Instituto Tecnolgico

Superior de Hopelchn
INGENIERA EN SISTEMAS COMPUTACIONALES
Desarrollo de Sistemas Robticos
DOCENTE: Luz Mara Hernndez
Angel Daniel Godoy Cauich
Carlos Ismael Tun Saravia
Ebenezer Muoz Montoy
Gumercindo Cu Nah
Luis Efrain Cauich Kantun

Aprendizaje Automtico
El aprendizaje automtico es uno de esos
avances que est revolucionando nuestras vidas
casi sin saberlo. Sectores como la salud, la
robtica, la tecnologa financiera o los Big Data
estn experimentando un cambio de 180 grados
gracias a los modelos que son capaces de
predecir el futuro y aprender de sus propias
predicciones.

Antecedentes

En 1961, el doctor Homer Warner desarroll con xito un sistema de

diagnstico automtico para pacientes con cardiopatas congnitas, y en los
aos 70 Edward Shortliffe, de la Universidad de Stanford, cre el conocido
como MYCIN, un sistema experto para el diagnstico de enfermedades
infecciosas de la sangre.

Principales Aplicaciones del Aprendizaje

Automtico

Motores de bsqueda y servicios de anlisis predictivo

en la nube

Las grandes tecnolgicas como Google, Microsoft o

Facebook estn usando el aprendizaje automtico para
mejorar sus sistemas de bsqueda y recomendacin
para usuarios o sus servicios profesionales de
computacin en la nube. Desde hace tiempo, los
buscadores disponen de habilidades por las cuales son
capaces de ofrecer opciones de bsqueda a un usuario
que comienza a hacer alguna peticin.

El aprendizaje robtico

El aprendizaje automtico se utiliza

habitualmente en robtica, lo que da origen a
lo que se conoce como aprendizaje robtico.
Esta disciplina se encarga de estudiar tcnicas
que permitan a los robots adaptarse al
entorno a gran velocidad y de forma creativa.
Y eso slo es posible mediante algoritmos de
aprendizaje automtico. Esto facilita que una
mquina adquiera habilidades sensoriales y
motoras, lingsticas e interactivas.

Lucha contra el fraude

El aprendizaje automtico tambin se utiliza para la elaboracin de modelos

predictivos para la deteccin del fraude en las grandes corporaciones y,
concretamente, los delitos en transacciones de tarjetas de crditos en
entidades financieras

Minera de datos

Los datos son el nuevo gran activo de las empresas.

Pero los datos por s mismos no generan valor
diferencial. Es necesario extraer de ellos la informacin
til, lo que en Big Data se llama Knowledge Discovery in
Databases (KDD, descubrimiento de conocimiento de las
grandes bases de datos). Todo este anlisis cualitativo
de la informacin hace tiempo que dej de ser un
proceso manual porque el volumen de datos es muy
elevado: es imposible corregir errores y duplicidades o
buscar patrones sin la asistencia de algoritmos de
machine learning.

Ejemplos

Tarea: Jugar ajedrez

Medida de Performance: Porcentaje de partidas ganadas a oponentes

Experiencia de Entrenamiento: Partidas jugadas.

Tarea: Reconocer y clasificar palabras manuscritas.

Medida de Performance: Porcentaje de palabras bien reconocidas o

clasificadas

Experiencia de Entrenamiento: Una base de datos de palabras manuscritas

reconocidas o clasificadas previamente.

Tarea: Conducir un vehculo en autopistas publicas utilizando sensores de

visin

Medida de Performance: Distancia promedio hasta que se produzca un error

(desde el punto de vista de un juez humano)

Experiencia de Entrenamiento: Secuencia de imgenes y comandos de

conduccin del vehculo extrados de un conductor humano.

Aprendizaje Inductivo basado en

ejemplos

El aprendizaje inductivo puede verse como el proceso de aprender una

funcin. Por ejemplo, en aprendizaje supervisado, al elemento de
aprendizaje se le d un valor correcto (o aproximadamente correcto) de una
funcin a aprender para entradas particulares y cambia la representacin de
la funcin que est infiriendo, para tratar de aparear la informacin dada por
la retroalimentacin que ofrecen los ejemplos.

Elementos del aprendizaje inductivo

1.

La clase de reglas

2.

El espacio de hiptesis

3.

El conjunto de ejemplos y su presentacin

4.

La clase del mtodo de inferencia

5.

El criterio de xito

Aprendizaje basado en ejemplos

La idea principal es que a partir

de observaciones, el programa,
agente o como se le desee llamar
pueda decidir qu acciones tomar
y mejorar su desempeo.

Programa automtico/Agente virtual

Manchas
(Manchas-v)
Ambiente

Su casa, el jardn, la calle.

Mapa del lugar en donde Manchas-v vive.

El instructor mueve a Manchas-v
generando datos de movimiento de las

El humano gua al Manchas a realizar la accin. Dice articulaciones. Por ejemplo,lugar = sala,
Ejemplos

la palabra sintate y lo empuja suavemente a

pata-superior-derecha = baja, pata-

sentarse.

superior-izquierda = baja, pata-inferiorizquierda = flexionada, Estos registros

son los ejemplos.
Se aplica un proceso de induccin en el
que a partir de los ejemplos, se genera
un modelo que describe los ejemplos.

Ante las repetidas muestras de la accin, Manchas va

Esto permite clasificar o predecir la
Algoritmo de aprendizaje

asociando la palabra a lo que debe hacer. Manchas

accin que Manchas-v realizar con un
trae en s mismo un mdulo de aprendizaje natural.
ejemplo nuevo. Los algoritmos ms
comunes son losrboles de decisiny las
reglas.

Programa automtico/Agente virtual

Manchas
(Manchas-v)
Si se obtuvo un conjunto de reglas, una
Manchas, despus de varias sesiones de

regla puede ser algo como lo siguiente:Si

entrenamiento, construye en su mente el modelo a

mi humano dijoSintatey estoy en la

seguir. Manchas puede pensar:Si me

sala y mi pata-inferior-derecha = no-

dicenSintateya se qu hacer. Lo ltimo es

flexionada, entonces la flexiono.

Modelo

especulacin ma, no tengo idea de cmo piense un

can.

El conjunto de reglas hace que Manchas-v

se siente.

Cada vez que se muestre un ejemplo

Cada vez que a Manchas le dicen: sintate, el lo
Resultado

nuevo, se generar la accin que

hace, claro, si decide hacerlo.
Manchas-v realizar.