Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Página 2
APRENDIZAJE AUTOMÁTICO
657
dominios diferentes. Ejemplos de problemas en los que la máquina aprende
ha producido un conocimiento que es competitivo con el de
los expertos humanos incluyen el diagnóstico y la evaluación del riesgo crediticio,
APRENDIZAJE DEFINIDO
El aprendizaje puede definirse (informalmente) como el proceso de adquisición
adquirir nuevos conocimientos; organizar los conocimientos adquiridos en
representaciones efectivas; desarrollar perceptual, motor y
Habilidades cognitivas; y descubrir nuevos hechos, hsrpothses o the-
ories sobre el mundo a través de la exploración, la experimentación,
inducción, deducción o rapto.
Los investigadores en aprendizaje automático suelen utilizar una definición de
aprendizaje motivado por consideraciones pragmáticas.
El aprendizaje se define como cualquier proceso mediante el cual un sistema cuantifica
mejora significativamente su desempeño en una tarea o un conjunto de tareas
con experiencia en algun ambiente. Por lo tanto, para hacer un
problema específico de aprendizaje automático bien definido, es necesario
definir con precisión las tareas, la medida del desempeño, la
naturaleza de la experiencia y el medio ambiente. Por ejemplo,
En el caso de un programa de juego de ajedrez, la tarea es jugar un
juego de ajedrez, una medida de rendimiento podría ser la proporción
de juegos ganados contra una población bien especificada de juegos
ers. La experiencia puede ser en forma de ejemplos de juegos.
que se jugaron (incluida la secuencia específica de movimientos
realizado por cada jugador y las configuraciones de tablero resultantes),
y el medio ambiente, además de proporcionar a los jugadores
contra quien jugar, incluya un maestro que ocasionalmente ofrezca
vicio o recompensa al alumno por hacer movimientos ganadores.
Por lo tanto, los alumnos tienen que razonar sobre su experiencia
en una determinada tarea o conjunto de tareas en sus entornos en
el contexto de cualquier conocimiento relevante que tengan sobre
el dominio de la tarea para adquirir y almacenar conocimientos que puedan mejorar
demostrar su desempeño en las mismas o similares tareas en el
futuro. En breve. Aprendizaje = Inferencia + Memorización.
APRENDIZAJE CATEGORIZADO
Una amplia gama de escenarios de aprendizaje y medidas de desempeño
seguros (por ejemplo, velocidad, precisión, robustez, eficiencia) son
percibible. Los escenarios de aprendizaje se pueden clasificar en varios
de categorías (no necesariamente disjuntas) la base de
diferentes criterios. Algunos de los criterios incluyen la forma de
ferencia utilizada en el proceso de aprendizaje; la estructura de la
representación del conocimiento empleada; la naturaleza de la interacción
permitido entre el alumno y el entorno (p. ej., el
naturaleza de la experiencia disponible para el alumno); y el
dominio de aplicación (p. ej., visión, lenguaje, robótica).
Proporcionar una idea de la amplia gama de enfoques.
disponible en aprendizaje automático, comenzamos con una categorización
de sistemas de aprendizaje basados en el mecanismo de inferencia primaria
nismo utilizado.
Aprendizaje de memoria y aprendizaje de la instrucción
Los sistemas de aprendizaje de memoria funcionan memorizando directamente una pieza
de datos observados y almacenarlos en una forma útil para su uso posterior.
Considere una tarea de recuperación de información que implica
sulting múltiples fuentes de datos distribuidos para recuperar algunos
dato de interés. El alumno recupera lo relevante
datos después de un proceso de búsqueda costoso y lento.
Si el dominio de la tarea es tal que los datos no cambian con frecuencia
(como en el caso de las constantes físicas, mapas de carreteras, etc.),
Los datos recuperados pueden ser memorizados por el alumno para evitar
buscarlo cuando se busca la misma información en el
futuro. Este es un ejemplo simple de aprendizaje de memoria. Aprender de memoria
ing es particularmente eficaz en dominios donde el costo de
putación (por ejemplo, buscar datos y recuperarlos de
mote sources) supera con creces el mantenimiento de los datos en
almacenamiento y recuperación bajo demanda. El aprendizaje de memoria también
Se ha utilizado con considerable éxito para aumentar la eficacia
profundidad de búsqueda utilizada para seleccionar entre rutas alternativas en
resolución de problemas y juego.
Los sistemas que aprenden al ser instruidos operan tomando
consejo de un profesor, transformándolo si es necesario en una forma
(p. ej., una regla de condición-acción) adecuado para su incorporación en un
base de conocimientos existente. Tales sistemas pueden ser bastante efectivos
en dominios que proporcionan fuentes de datos ricas en conocimientos. Para en
postura, uno podría imaginar un sistema de aprendizaje que extrae
conocimiento (utilizando programas de lenguaje natural
técnicas de cesación) de fuentes, como la dicción científica
Aries.
Aprendizaje analítico o aprendizaje de la deducción
Los sistemas de aprendizaje analgico en su forma pura utilizan in-
ferencia (p, g, reglas de inferencia que preservan la verdad (como modus
ponens y principio de resolución en lógica de primer orden) para trans-
convertir su experiencia en una tarea en una forma útil para
desempeño de las mismas o similares tareas, un uso común
La estrategia de aprendizaje analítico es el aprendizaje basado en explicaciones.
Por ejemplo, dada una solución a un problema particular en inte-
cálculo general (quizás descubierto con una búsqueda que consume mucho tiempo
de un espacio de estados adecuadamente representado), una explicación basada
mecanismo de aprendizaje genera una explicación desde atrás
conocimiento groimd (reglas generales de integración) mostrando cómo
la solución se sigue deductivamente de lo que sabe el sistema.
Luego, la explicación resultante se usa para reformular el
dada al problema particular en una forma que hace
es posible reconocer y resolver problemas similares de manera eficiente
en el futuro (por ejemplo, reduciendo la cantidad de búsquedas
Se necesitaba un esfuerzo para llegar a una solución porque ahora
El conocimiento básico está en una forma más utilizable u operativa ).
Otras formas relacionadas de aprendizaje analítico incluyen deductivo
derivación de abstracciones o generalizaciones usando hechos pro
vido por el entorno y los antecedentes del alumno
conocimiento.
Si el conocimiento previo es incompleto, inconsistente,
o imprecisa, generación de explicaciones, el componente clave de
el aprendizaje basado en explicaciones no puede continuar sin postulat-
cambios en el conocimiento previo. En tales casos, es a menudo
diez necesarios para tratar la base de conocimientos como si fuera
explicaciones no monotónicas y derivadas como si
fueron provisionales y usaron una variedad de aprendizaje no deductivo
estrategias para plantear posibles revisiones de los antecedentes
conocimiento del terreno. Otras posibilidades incluyen no deductivo
generalización de explicaciones como hipótesis a validar
mediante una mayor experimentación con el medio ambiente.
Aprendizaje sintético o aprendizaje inductivo
La inducción es el mecanismo inferencial principal utilizado en sjm-
aprendizaje tetico. A diferencia de la deducción que no puede conducir a fundamentos
conocimiento mentalmente nuevo (porque todas las inferencias siguen lógicamente
Página 3
658
APRENDIZAJE AUTOMÁTICO
bajo del conocimiento previo asumido y el dado
hechos), la inferencia inductiva permite crear nuevos conocimientos
por experiencia. Un ejemplo común de aprendizaje inductivo
La tarea implica aprender un concepto binario desconocido C dado un
conjunto de ejemplos. Cada ejemplo es un par ordenado (7j, Cj)
donde 7j es una instancia representada en la instancia elegida
lenguaje descriptivo y Ck indica la pertenencia al
instancia / ^ en el concepto C Por lo tanto, c * toma valores binarios en
conceptos binarios. El sistema también está equipado con un concepto
lenguaje descriptivo que se utiliza para expresar la con-
aceptar descripciones o hipótesis H y un medio de comparación
una instancia 7 * con una hipótesis / i £ H para determinar si
o no la instancia pertenece a h. Tenga en cuenta que los conceptos son esenciales
descripciones inicialmente compactas (expresable en el concepto elegido
lenguaje) de subconjuntos de instancias que son expresables en el
idioma de instancia elegido. La tarea del concepto binario
aprendiz es aprender el concepto desconocido CGH de un conjunto de
ejemplos etiquetados de C.Una instancia se etiqueta como positiva
ejemplo si pertenece al concepto y como examen negativo-
ple de lo contrario.
Por tanto, en una tarea de diagnóstico médico, las instancias pueden ser
representado por un conjunto de valores de atributo que denotan la variable
síntomas observados, y el concepto objetivo puede ser un conjunto
de reglas que den como resultado el diagnóstico apropiado. Es fácil
generalizar la descripción anterior del aprendizaje de conceptos para
conceptos multivaluados (en contraposición a binarios) o incluso valores reales
ued funciones de ejemplos.
En el marco descrito anteriormente, el problema del concepto
el aprendizaje se reduce a la búsqueda de una descripción de concepto CEH
que concuerda o se aproxima al concepto desconocido C en
el conjunto de ejemplos S. Cuando el concepto de candidato múltiple
descripciones califican este criterio, criterios de preferencia adicionales
ria (p. ej., simplicidad) debe utilizarse para elegir una de esas C.
elecciones del lenguaje de descripción de conceptos y la instancia
El lenguaje descriptivo constituye una importante representación
compromisos. El tamaño del espacio de búsqueda con el que
que el alumno debe afrontar es una función de estas elecciones. Computa-
La teoría del aprendizaje tradicional intenta cuantificar la complejidad de
aprendizaje en términos de la cantidad de ejemplos y la ejecución
tiempo del algoritmo de aprendizaje. La viabilidad del aprendizaje
depende críticamente de la elección de idiomas (representaciones)
utilizado para describir instancias y conceptos.
Dado que los conceptos son descripciones de conjuntos de instancias,
Se puede utilizar una variedad de mecanismos para buscar el espacio de can-
Enseñar conceptos. Ejemplos de algoritmos de búsqueda incluyen heu-
búsqueda rística de un concepto más específico a uno más general
descripciones o de descripciones más generales a más específicas,
búsqueda bidireccional, búsqueda guiada por gradiente y evolución
algoritmos arios o genéticos. Por ejemplo, si la descripción del concepto
lsmguage utiliza predicados lógicos de primer orden, inducción inductiva
Las reglas de ence pueden incluir convertir constantes en variables,
agregando disyuntos, soltando conjunciones y extendiendo el dominio
principal de las variables.
Técnicas de inducción de reglas. Estas técnicas emplean condiciones
reglas de acción-acción, árboles de decisiones, listas de decisiones o conocimientos similares
estructuras de representación de borde. Información sobre clases o
las predicciones se almacenan en los componentes de acción de las reglas
u hojas del árbol de decisiones. Una variedad de aprendizaje de reglas o
Los algoritmos de inducción de árbol de decisión están disponibles en la literatura.
ture. Algunas ventajas de tales algoritmos para el conocimiento
quisition incluye la capacidad de extraer conocimiento en una forma que
es relativamente fácil de entender por los humanos; relativamente bajo
requisitos computacionales; idoneidad para su uso en la extensión
o perfeccionar el conocimiento existente en forma de árboles de decisión
o reglas.
Redes neuronales artificiales. Estos emplean densamente intercon-
redes conectadas, masivamente paralelas de ele-
mentos (neuronas) conectados por enlaces ponderados para representar
conceptos o funciones. El aprendizaje modifica los pesos, la red
Conectividad de trabajo (por adición y eliminación de neuronas y
enlaces), o ambos. Algunas ventajas de las redes neuronales incluyen
su robusto rendimiento en presencia de ruido o falta
atributos en los datos. Son particularmente efectivos para
tareas, como la clasificación de imágenes. Una amplia gama de neuronas
redes (por ejemplo, perceptrones, redes de función de base radial,
redes de neuronas sigmoides) y algoritmos (por ejemplo, backprop-
algoritmos de aprendizaje constructivo y agitación) están disponibles.
El trabajo reciente también se ha centrado en técnicas para incorporar
conocimiento previo (por ejemplo, en forma de reglas aproximadas que
describir un concepto) en una red neuronal y técnicas para
extraer el conocimiento aprendido de una red.
Técnicas de inducción de reglas de primer orden. Estas tecnicas
emplear relaciones en lógica de primer orden o programas lógicos
(típicamente programas Prolog) para representar conocimiento. Los datos son
generalmente proporcionado en forma de instancias básicas de relación-
buques. Aprender implica descubrir expresiones lógicas (tj ^ i-
básicamente, aunque no necesariamente, cláusulas únicas) dado el respaldo
conocimiento y datos básicos. Algunas ventajas de inductivo
La programación lógica incluye la capacidad de representar una amplia
rango de conocimiento relacional (para el cual las reglas proposicionales
del tipo codificado por árboles de decisión no ofrecen la necesaria
poder expresivo) en dominios, como el razonamiento temporal
y procesamiento de lenguaje, usando un subconjunto de lógica de primer orden;
capacidad para utilizar conocimientos previos; y la capacidad de usar
las capacidades inferenciales de las bases de datos deductivas. Un práctico
desventaja de los métodos de inducción de reglas basados en la resolución inversa
La precaución es que son susceptibles de explosión combinatoria.
Técnicas de inducción de autómatas. Estas técnicas representan
conocimiento en forma de autómatas de estado finito o estado de transición
redes, autómatas pushdown u otros dispositivos informáticos
vicios que sirven como reconocedores del lenguaje, o equivalentemente representan
Resiente reglas de gramática correspondientes a un lenguaje formal.
(p. ej., un lenguaje regular en el caso de un autómata de estado finito
ción). La entrada está en forma de secuencias de longitud variable.
Algunas ventajas de la inducción de autómatas incluyen la capacidad
para manejar secuencias de longitud variable (por ejemplo, cadenas sobre algunos
alfabeto, oraciones en algún idioma) que a menudo son
formas de representar datos temporales o secuenciales. Una variedad
de los algoritmos de inducción de autómatas existen para la inducción de
autómatas estatales, redes de transición recursivas, sin contexto
idiomas y sus variantes estocásticas. Tales autómatas en
técnicas de producción son de interés en algunos científicos (por ejemplo,
caracterizar la estructura de las secuencias de ADN) y la situación
evaluación nacional (por ejemplo, aprender la estructura temporal de
eventos) aplicaciones de descubrimiento de conocimiento.
Métodos de estadística. Estos métodos representan el conocimiento en
la forma de reglas probabilísticas, probabilidad condicionada por clases
densidad de funciones, o redes inferenciales probabilísticas.
Aprender típicamente implica la construcción de un modelo probabilístico
Página 4
VISIÓN DE MÁQUINAS PARA ROBÓTICA E INSPECCIÓN
659
que permite calcular la probabilidad de cada hipótesis de
clasificación dados los datos. Tal modelo bayesiano de aprendizaje
ing tiene varias ventajas, incluida la capacidad de manejar ruidos
datos; capacidad para utilizar y perfeccionar el conocimiento existente; y opti-
predicción errónea (en el sentido de minimizar la previsión
error de sentencia). Algoritmos para la inducción de redes probabilísticas
trabajos y algoritmos de clasificación de patrones estadísticos caen en
esta categoría.
Técnicas de aprendizaje basadas en instancias. Estas técnicas almacenan
algunos o todos los ejemplos en memoria. A diferencia de la mayoría inductiva
métodos de aprendizaje, el aprendizaje basado en instancias no resulta en
una descripción concisa del concepto desconocido. En cambio, clasificarse
La ficación de una instancia se basa generalmente en el cálculo de la distancia.
de las instancias almacenadas. Por ejemplo, un vecino más cercano
clasificador asigna una instancia a la clasificación de los
instancia almacenada est. Se puede usar una variedad de métricas de distancia
dependiendo de la representación de la instancia. Por ejemplo, si el
Las instancias son binarias, la distancia de Hamming sería una
medida de distancia. En el caso de instancias de valor real, Eu-
La distancia clidiana se usa comúnmente. El aprendizaje basado en instancias es
a menudo llamado aprendizaje perezoso porque el alumno rara vez realiza
forma cualquier inferencia durante la fase de aprendizaje. Casi todo de
el cálculo se realiza durante la fase de ejecución.
Además del aprendizaje inductivo basado puramente en datos,
enfoques, hay técnicas que se basan y amplían
isting conocimiento utilizando datos de formación. Otros métodos, además
para procesar pasivamente los ejemplos proporcionados, activamente
interactuar con el entorno o el maestro seleccionando activamente
instancias y preguntando al maestro.
Otras formas de aprendizaje
La abducción implica generar explicaciones candidatas para la observación.
hechos servidos o dados de otro modo en términos de conocimientos previos
edge y supuestos adicionales o h3fpotesses. La utilidad de
tales explicaciones son principalmente para guiar la búsqueda de útiles
teorías sobre dominios particulares de interés. Cuando abduc-
Se utiliza con el aprendizaje basado en explicaciones analíticas que puede
ayudar a ampliar el conocimiento previo al proponer y evaluar
explicaciones de los candidatos. A diferencia de la inducción y la deducción,
la abducción en el aprendizaje automático no se ha explorado ampliamente
Sin embargo, la abducción parece jugar un papel central en el aprendizaje y
descubrimiento.
La analogía es el mapeo entre dos entidades (objetos, eventos,
problemas, comportamientos, etc.). Se sabe relativamente poco sobre la
formación de mapeos analógicos o inferencia analógica. Un-
La inferencia lógica parece ser una parte integral de la
razonamiento, por lo que lo mencionamos aquí para completarlo.
RESUMEN
Las estructuras y los procesos de aprendizaje son componentes esenciales
de sistemas inteligentes adaptables, fiexibles, robustos y creativos.
Los mecanismos de representación del conocimiento juegan un papel central
en la resolución de problemas y el aprendizaje. De hecho, el aprendizaje puede ser
concebido como el proceso de transformación de observaciones o
periencia en el conocimiento para ser almacenado en una forma adecuada para
utilizar siempre que sea necesario. Evidencia teórica y empírica
que surgen de las investigaciones del aprendizaje en una serie de
paradigmas de investigación a través de una variedad de métodos matemáticos y
herramientas computacionales sugiere fuertemente la necesidad de sistemas
que puede explotar con éxito una panoplia de representaciones y
técnicas de aprendizaje.
Es poco probable que un solo conocimiento representativo
esquema o un solo razonamiento o conocimiento transformacional
El mecanismo serviría a todas las necesidades del sistema de manera eficaz.
en un entorno complejo. Por ejemplo, respondiendo preguntas
acerca de una hoja de ruta se maneja mejor dado un icono o imagen
como una representación con un conjunto adecuado de operaciones para extraer
la información necesaria que utilizando una codificación de vector de bits
que no logra hacer explícitas importantes relaciones espaciales. Simi-
En general, un sistema de visión capaz de aprender a reconocer y
Describir objetos tridimensionales complejos en diferentes niveles.
detalle debe tener las estructuras representativas a su disposición.
poso para hacerlo de manera eficiente. Cuando es necesario realizar varias tareas
aprendido y realizado de manera coordinada (por ejemplo, en el
caso de un robot que interactúa en un entorno complejo), es
necesario para que las representaciones se integren a la perfección
de forma estructurada. La elección del representante correcto
La (s) opción (es) a utilizar depende en gran medida de la (s) tarea (s) a realizar
y los mecanismos inferenciales disponibles.
RECONOCIMIENTO
Este trabajo fue parcialmente apoyado por subvenciones de la Na-
Fundación Nacional de Ciencias (NSF IRI-9409580) y la Fundación John
Fundación Deere.
VASANT HONAVAR
Universidad del Estado de Iowa
VISIÓN DE MÁQUINA.
Ver VISIÓN DE COMPUTADORA.
VISIÓN MÁQUINA EOR ROBÓTICA
E INSPECCION
SISTEMAS DE VISIÓN MÁQUINA EN CONTEXTO
Visión en la naturaleza, computadoras y otras máquinas
Qué es y qué no es un sistema de visión artificial. Visión humana
siempre ha sido y sigue siendo el más importante
instalación de detección para la industria manufacturera. La visión está en
completamente limpio, seguro e higiénico ya que no depende de
contacto físico entre el inspector y cualquier objeto
él o ella está examinando actualmente. La visión también es extremadamente versátil.
satile y es capaz de detectar cambios muy sutiles de
forma, tamaño, textura, tono y color. Una persona es capaz de
resuelve escenas muy complejas y a menudo ambiguas y es
casi siempre capaz de tomar decisiones apropiadas y seguras sobre
eventos nunca antes vistos. Mientras que la visin humana sigue siendo dominante
nant en la industria manufacturera, hay una fuerte investigación
esfuerzo dirigido a automatizar la inspección visual y otras
tareas realizadas.
Este artículo explica cómo se pueden proporcionar las máquinas
detección visual, lo que les permite realizar una amplia
gama de tareas industriales: inspección, recuento, clasificación, clasificación
buscar, emparejar, localizar, guiar, reconocer, identific
deal acuerdo
skills habilidades
suitable adecuado
acquiring adquisidor
leave salir
carried llevado
laundry lavandería
best mejor
quickly con rapidez