Los expertos tienen ms conocimiento o experiencia con respecto a una tarea
especfica que reduce la carga cognitiva asociada con la tarea. Los principiantes no tienen esta experiencia o
conocimiento y por lo tanto tienen una carga cognitiva ms pesada.

3
Yahv Eusbio Ibarra Rconociminto d Patrons
13290901

Competencia

Capacidad demostrada por parte del estudiante para usar conocimientos y habilidades.

Las hay de tipo transversal y especfico.

Forma parte de la definicin de un plan docente

Entorno complejo de conocimiento personal

Es el punto de partida del proceso de aprendizaje, en un contexto de contenidos / conversaciones en un

entorno complejo.

ECCP

Espacio blanco

Es una expresin que trata de personas de diferentes perfiles y capacidades en una motivacin comn.

Este espacio de encuentro y creacin ofrecen soluciones a la incertidumbre.

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 Wikipedia (en ingls)

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:

a travs de la accin o de la reflexin

a travs de la experiencia o de la teora

Incluyendo la imagen completa o construyendo bloques discretos de informacin

"Los estilos de aprendizaje reflejan nuestras formas preferidas de aprender nuevos conceptos e ideas:

mediante accin o reflexin

a travs de la experiencia o la teora

captar toda la imagen o construir bloques discretos de informacin ".

Fuente.- Universidad Abierta, Curso online 'Aprendiendo a Aprender'

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:

lectura para un propsito

extraer informacin de texto o diagramas

tomar notas o registrar informacin para uso futuro

escribir para una audiencia de una manera apropiada.

Fuente.- Open Univ, Curso Online 'Laeraning Cmo Aprender'

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

De Wikipedia, la enciclopedia libre

La memoria de trabajo es el sistema responsable de la retencin y procesamiento transitorios de informacin

nueva y almacenada, un proceso importante para el razonamiento, la comprensin, el aprendizaje y la
actualizacin de la memoria. La memoria de trabajo se utiliza generalmente sinnimo de memoria de corto
plazo, pero esto depende de cmo se definen las dos formas de memoria. [1] La memoria de trabajo incluye
subsistemas que almacenan y manipulan imgenes visuales o informacin verbal, as como un ejecutivo
central que coordina los subsistemas. Incluye la representacin visual de los movimientos posibles y la toma
de conciencia del flujo de informacin dentro y fuera de la memoria, almacenados durante un tiempo
limitado. [2] Las tareas de memoria de trabajo requieren monitoreo (es decir, manipulacin de informacin o
comportamientos) como parte De completar las acciones dirigidas a objetivos en el establecimiento de
procesos y distracciones interferentes. Los procesos cognitivos necesarios para lograr esto incluyen el control
ejecutivo y de atencin de la memoria a corto plazo, que permiten la integracin, el procesamiento, la
disposicin y la recuperacin de informacin intermedias. Estos procesos son sensibles a la edad: la memoria
de trabajo est asociada con el desarrollo cognitivo, y la investigacin muestra que su capacidad tiende a
disminuir con la vejez. La memoria de trabajo es un concepto terico central tanto para la psicologa cognitiva
como para la neurociencia. Adems, los estudios neurolgicos demuestran un vnculo entre la memoria de
trabajo y el aprendizaje y la atencin.

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

Indican los contenidos fundamentales

No hijo suceptibles de ser medidos

Verbos que se suelen usar para describirlos:

Conocer

Comprender

Determinar

Entender

Captar

Familiarizarse con

Forman parte fundamental de un Plan Docente

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 ...

El pensamiento computacional es un proceso de resolucin de problemas que incluye las siguientes

caractersticas:

Anlisis y organizacin lgica de datos

Modelado de datos, abstracciones de datos y simulaciones

Formular problemas para que las computadoras puedan ayudar

6
Yahv Eusbio Ibarra Rconociminto d Patrons
13290901
Identificar, probar e implementar posibles soluciones

Automatizacin de soluciones va pensamiento algortmico

Generalizar y aplicar este proceso a otros problemas

El aprendizaje basado en problemas es un elemento importante de la Ciencia, Tecnologa, Ingeniera y

Matemticas, tambin conocido como STEM, la educacin en particular. La conexin que el pensamiento
computacional hace en el contexto de los procesos de resolucin de problemas est presente en las clases
centradas en STEM. Las caractersticas del pensamiento computacional reformulan los problemas
descomponindolos en segmentos ms pequeos y ms manejables. Estas estrategias permiten a los
estudiantes transformar problemas complejos en procedimientos de pasos mltiples que no slo son ms
fciles de navegar, sino que tambin proporcionan una manera eficiente de pensar (Wing, 2006). En la
educacin STEM, el pensamiento computacional se define como un conjunto de habilidades cognitivas que
permiten a los educadores de K-12 identificar patrones, separar los problemas complejos en pasos ms
pequeos, organizar y crear una serie de pasos para proporcionar soluciones y construir una representacin de
datos interactivos a travs de simulaciones . Los maestros en clases enfocadas en STEM que incluyen el
pensamiento computacional, permiten a los estudiantes practicar habilidades de resolucin de problemas
como prueba y error (Barr, et al, 2011).

Resilencia

En la RAE tenemos: "Capacidad humana de asumir con flexibilidad de las situaciones lmite y sobreponerse a
ellas".

Es una de las habilidades necesarias para el aprendizaje en el entorno de Internet

Resultados del aprendizaje

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

Es un elemento habitual de la definicin de un plan docente.

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.

Los resultados del aprendizaje deben:

Estar definido en trminos claros y concretos (frases cortas y sencillas).

centrarse en lo que los estudiantes pueden demostrar.

ser tiles observables que pueden ser evaluados.

ser realistas y alcanzables por parte del estudiante en el tiempo asignado y los recursos disponibles.

Ser asequibles para el nivel acadmico de los estudiantes.

No ser muy numeros

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

Aprendizaje basado en habilidades

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 ES EL APRENDIZAJE BASADO EN LAS HABILIDADES?

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.

CAPACITACIN BASADA EN HABILIDADES

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.

Teora del Ciclo de Aprendizaje

Teora del Ciclo de Aprendizaje (Por David Kolb)

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

Las cuatro etapas del Aprendizaje:

Habilidades de pensamiento

"Maneras particulares de aplicar nuestra mente para solucionar problemas; esenciales para un aprendizaje
efectivo".

"Capacidad prctica para pensar en una manera mas o menos efectiva"

"Hbitos de comportamiento inteligente aprendido por medio de la prctica y de la repeticin"

"Capacidades mentales que usamos para investigar el entorno, solucionar problemas, generar significado y
emitir juicios".

Habilidades de pensamiento, Robert Fisher

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 ",

(Nota: pensar en pensar se llama Metacognicin)

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 '.

Machine Learning supervisado y no supervisado (supervised and unsupervised machine learning)

El Machine Learning se divide en dos reas principales: aprendizaje supervisado y aprendizaje no
supervisado. Aunque pueda parecer que el primero se refiere a la prediccin con intervencin humana y la
segunda no, estos dos conceptos tienen ms que ver con qu queremos hacer con los datos.

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.

Clasificacin y regresin (classification and regression)

Son conceptos del machine learning supervisado. Un sistema de clasificacin predice una categora, mientras
que una regresin predice un nmero.

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.

Minera de datos (data mining)

No es raro ver cmo se usan indiferentemente los conceptos minera de datos y machine learning. Son
conceptos primos hermanos. Desde nuestro punto de vista, la principal diferencia radica en el objetivo que
tiene cada una de las disciplinas. Mientras que la minera de datos descubre patrones anteriormente
desconocidos, el machine learning se usa para reproducir patrones conocidos y hacer predicciones basadas en
los patrones.

En pocas palabras se podra decir que la minera de datos tiene una funcin exploratoria mientras que el
machine learning se focaliza la prediccin.

Aprendizaje o entrenamiento (learning, training)

Es el proceso en el que se detectan los patrones de un conjunto de datos, es decir, es el corazn del machine
learning. Una vez identificados los patrones, se pueden hacer predicciones con nuevos datos que se incorporen
al sistema.

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.

Conjunto de datos (dataset)

Es la materia prima del sistema de prediccin. Es el histrico de datos que se usa para entrenar al sistema que
detecta los patrones. El conjunto de datos se compone de instancias, y las instancias de factores,
caractersticas o propiedades.

Instancia, ejemplo o registro (instance, sample, record)

Una instancia es cada uno de los datos de los que se disponen para hacer un anlisis. Si se quiere predecir el
comportamiento de los clientes de un servicio de telefona, cada instancia correspondera a un abonado. Cada
instancia, a su vez, est compuesta de caractersticas que la describen, como la antigedad del cliente en la
compaa, el gasto diario en llamadas, etc. En una hoja de clculo, las instancias seran las filas; las
caractersticas, las columnas.

Caracterstica, atributo, factor, propiedad o campo (feature, attribute, property, field)

Son los atributos que describen cada una de las instancias del conjunto de datos. Las denominaciones se usan
indistintamente en funcin del autor y del contexto. En el caso de una cartera de clientes, estaramos hablando

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.

Ingeniera de factores (feature engineering)

Se trata del proceso previo a la creacin del modelo de prediccin en el que se hace un anlisis, limpieza y
estructuracin de los campos de los datos. Este proceso es uno de los ms importantes y ms costosos del
proceso de prediccin. El objetivo es eliminar los campos que no sirven para hacer la prediccin y
organizarlos adecuadamente para que el modelo no reciba informacin que no le es til y que podra provocar
predicciones de poca calidad o confianza.

En pocas palabras, es el proceso que elimina el ruido de la seal.

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.

rbol de decisin (decision tree)

Es el esqueleto del modelo de prediccin que se suele representar en modo grfico como un rbol en el que las
ramas constituyen los patrones reconocidos en el proceso de aprendizaje. En las hojas de las ramas se
situaran las predicciones para cada patrn.

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.

Tipos que existen

Aprendizaje supervisado Aprendizaje por refuerzo
Aprendizaje no supervisado Transduccin
Aprendizaje semisupervisado Aprendizaje multi-tarea

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.

Tabla comparativa, tipo de aprendizaje, descripcin y hacia qu tipos de

aplicacin se orienta.

No Tipo Descripcin Aplicacin

1 Aprendizaje El algoritmo produce una funcin que Este tipo de aprendizaje puede llegar a ser muy til en problemas
supervisado establece una correspondencia entre las de investigacin biolgica, biologa
entradas y las salidas deseadas del computacional y bioinformtica.
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.

2 Aprendizaje Todo el proceso de modelado se lleva a
no cabo sobre un conjunto de ejemplos
supervisado 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.
una aplicacin de reconocimiento de caras podramos pasar la
fotografa como un mapa de bits pero esto seria muy costoso
computacionalmente, pero sin embargo si pasramos una serie de
valores como anchura de ojos, anchura de boca, tamao de frente,
etc., esto nos podra clasificar la cara en funcin de sus parecidos.
Entre los distintos tipos de aprendizaje no supervisado podemos
distinguir, el aprendizaje por componentes principales y el
aprendizaje competitivo.

3 Aprendizaje Este tipo de algoritmos combinan los dos
semisupervis algoritmos anteriores para poder
ado clasificar de manera adecuada. Se tiene
en cuenta los datos marcados y los no
marcados.
Deteccin de rostro. Podemos verlo en nuestras
cmaras mviles.
Reconocimiento facial, de voz o de objetos.
Buscadores. Para mejorar los resultados y sugerencias
de bsqueda.
Anti-spam. Mediante el uso de etiquetas.

4 Aprendizaje El algoritmo aprende observando el Anti-virus. Para la deteccin de software malicioso.

por refuerzo mundo que le rodea. Su informacin de Gentica. Por ejemplo, en la clasificacin de secuencias
 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.
de ADN.
Prediccin y pronsticos. De clima, trfico o para
evitar fallos tecnolgicos en equipos.
Comprensin de textos. Se aplica a resmenes
estructurados de noticias o comentarios sobre un tema
especfico.

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.

6 Aprendizaje Mtodos de aprendizaje que usan Mtodos de optimizacin ms rpidos y flexibles. Se

multi-tarea conocimiento previamente aprendido por evala qu momento es el adecuado para una tarea concreta.
el sistema de cara a enfrentarse a Anlisis de imgenes de alta calidad.
problemas parecidos a los ya vistos. Anlisis de datos econmicos. Para operar en el
mercado de valores o evitar el fraude en transacciones.

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.

Tipos de tcnicas existentes

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.

Aprendizaje por Correccin de Error

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.

No existen ejemplos etiquetados de la funcin que ser aprendida por la red

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.

agrupamiento o establecimiento de categoras.

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.

Algoritmos de Aprendizaje No Supervisado

Tipos de aprendizaje No Supervisado

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:

Si las dos unidades son activas (positivas), se produce un reforzamiento de la conexin.

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.

Variantes del Aprendizaje Hebbiano

Drive - Reinforcement (Sejnowski)

Hebbiano Diferencial (Kosko)

Aprendizaje Hebbiano Difuso (Kosko)

Adaptive bidirectional associative memory (ABAM en 1987)

Fuzzy Asociative Memory (FAM), utilizando aprendizaje Hebbiano Difuso.

Tambin se utiliza el aprendizaje hebbiano combinado con otros mtodos, esto se puede ver en las redes
:
 Maquina de Boltzmann

Maquina de Cauchy

Counterpropagation (CPN en 1987)

Learning Vector Quantization (LVQ).

Aprendizaje Competitivo y Cooperativo.

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.

Ejemplos de Redes con Aprendizaje Competitivo y Cooperativo.

LVQ (Learning Vector quantization) Kohonen.

Cognitron y Neocognitron (Fukushima).

SOM (Kohonen).

ART (Carpenter y Grossberg).

Metas del Aprendizaje No supervisado

El encontrar grupos de informacin

Reduccin de la dimensionalidad

la Construccin de mapas topogrficos

el encontrar las causas ocultas o fuentes de datos

Modelar la densidad de datos

Usos del Aprendizaje No supervisado

Compresin de Datos..

Clasificacin.

Hacer otras tares de aprendizaje mas fcil.

Una teora del aprendizaje humano y la percepcin.

 Aprendizaje Competitivo y cooperativo

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.

Algoritmo Asociativo con recompensa y penalizacin (Barto / Anandan).

Adaptive Heuristic Critic (Barto, Sutton, Anderson).

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.