Sistemas Experto (página 2)

El algoritmo produce una función que establece
una correspondencia entre las entradas y las salidas deseadas del
sistema. Un ejemplo de este tipo de algoritmo es el problema
de clasificación, donde el sistema de aprendizaje
trata de etiquetar (clasificar) una serie de vectores utilizando
una entre varias categorías (clases). La base de
conocimiento del sistema está formada por ejemplos de
etiquetados anteriores. Este tipo de aprendizaje puede llegar a
ser muy útil en problemas de investigación
biológica, biología computacional y
bioinformática.

Aprendizaje no supervisado.

Todo el proceso de modelado se lleva a cabo
sobre un conjunto de ejemplos formado tan sólo por
entradas al sistema. No se tiene información sobre las
categorías de esos ejemplos. Por lo tanto, en este caso,
el sistema tiene que ser capaz de reconocer patrones para poder
etiquetar las nuevas entradas.

Aprendizaje semisupervisado.

Este tipo de algoritmos combinan los dos
algoritmos anteriores para poder clasificar de manera adecuada.
Se tiene en cuenta los datos marcados y los no
marcados

Aprendizaje por refuerzo.

El algoritmo aprende observando el mundo
que le rodea. Su información de entrada es el feedback o
retroalimentación que obtiene del mundo exterior como
respuesta a sus acciones. Por lo tanto, el sistema aprende a base
de ensayo-error.

Transducción.

Similar al aprendizaje supervisado, pero no construye de
forma explícita una función. Trata de predecir las
categorías de los futuros ejemplos basándose en los
ejemplos de entrada, sus respectivas categorías y los
ejemplos nuevos al sistema.

Aprendizaje multi-tarea

Métodos de aprendizaje que usan conocimiento
previamente aprendido por el sistema de cara a enfrentarse a
problemas parecidos a los ya vistos.

El análisis computacional y de rendimiento de los
algoritmos de aprendizaje automático es una rama de
laestadística conocida como teoría
computacional del aprendizaje.

El aprendizaje automático las personas lo
llevamos a cabo de manera automática ya que es un proceso
tan sencillo para nosotros que ni nos damos cuenta de cómo
se realiza y todo lo que implica. Desde que nacemos hasta que
morimos los seres humanos llevamos a cabo diferentes procesos,
entre ellos encontramos el de aprendizaje por medio del cual
adquirimos conocimientos, desarrollamos habilidades para analizar
y evaluar a través de métodos y técnicas
así como también por medio de la experiencia
propia. Sin embargo, a las máquinas hay que indicarles
cómo aprender, ya que si no se logra que una
máquina sea capaz de desarrollar sus habilidades, el
proceso de aprendizaje no se estará llevando a cabo, sino
que solo será una secuencia repetitiva. También
debemos tener en cuenta que el tener conocimiento o el hecho de
realizar bien el proceso de aprendizaje automático no
implica que se sepa utilizar, es preciso saber aplicarlo en las
actividades cotidianas, y un buen aprendizaje también
implica saber cómo y cuándo utilizar nuestros
conocimientos.

Para llevar a cabo un buen aprendizaje es necesario
considerar todos los factores que a este le rodean, como la
sociedad, la economía, la ciudad, el ambiente, el lugar,
etc. Por lo tanto, es necesario empezar a tomar diversas medidas
para lograr un aprendizaje adecuado, y obtener una
automatización adecuada del aprendizaje. Así, lo
primero que se debe tener en cuenta es el concepto de
conocimiento, que es el entendimiento de un determinado tema o
materia en el cual tú puedas dar tu opinión o punto
de vista, así como responder a ciertas interrogantes que
puedan surgir de dicho tema o materia.

En el aprendizaje automático podemos obtener 3
tipos de conocimiento, que son:

1. Crecimiento

Es el que se adquiere de lo que nos rodea, el cual
guarda la información en la memoria como si dejara
huellas.

2. Reestructuración

Al interpretar los conocimientos el individuo razona y
genera nuevo conocimiento al cual se le llama de
reestructuración.

3. Ajuste

Es el que se obtiene al generalizar varios conceptos o
generando los propios.Los tres tipos se efectúan durante
un proceso de aprendizaje automático pero la importancia
de cada tipo de conocimiento depende de las
características de lo que se está tratando de
aprender.

El aprendizaje es más que una necesidad, es un
factor primordial para satisfacer las necesidades de
la inteligencia artificial.

Distinción entre Aprendizaje supervisado y no
supervisado.

El aprendizaje supervisado se caracteriza por contar con
información que especifica qué conjuntos de datos
son satisfactorios para el objetivo del aprendizaje. Un ejemplo
podría ser un software que reconoce si una imagen dada es
o no la imagen de un rostro: para el aprendizaje del programa
tendríamos que proporcionarle diferentes imágenes,
especificando en el proceso si se trata o no de
rostros.

En el aprendizaje no supervisado, en cambio, el programa
no cuenta con datos que definan que información es
satisfactoria o no. El objetivo principal de estos programas
suele ser encontrar patrones que permitan separar y clasificar
los datos en diferentes grupos, en función de sus
atributos. Siguiendo el ejemplo anterior un software de
aprendizaje no supervisado no sería capaz de decirnos si
una imagen dada es un rostro o no pero sí podría,
por ejemplo, clasificar las imágenes entre aquellas que
contienen rostros humanos, de animales, o las que no contienen.
La información obtenida por un algoritmo de aprendizaje no
supervisado debe ser posteriormente interpretada por una persona
para darle utilidad.

Conclusión

Los sistemas son de mucha utilidad en la vida real , y
apoyan en gran manera a los sistemas de soporte a la
decisión, ya que nos permite realizar decisiones basada en
la experiencia humana de alguna especialista en determinada
área, esto es con el fin de retener el conocimiento y de
esa manera lograr convertirlo en un activo importante en una
organización y que se traduce en un valor importante para
la misma, pues con ese tipo de sistema, nos permite contar con la
experiencia primordial.

Autor:

Hector