Aprenentage automàtic
El aprenentage automàtic (AA); també cridat automatizado, computacional de màquines, o maquinal[1] (de l'anglés machine learning, ML), és el subcampo de les ciències de la computació i una branca de l'inteligència artificial, l'objectiu de la qual és desenrollar tècniques que permeten que les computadores deprenguen. Es diu que un agent deprén quan la seua eixercite millora en l'experiència i per mig de l'us de senyes; és dir, quan l'habilitat no estava present en la seua genotip o traces de naiximent.[2] "En l'aprenentage de màquines un computador observa senyes, construïx un model basat en eixes senyes i utilisa eixe model al mateix temps com una hipòtesis sobre el món i una peça de software que pot resoldre problemes".[3]
En moltes ocasions el camp d'actuació de l'aprenentage automàtic se solapa en el de l'estadística inferencial, ya que les dos disciplines es basen en l'anàlisis de senyes. No obstant, l'aprenentage automàtic incorpora les preocupacions de la complexitat computacional dels problemes. Molts problemes són de classe NP-hard, per lo que gran part de l'investigació realisada en aprenentage automàtic està enfocada al disseny de solucions factibles a eixos problemes. L'aprenentage automàtic també està estretament relacionat en el reconeiximent de patrons. L'aprenentage automàtic pot ser vist com un intent d'automatisar algunes parts del método científic per mig de métodos matemàtics. Per lo tant és un procés d'inducció del coneiximent.
L'aprenentage automàtic té una àmplia gama d'aplicacions, incloent motors de busca, diagnòstic mèdics, detecció de frau en l'us de targetes de crèdit, anàlisis de mercat per als diferents sectors d'activitat, classificació de seqüències de ADN, reconeiximent del parla i del llenguage escrit, jocs i robòtica.
Tipos d'algoritmes
[editar | editar còdic]
Els diferents algoritmes d'Aprenentage Automàtic s'agrupen en una taxonomia en funció de l'eixida dels mateixos. Alguns tipos d'algoritmes són:
- Aprenentage supervisat
AP
- L'algoritme produïx una funció que establix una correspondència entre les entrades i les eixides desijades del sistema. Un eixemple d'este tipo d'algoritme és el problema de classificació, a on el sistema d'aprenentage tracta d'etiquetar (classificar) una série de vectores utilisant una entre vàries categories (classes). La base de coneiximent del sistema està formada per eixemples d'etiquetages anteriors. Este tipo d'aprenentage pot aplegar a ser molt útil en problemes d'investigació biològica, biologia computacional i bioinformática.
- Aprenentage no supervisat
AP
- Tot el procés de modelació es porta a terme sobre un conjunt d'eixemples format tan sol per entrades al sistema. No es té informació sobre les categories d'eixos eixemples. Per lo tant, en este cas, el sistema té que ser capaç de reconéixer patrons per a poder etiquetar les noves entrades.
- Aprenentage semisupervisado
- Este tipo d'algoritmes combinen els dos algoritmes anteriors per a poder classificar de manera adequada. Es té en conte les senyes marcades i els no marcats.
- Aprenentage per reforç
AP
- L'algoritme deprén observant el món que li rodeja. La seua informació d'entrada és la retroalimentación que obté del món exterior com a resposta a les seues accions. Per lo tant, el sistema deprén a pur de ensaig-error.
- l'aprenentage per reforç és el més general entre les tres categories. En lloc de que un instructor indique a l'agent qué fer, l'agent inteligent deu deprendre cóm es comporta l'entorn per mig de recompenses (reforços) o castics, derivats de l'èxit o del fracàs respectivament. L'objectiu principal és deprendre la funció de valor que li ajude a l'agent inteligent a maximizar la senyal de recompensa i aixina optimisar les seues polítiques de modo a comprendre el comportament de l'entorn i a prendre bones decisions per al guany dels seus objectius formals.
- Els principals algoritmes d'aprenentage per reforç es desenrollen dins dels métodos de resolució de problemes de decisió finitos de Markov, que incorporen les equacions de Bellman i les funcions de valor. Els tres métodos principals són: la programació dinàmica, els métodos de Mont Carlo i l'aprenentage de diferències temporals.[4]
- Entre les implementacions desenrollades està AlphaGo, un programa de IA desenrollat per Google DeepMind per a jugar el joc de taula Go. En març de 2016 AlphaGo li va guanyar una partida al jugador professional Llig Es-Dol que té la categoria nové donen i 18 títuls mundials. Entre els algoritmes que utilisa es troba l'arbre de busca Monte Carlo, també utilisa aprenentage profunt en rets neuronals. Pot vore lo ocorregut en el documental de Netflix “AlphaGo”.
- Transducción
- Similar a l'aprenentage supervisat, pero no construïx de forma explícita una funció. Tracta de predir les categories dels futurs eixemples basant-se en els eixemples d'entrada, les seues respectives categories i els eixemples nous al sistema.
- Aprenentage multi-tasca
- Métodos d'aprenentage que usen coneiximent prèviament deprés pel sistema de cara a enfrontar-se a problemes semblats als ya vists.
L'anàlisis computacional i de rendiment dels algoritmes d'aprenentage automàtic és una branca de l'estadística coneguda com teoria computacional de l'aprenentage.
L'aprenentage automàtic les persones ho portem a terme de manera automàtica ya que és un procés tan senzill per a nosatres que ni nos donem conte de cóm es realisa i tot lo que implica. Des de que naixem fins que morim els sers humans portem a terme diferents processos, entre ells trobem el d'aprenentage per mig del com adquirim coneiximents, desenrollem habilitats per a analisar i evaluar a través de métodos i tècniques aixina com també per mig de l'experiència pròpia. No obstant, a les màquines cal indicar-los cóm deprendre, ya que si no es conseguix que una màquina siga capaç de desenrollar les seues habilitats, el procés d'aprenentage no s'estarà portant a terme, sino que solament serà una seqüència repetitiva.
Tècniques de classificació
[editar | editar còdic]Arbres de decisions
[editar | editar còdic]- Artícul principal → Arbre de decisió.
Este tipo d'aprenentage usa un arbre de decisions com a model predictiu. Es mapean observacions sobre un objecte en conclusions sobre el valor final de dit objecte.
Els arbres són estructures bàsiques en l'informàtica. Els arbres d'atributs són la base de les decisions. Una de les dos formes principals d'arbres de decisions és la desenrollada per Quinlan de medir l'impurea de l'entropía en cada branca, alguna cosa que primer va desenrollar en l'algoritme ID3 i després en el C4.5. Una atra de les estratègies es basa en l'índex GINI. L'algoritme de CART és una implementació d'esta estratègia.[5]
Regles d'associació
[editar | editar còdic]- Artícul principal → Regles d'associació.
Els algoritmes de regles d'associació procuren descobrir relacions interessants entre variables. Entre els métodos més coneguts es troben l'algoritme a priori, l'algoritme Eclat i l'algoritme de patró freqüent.
Algoritmes genètics
[editar | editar còdic]- Artícul principal → Algoritmes genètics.
Els algoritmes genètics són processos de busca heurística que simulen la selecció natural. Usen métodos tals com la mutació i el cruzamiento per a generar noves classes que puguen oferir una bona solució a un problema donat.
Rets neuronals artificials
[editar | editar còdic]- Artícul principal → Ret neuronal artificial.
Les rets de neurones artificials (RNA) són un paradigma d'aprenentage automàtic inspirat en les neurones dels sistemes nerviosos dels animals. Es tracta d'un sistema d'enllaços de neurones que colaboren entre sí per a produir un estímul d'eixida. Les conexions tenen pesos numèrics que s'adapten segons l'experiència. D'esta manera, les rets neurales s'adapten a un impuls i són capaços de deprendre. L'importància de les rets neurales va caure durant un temps en el desenroll dels vectores de soport i classificadors llineals, pero va tornar a sorgir a finals de la década de 2000 en l'arribada del aprenentage profunt.
Màquines de vectores de soport
[editar | editar còdic]- Artícul principal → Màquines de vectores de soport.
Les MVS són una série de métodos d'aprenentage supervisat usats per a classificació i regressió. Els algoritmes de MVS usen un conjunt d'eixemples de formació classificada en dos categories per a construir un model que prediga si un nou eixemple pertany a una o una atra de dites categories.
Algoritmes de agrupamiento
[editar | editar còdic]- Artícul principal → Algoritme de agrupamiento.
L'anàlisis per agrupamiento (clustering en anglés) és la classificació d'observacions en subgrups —clusters— per a que les observacions en cada grup s'assemblen entre sí segons certs criteris.
Les tècniques de agrupamiento fan inferència diferents sobre l'estructura de les senyes; es guien usualment per una mida de similitut específica i per un nivell de compactamiento intern (similitut entre els membres d'un grup) i la separació entre els diferents grups.
El agrupamiento és un método d'aprenentage no supervisat i és una tècnica molt popular d'anàlisis estadístic de senyes.
Rets bayesianas
[editar | editar còdic]- Artícul principal → Ret bayesiana.
Una ret bayesiana, ret de creència o model acíclic dirigit és un model provabilístic que representa una série de variables d'encert i les seues independències condicionals a través d'un grafo acíclic dirigit. Una ret bayesiana pot representar, per eixemple, les relacions provabilístiques entre malalties i síntomes. Donats certs síntomes, la ret pot usar-se per a calcular les provabilitats de que certes malalties estiguen presents en un organisme. Hi ha algoritmes eficients que infieren i deprenen usant este tipo de representació.
Vore també
[editar | editar còdic]- AI box
- Aprenentage automàtic antagónico
- Aprenentage profunt
- Dinàmica de sistemes
- Inteligència artificial
- Inteligència computacional
- Internet de les coses
- Inteligència artificial forta
- Sistema dinàmic
- Reconeiximent de patrons
- Regles d'associació
- Robot autònom
- Equitat (aprenentage automàtic)
- Ablació (inteligència artificial)
- OpenAI Codex
- Fawkes (software d'encobriment d'imàgens)
- Ret neuronal residual
- Hiperparámetro (aprenentage automàtic)
- Aprenentage per diferències temporals
- Aprenentage per conjunts
- Aprenentage automàtic basat en regles
- Teoria de l'aprenentage estadístic
- Dilema biaixe-varianza
- Aprenentage Ockham
Referències
[editar | editar còdic]- ↑ «Breu introducció al món IA. Capítul 1/10» (en és). www.linkedin.com. Consultat el 2024-05-25.
- ↑ Russell; Norvig, {{{nom2}}} (2009). Inteligència Artificial: Un Enfocament Modern, 3rd edició, p. 229.
- ↑ Russell and Norvig (2021). Artificial Intelligence: A Modern Approach (en Inglés), Pearson, p. 651. ISBN 9780134610993.
- ↑ Sutton, Richard S., Barto, Andrew G. (1998). Reinforcement Learning: An Introduction, The MIT Press.
- ↑ Flach 2012 Págs. 155-156
Bibliografia
[editar | editar còdic]- Bishop, Christopher (2008) Pattern Recognition and Machine Learning. Springer Verlag. ISBN=978-0-3873-1073-2.
- Flach, Peter (2012) Machine Learning: The Art and Science of Algorithms that Make Sense of Data. Cambridge University Press. ISBN 978-1-107-42222-3.
- Gollapudi, Sunila (2016) Practical Machine Learning. Packt Publishing. ISBN=978-1-78439-968-4.
- Ian H. Witten and Eibe Frank (2011). Data Mining: Practical machine learning tools and techniques Morgan Kaufmann, 664 pág., ISBN 978-0-12-374856-0.
- Mitchell, T. (1997). Machine Learning, McGraw Hill. ISBN 0-07-042807-7
- Raschka, Sebastian (2015). Python Machine Learning, Packt Open Source. ISBN 978-1-78355-513-0
Referències
[editar | editar còdic]
- Este artícul conté una traducció derivada de «Aprendizaje automático» de Wikipedia en castellà publicada baix la Llicència de documentació lliure de GNU i la Llicència Creative Commons Reconeiximent-CompartirIgual 4.0 Internacional.