Aprendizaje Computacional
Eduardo Morales y Jesús González
Objetivo General
La capacidad de aprender se considera como una de los atributos
distintivos del ser humano y ha sido una de las principales áreas
de investigación de la Inteligencia Artificial desde sus inicios.
En los últimos años se ha visto un crecimiento acelerado en la
capacidad de generación y almacenamiento de información,
debido a la creciente automatización de procesos y los avances en
las capacidades de almacenamiento de información.
En gran parte debido a esto, se han desarrollado una gran cantidad de
herramientas y técnicas que tienen que ver con el análisis de
información. En este aspecto, el desarrollo en el área de
aprendizaje ha sido fundamental.
El área de aprendizaje en general trata de construir programas que
mejoren su desempeño automáticamente con la experiencia.
Los objetivos del curso son: dar un panoráma general de lo que es
aprendizaje computacional y conocer a detalle las técnicas más
importantes empleadas.
Temario
Los temas que se van a ver en clase son:
- Introducción a aprendizaje computacional
- Técnicas principales:
- Árboles de decisión y regresión
- Reglas de clasificación
- Reglas de asociación
- Programación lógica inductiva
- Aprendizaje basado en grafos
- Aprendizaje bayesiano y Redes bayesianas
- Aprendizaje basado en instancias y casos
- Clustering
- Aprendizaje por refuerzo
- Evaluación de algoritmos (intercalado con las técnicas)
- Conclusiones
Existen muchos otros temas de aprendizaje. Algunos de estos se ven en
el segundo curso de aprendizaje (ver página)
como:
- Aprendizaje basado en Kernels y Support Vector Machines
- Ensambles de clasificadores
- Selección de atributos
- Aprendizaje semi-supervisado
Otros temas se cubren en otros cursos:
- Algoritmos genéticos
- Redes neuronales
Existen temas que se pueden incluir en el segundo curso de
aprendizaje como son:
- Colonias de hormigas (ant colony optimization o ACO) y de
enjambres (particle swarm optimization o PSO)
- Modelos lineales de regresión, Bayesianos.
- Modelos lineales para clasificación (funciones discriminantes,
modelos generativos, modelos discriminativos, regresión logística)
- Modelos basados en muestreo
- Procesos Gaussianos
- Análisis de componentes principales
- Modelos para secuencias
Evaluación
La evaluación del curso se hará en base a dos examenes
y un proyecto final (cada uno contando 1/3 parte de la calificación
final).
Lista de posibles Proyectos:
La siguiente es una lista tentativa (no exhaustiva) de posibles
proyectos del curso.
- Analizar como afecta el ruido a las técnicas de muestreo
(sobre y sub-muestreo).
- Algoritmo de selección de atributos favoreciendo la clase
minoritaria
- Aprendizaje por refuerzo distribuido
- Aprendizaje de acciones continuas (en un simulador de vuelo o en
robótica móvil)
- Aprendizaje de reglas por imitación (aplicado a ajedrez o
simulador de vuelo o robot móvil)
- Aprendizaje semi-supervisado (evaluar asignación de pesos
diferentes a las instancias no clasificadas).
- Crear nuevos atributos (constructive induction)
- Reimplementar algún algoritmo reciente de las técnicas
vistas en clase con alguna mejora.
- Aprendizaje jerárquico multiclase
- Aprendizaje en secuencias
emorales
2012-01-23
