Professional Documents
Culture Documents
Curso 20042005
Universidad de Sevilla
IA-II 20042005
Cc Ia
Aprendizaje de conceptos
4.1
Contenido
x
Notacin y terminolog o a Aprendizaje como b squeda u Orden de generalidad Algoritmo Find-S Espacio de versiones Eliminacin de candidatos o Clasicacin de nuevas instancias o Sesgo inductivo
IA-II 20042005
Cc Ia
Aprendizaje de conceptos
4.2
Aprendizaje
x
Deniciones de aprendizaje:
u
Cualquier cambio en un sistema que le permita realizar la misma tarea de manera ms eciente la prxima vez (H. Simon) a o Modicar la representacin del mundo que se est percibiendo (R. Michalski) o a Realizar cambios utiles en nuestras mentes (M. Minsky)
u u
Aprendizaje automtico: construir programas que mejoran automticaa a mente con la experiencia Ejemplos de tareas:
u u u u
Construccin de bases de conocimiento a partir de la experiencia o Clasicacin y diagnstico o o Miner de datos, descubrir estructuras desconocidas en grandes grupos de datos a Resolucin de problemas, planicacin y accin o o o
IA-II 20042005
Cc Ia
Aprendizaje de conceptos
4.3
Critico
Retroalimentacion Cambios
Sensores
ENTORNO
Aprendizaje
Conocimiento Objetivos
Agente
u u u u
Sistema de aprendizaje: realiza cambios al sistema en funcin del rendimiento o Agente: act a u Cr tico: eval a el rendimiento u Generador de Problemas: sugiere nuevas experiencias que entrenan
IA-II 20042005
Cc Ia
Aprendizaje de conceptos
4.4
Tipos de aprendizaje
u u u
Paradigmas
u u u u u u
Aprendizaje por memorizacin o Clasicacin (Clustering) o Aprendizaje inductivo Aprendizaje por analog a Descubrimiento Algoritmos genticos, redes neuronales e
IA-II 20042005
Cc Ia
Aprendizaje de conceptos
4.5
Hacer Deporte S S No S
IA-II 20042005
Cc Ia
Aprendizaje de conceptos
4.6
Conjunto X de instancias
u
Ejemplos de instancias: < Sol, T emplada, N ormal, F uerte, T emplada, Igual > < N ublado, F ria, Alta, F uerte, T emplada, Cambio > < Lluvia, Alta, Baja, Sin viento, Caliente, Igual >
Instancias positivas y negativas Ejemplo de concepto: si x es un d en el que se hace deporte, c(x) = 1. En caso a contrario c(x) = 0
IA-II 20042005
Conjunto de entrenamiento D:
u
ejemplos de instancias x para las que se conoce el valor de la funcin objetivo c(x) o (representado por < x, c(x) >) En la tabla anterior, 3 ejemplos positivos y 1 negativo
Espacio de hiptesis H: o
u
Conjunto de funciones h : X {1, 0} que en el proceso de aprendizaje se pueden considerar como posibles deniciones del concepto objetivo Usualmente, en H no estn todos los posibles conceptos. Sesgo inductivo a
Encontrar h H tal que para cualquier ejemplo < x, c(x) > D, se tenga h(x) = c(x) (hiptesis consistente con los ejemplos) o Ejemplo de hiptesis aprendida: < Soleado, T emplada, ?, F uerte, ?, ? > o Hiptesis del Aprendizaje Inductivo o
Cc Ia
Aprendizaje de conceptos 4.8
u u
IA-II 20042005
Conjuncin de restricciones sobre los valores de los atributos o Ejemplo de hiptesis: Los d para hacer deporte son los de cielo soleado, viento o as fuerte y con previsin de que el tiempo siga igual o
Representacin compacta: o
u
usar ? para representar un valor cualquiera para representar que ning n valor o u es posible Ejemplos: < Soleado, T emplada, ?, F uerte, ?, ? >, <?, F ria, Alta, ?, ?, ? >, < , , , , , >
Atencin: los algoritmos y deniciones de este tema NO son espec o cos de este tipo de espacio de hiptesis o
IA-II 20042005
Cc Ia
Aprendizaje de conceptos
4.9
Aprendizaje de conceptos:
u
b squeda en el espacio de hiptesis de una o varias hiptesis consistentes con los u o o ejemplos del conjunto de entrenamiento.
Aprendizaje por enumeracin? o Problema: espacio de hiptesis exponencialmente grande o Solucin: estructurar el espacio de hiptesis o o
u
IA-II 20042005
Cc Ia
Aprendizaje de conceptos
4.10
El orden de generalidad
x
Una instancia x X satisface la hiptesis h si h(x) = 1 o Dadas h1, h2 H, h1 es ms general que h2 (y h2 es ms espec a a ca que h1) si cualquier instancia que satisface h2 satisface h1.
u
Ejemplo:
IA-II 20042005
Cc Ia
Aprendizaje de conceptos
4.11
El algoritmo Find-S
x
Pseudocdigo: o 1. Inicialmente, h es la hiptesis ms especfica de H. o a 2. Por cada ejemplo positivo x del conjunto de entrenamiento: - Si h(x)=1, no hacer nada. - En otro caso, reemplazar h por la menor generalizacin o h de h, tal que h(x)=1 3. Devolver h
IA-II 20042005
Cc Ia
Aprendizaje de conceptos
4.12
Find-S (ejemplo)
u
IA-II 20042005
Cc Ia
Aprendizaje de conceptos
4.13
Find-S encuentra una hiptesis de mxima especicidad que es consistente con o a todos los ejemplos positivos Los ejemplos negativos se ignoran
S si el concepto objetivo est en H (expresividad del espacio de hiptesis) y los , a o ejemplos de entrenamiento son correctos (ausencia de ruido) Ejemplo problemtico a Positivos: < Sol, T empl, F uerte >, < Lluvia, F ria, F uerte > Negativos: < Luvia, T empl, F uerte >
IA-II 20042005
Aprendizaje de conceptos
4.14
Espacio de versiones
x
Espacio de versiones: V SH,D {h H|h es consistente con D} Ejemplo: Cielo Soleado Soleado Lluvia Soleado Temperatura Templada Templada Fr a Templada Humedad Normal Alta Alta Alta Viento Fuerte Fuerte Fuerte Fuerte Agua Templada Templada Templada Fr a Previsin o Igual Igual Cambio Cambio Hacer Deporte S S No S
Espacio de versiones: < Soleado, T emplada, ?, F uerte, ?, ? > < Soleado, T emplada, ?, ?, ?, ? > < Soleado, ?, ?, ?, ?, ? > < Soleado, ?, ?, F uerte, ?, ? > <?, T emplada, ?, F uerte, ?, ? > <?, T emplada, ?, ?, ?, ? >
IA-II 20042005
Cc Ia
Aprendizaje de conceptos
4.15
Deniciones
u
h H es una hiptesis de mxima generalidad (resp. de mxima especicidad) de o a a H si no existe h H tal que h >g h (resp. h >g h ) Cota general G de un espacio de hiptesis respecto de D: elementos de mxima o a generalidad del espacio de versiones Cota espec ca S de un espacio de hiptesis respecto de D: elementos de mxima o a especicidad del espacio de versiones
El espacio de versiones es el conjunto de hiptesis que estn entre la cota general o a y la cota espec ca V SH,D = {h H|(s S)(g G)(g g h g s)}
IA-II 20042005
Cc Ia
Aprendizaje de conceptos
4.16
G:
IA-II 20042005
Cc Ia
Aprendizaje de conceptos
4.17
Cc Ia
Aprendizaje de conceptos
4.18
Paso 2:
- Ejemplo positivo: < Sol, T empl, Alta, F uerte, T empl, Igual > - Nada que eliminar de G1 - Generalizacin minimal de S1: < Sol, T empl, ?, F uerte, T empl, Igual > o Esta generalizacin es ms especfica que la hiptesis de G1 o a o - Luego: S2 = {< Sol, T empl, ?, F uerte, T empl, Igual >} G2 = {<?, ?, ?, ?, ?, ? >}
IA-II 20042005
Cc Ia
Aprendizaje de conceptos
4.19
Paso 3:
- Ejemplo negativo: < Lluvia, F ria, Alta, F uerte, T emplada, Cambio > - Nada que eliminar de S2. - Especializaciones minimales de G2 que son ms generales que la hiptesis a o de S2: < Sol, ?, ?, ?, ?, ? >, <?, T empl, ?, ?, ?, ? > y <?, ?, ?, ?, ?, Igual >. - Luego: S3 = {< Sol, T empl, ?, F uerte, T empl, Igual >} G3 = {< Sol, ?, ?, ?, ?, ? >, <?, T empl, ?, ?, ?, ? >, <?, ?, ?, ?, ?, Igual >}
Paso 4:
- Ejemplo positivo: < Sol, T empl, Alta, F uerte, F ria, Cambio > - Eliminamos de G3 la hiptesis <?, ?, ?, ?, ?, Igual > o - Generalizacin minimal de S3: < Sol, T empl, ?, F uerte, ?, ? > o Esta generalizacin es ms especfica que hiptesis de G3. o a o - Luego: S4 = {< Sol, T empl, ?, F uerte, ?, ? >} G4 = {< Sol, ?, ?, ?, ?, ? >, <?, T empl, ?, ?, ?, ? >}
IA-II 20042005
Cc Ia
Aprendizaje de conceptos
4.20
Si S y G son no vac resultan ser respectivamente la cota espec os, ca y cota general del espacio de versiones (respecto del conjunto de entrenamiento) Si S = G = {h}, entonces h es la unica hiptesis de H consistente con todos los o ejemplos Si S = G = , no existe h H consistente con los ejemplos
Conjunto de entrenamiento sucientemente grande Ejemplos sin errores (ausencia de ruido) El concepto objetivo est en H a
IA-II 20042005
Cc Ia
Aprendizaje de conceptos
4.21
Eleccin de ejemplos o
x
Estrategia ptima: requerir un ejemplo satisfecho por la mitad del espacio de vero siones
Ejemplo: < Soleado, T emplado, N ormal, Ligero, T emplado, Igual > Convergencia hacia el concepto objetivo (siempre que sea posible)
u
IA-II 20042005
Cc Ia
Aprendizaje de conceptos
4.22
Si es consistente con todo S, positivo Si no es consistente con ninguno de G, negativo En otro caso, voto mayoritario o simplemente no se clasica
Ejemplos:
< Sol, T empl, N ormal, F uerte, F ria, Cambio > < Lluvia, F ria, N ormal, Suave, T empl, Igual > < Sol, F ria, N ormal, F uerte, T empl, Igual > < Sol, T empl, N ormal, Suave, T empl, Igual > -> S -> No -> S (por mayora) -> ?
IA-II 20042005
Cc Ia
Aprendizaje de conceptos
4.23
Sesgo inductivo
x
Siempre que H = 2X , se tiene un sesgo en el tipo de conceptos que se pueden aprender Sesgo inductivo: cualquier medio que el sistema de aprendizaje pueda usar para tener preferencia entre dos hiptesis consistentes con los o ejemplos Tipos de sesgo inductivo:
u
Sesgo en el lenguaje: el lenguaje disponible para expresar las hiptesis dene un o espacio de hiptesis que excluye conceptos (por ejemplo, conjuncin de restriccioo o nes) Sesgo preferencial: el algoritmo de b squeda en el espacio de hiptesis incorpora u o impl citamente alguna preferencia de algunas hiptesis sobre otras o
IA-II 20042005
Cc Ia
Aprendizaje de conceptos
4.24
Espacio de versiones en un espacio de hiptesis insesgado o Eliminacin de candidatos obtendr S = {(p1 . . . pn)}, G = {(n1 . . . nm)} o a Una instancia nueva ser clasicada como positiva por la mitad del espacio de a versiones y negativa por la otra mitad
Un sistema de aprendizaje que no asume conocimiento a priori sobre el concepto objetivo no puede clasicar nuevas instancias
u
IA-II 20042005
Cc Ia
Aprendizaje de conceptos
4.25
Bibliograf a
x
Russell, S. y Norvig, P. Inteligencia articial (Un enfoque moderno) (PrenticeHall Hispanoamericana, 1996)
u
IA-II 20042005
Cc Ia
Aprendizaje de conceptos
4.26