Docente: Ing. Paula B. Sernaque Fernandez.

Integrantes: - VASQUEZ CACERES, Yonatan.

- CAIRA ALVAREZ, Jesus Mijahel.
- CARRASCO PRADO, Pharry.
El Aprendizaje Automático (AA, o Machine
Learning, por su nombre en inglés) es la rama de
la Inteligencia Artificial que tiene como objetivo
desarrollar técnicas que permitan a las
computadoras aprender.
De forma más concreta, se trata de crear
algoritmos capaces de generalizar
comportamientos y reconocer patrones a partir de
una información suministrada en forma de
ejemplos.
Una definición relativamente general
de aprendizaje dentro del contexto humano
podría ser la siguiente:
proceso a través del cual se adquieren o modifican
habilidades, destrezas, conocimientos, conductas o
valores como resultado del estudio, la experiencia, la
instrucción, el razonamiento y la observación.
 Las técnicas que hemos visto hasta ahora nos
permiten crear sistemas que resuelven tareas que
necesitan inteligencia.
 La limitación de estos sistemas reside en que sólo
resuelven los problemas ya previstos.
 Sólo podemos considerar que un sistema es
realmente inteligente si es capaz de observar su
entorno y aprender de él.
 La autentica inteligencia reside en adaptarse, tener
capacidad de integrar nuevo conocimiento,
resolver nuevos problemas, aprender de errores.
 No se pretende modelar el aprendizaje humano.
 Busca aumentar las capacidades de los programas
de IA (SBC, planificación, TLN, búsqueda, ...):
 Su límite está en el conocimiento que se les ha
introducido.
 No resuelven problemas mas allá de esos límites.

 Es imposible prever todos los problemas desde el

principio.
 Buscamos dar a programas la capacidad de
adaptarse sin tener que ser reprogramados.
 Aprendizaje inductivo: Creamos modelos de
conceptos a partir de generalizar ejemplos simples.
Buscamos patrones comunes que expliquen los
ejemplos.
 Aprendizaje analítico o deductivo: Aplicamos la
deducción para obtener descripciones generales a
partir de un ejemplo de concepto y su explicación.
 Aprendizaje genético: Aplica algoritmos inspirados
en la teoría de la evolución para encontrar
descripciones generales a conjuntos de ejemplos.
 Aprendizaje conexionista: Busca descripciones
generales mediante el uso de la capacidad de
adaptación de redes de neuronas artificiales
 Los métodos más utilizados en aplicaciones
provienen del aprendizaje inductivo supervisado
 Inducción: Pasamos de lo específico a lo general
 Supervisión: Conocemos el concepto al que
pertenece cada ejemplo
 A partir de un conjunto de ejemplos etiquetados
obtenemos un modelo
 El modelo generaliza los ejemplos, representando
los conceptos que definen las etiquetas
 Obtenemos lo que es común entre los ejemplos de
un concepto que les diferencia de los otros
 Tipos de métodos de aprendizaje inductivo
supervisado
 Modelos caja blanca (podemos inspeccionar el modelo)
 Árboles de decisión/reglas de inducción
 Modelos probabilísticos
 Modelos caja negra
 Redes de neuronas artificiales
 Máquinas de soporte vectorial
 Podemos plantear el problema como:
 Clasificación: un conjunto finito de conceptos
 Regresión: una función continua
 Aprendizaje analítico o deductivo: aplicamos la
deducción para obtener descripciones
generales a partir de un ejemplo de contenido y
su explicación.
 Se basa en una especificación:
 Datos de entrada: reglas o modelos generales
(aplicables a todos los ejemplos).
 Datos de salida: reglas especificas(aplicables solo al
ejemplo en lo q se cumplen ciertas condiciones).
 Aprendizaje Analítico: buscamos soluciones a
problemas nuevos basándonos en encontrar
similaridades con problemas ya conocidos y
adaptando sus soluciones.
 Este tipo de aprendizaje intenta emular algunas
de las capacidades humanas mas sorprendente
poder entender una situación por su parecido
con situaciones anteriores conocidas.
 Ejemplo: el sistema eléctrico
 Podemos aprender un concepto como la
aplicación de un algoritmo que busca el
conjunto de preguntas que lo distingue de
otros
 El árbol de preguntas nos sirve de lenguaje de
representación, cada nodo es un test sobre un
atributo
 Para aprender hemos de realizar una búsqueda
en el espacio de árboles de preguntas
 Tiene tos

Nada Mucha
Poca

Tiene fiebre Pulso alterado Tiene mucosidad

Sí No Sí No No
Sí

Decisión 1 Decisión 2 Decisión 3 Decisión 4 Decisión 5 Decisión 6

13
Aplica algoritmos inspirados en la
teoría de la evolución para
encontrar descripciones generales
a conjuntos de ejemplos.
 Hechos o información adquiridos por
un ser vivo a través de la experiencia o
la educación, la comprensión teórica o
práctica de un asunto o un objeto de la
realidad.

 Incluye el "saber qué", el“ saber

cómo", el "saber cuándo" y el "saber
dónde".
 Lo que se adquiere como
información relativa a un campo
determinado o a la totalidad del
universo.

 Conciencia o familiaridad adquirida

por la experiencia de un hecho o
situación.
Piaget denominó a su
teoría “constructivismo
genético” en la cual
explica el desarrollo de
los conocimientos en el
niño como un proceso
de desarrollo de los
mecanismos
intelectuales.
Esto ocurre en una serie de etapas, que se
definen por el orden constante de sucesión y por
la jerarquía de estructuras intelectuales que
responden a un modo integrativo de evolución.
Las etapas son las siguientes:

 Etapa de pensamiento sensorio-motora: de 0 a 2 años

 Etapa del pensamiento preoperatorio: de 2 a 7 años
 Etapa de operaciones concretas: de 7 a 12 años
 Etapa de las operaciones formales: de 11 a 15 años
 Aprendizaje Conexionista.

En la última década, la teoría de

los esquemas ha derivado en un
nuevo enfoque a la ciencia del
Aprendizaje Conexionista .

Este enfoque multidisciplinario,

basado en el uso de redes
neuronales, mantiene relaciones con
campos tan aparentemente ajenos
a la didáctica de las ciencias
como son las matemáticas, la
inteligencia artificial, la lingüística,
la informática, la neurobiología y
otros.
La Teoría de Esquemas es una estructura abstracta de
conocimientos o "una estructura de datos para representar
conceptos genéricos almacenados en la memoria"
El enfoque conexionista se
ha traducido en nuevos
conocimientos y realizaciones
prácticas:

Por ejemplo, algunos

programas informáticos de
reconocimiento de voz están
basados en el uso de redes
neuronales que pueden
adaptarse tras un proceso
repetido de entrenamiento y
reconocer la voz de
diferentes personas.
Además, existen
sistemas basados en
el uso de redes
neuronales que
interpretan síntomas
de enfermedades,
conceden créditos
bancarios con más
eficacia y menos
errores que un
experto.
Los elementos característicos presentes en la
mayoría de los modelos conexionistas son los
siguientes:

1. La red es un conjunto de unidades de

procesamiento (neuronas) muy simples.

2. Dichas unidades interactúan entre sí

mediante las conexiones que los asocian.

3. Los estímulos que afectan a las unidades de

entrada se expresan en términos
cuantitativos.
4. El procesamiento y almacenamiento de la
información se realiza de forma paralela y
distribuida.

5. Existen reglas o funciones de aprendizaje

que le permiten a la red modificar las
conexiones para acomodar de modo cada vez
más perfecto la información de entrada a la
salida requerida.

6. La función de cada unidad es simplemente

realizar cálculos con las entradas que reciben y
producir la información que envían a las
unidades con las que están conectadas.
 El punto central de la mismas
es la conexión entre estímulos
y respuestas.

 Se produce el aprendizaje o
adquisición, a través de la
formación de una nueva
conducta o de la modificación
o reforzamiento de una ya
existente.