adquisición de conocimiento sesión 13 eduardo morales / l. e. sucar sesión 13 eduardo morales /...
TRANSCRIPT
Adquisición de ConocimientoAdquisición de Conocimiento
Sesión 13Eduardo Morales / L. E. Sucar
Sesión 13Eduardo Morales / L. E. Sucar
Fundamentos de Inteligencia ArtificialFundamentos de Inteligencia Artificial
Los sistemas basados en conocimiento dependen de la calidad de su conocimiento. Los sistemas basados en conocimiento dependen de la calidad de su conocimiento.
IntroducciónIntroducción
La adquisición de conocimiento de expertos captura principalmente experiencia, la cual puede ser:
La adquisición de conocimiento de expertos captura principalmente experiencia, la cual puede ser:
• Específica (aplicable a un sólo dominio) • Inflexible (no sirve en situaciones no previstas) • Enfocada (sólo se ve un tipo de solución)
• Específica (aplicable a un sólo dominio) • Inflexible (no sirve en situaciones no previstas) • Enfocada (sólo se ve un tipo de solución)
El problema de adquisición de conocimiento se considera el cuello de botella en la construcción de sistemas basados en conocimiento.
El problema de adquisición de conocimiento se considera el cuello de botella en la construcción de sistemas basados en conocimiento.
Se recomienda separar:Se recomienda separar:
• Adquisición • Representación• Adquisición • Representación
en la práctica se mezclanen la práctica se mezclan
El conocimiento no se obtiene desde diferentes perspectivasEl conocimiento no se obtiene desde diferentes perspectivas
Errores ComunesErrores Comunes
Se captura conocimiento irrelevante Se captura conocimiento irrelevante
11
22
No se explora suficientemente el rango y la flexibilidad del conocimiento expertoNo se explora suficientemente el rango y la flexibilidad del conocimiento experto33
No se reconoce el clásico demo effect (los expertos se comportan diferente cuando se les está observando)
No se reconoce el clásico demo effect (los expertos se comportan diferente cuando se les está observando)
44
Errores ComunesErrores Comunes
• Superficial (shallow): Para situaciones específicas• Superficial (shallow): Para situaciones específicas
Niveles de ConocimientoNiveles de Conocimiento
• Profundo (deep): Estructura interna, propiedades de causalidad e interacción entre componentes
• Profundo (deep): Estructura interna, propiedades de causalidad e interacción entre componentes
(S) IF focos están bajos THEN batería está fallando(S) IF focos están bajos THEN batería está fallando
Ejemplo:Ejemplo:
(D) La batería está conectada al sistema eléctrico. Parte de éste proporciona electricidad a las luces.
(D) La batería está conectada al sistema eléctrico. Parte de éste proporciona electricidad a las luces. Cuando la batería no tiene suficiente carga, las luces se bajan. ...Cuando la batería no tiene suficiente carga, las luces se bajan. ...
¿Cuál se utiliza?, depende del problema, expertos e información disponible. ¿Cuál se utiliza?, depende del problema, expertos e información disponible.
¿Cómo se adquiere el conocimiento?¿Cómo se adquiere el conocimiento?
1. Entrevistas y protocolos 2. Aprendizaje por interacción 3. Aprendizaje por inducción
1. Entrevistas y protocolos 2. Aprendizaje por interacción 3. Aprendizaje por inducción
En principio, se pueden utilizar las tres. En principio, se pueden utilizar las tres.
• Nombrar objetos clave • Describir características de los objetos que impactan en las decisiones
• Nombrar objetos clave • Describir características de los objetos que impactan en las decisiones
Para describir conocimiento relevante tenemos que:Para describir conocimiento relevante tenemos que:
• Organización de los objetos relevantes • Relacionar el conocimiento • Identificar restricciones entre propiedades de los objetos
• Organización de los objetos relevantes • Relacionar el conocimiento • Identificar restricciones entre propiedades de los objetos
Vemos lo que hace el experto y tratamos de identificar su estructura (tardado y mucha interacción)
Vemos lo que hace el experto y tratamos de identificar su estructura (tardado y mucha interacción)
EstrategiasEstrategias
11
Formulamos un modelo analítico y tratamos de “encajar” el conocimiento y el comportamiento del experto dentro del modelo (más dirigido y usado en herramientas de adquisición)
Formulamos un modelo analítico y tratamos de “encajar” el conocimiento y el comportamiento del experto dentro del modelo (más dirigido y usado en herramientas de adquisición)
EstrategiasEstrategias
22
• Ser específico • Hablar el lenguaje del experto • Dejar al experto completar sus ideas • Grabar entrevistas • Dar retroalimentación al experto
• Ser específico • Hablar el lenguaje del experto • Dejar al experto completar sus ideas • Grabar entrevistas • Dar retroalimentación al experto
Adquisición manual: entrevistas y protocolosAdquisición manual: entrevistas y protocolos
I ) Entrevistas:I ) Entrevistas:Recomendaciones:Recomendaciones:
Depende mucho de la habilidad del Ingeniero de conocimientoDepende mucho de la habilidad del Ingeniero de conocimiento
• ¿Sabes el nombre de la enfermedad? • ¿Sabes el nombre de la enfermedad?
II) Protocolos verbales:II) Protocolos verbales:v.g.,v.g.,
• ¿Cuál de éstas tres enfermedades exhibe tal comportamiento (malaria, tifoidea, cólera )? • ¿Cuál de éstas tres enfermedades exhibe tal comportamiento (malaria, tifoidea, cólera )?
• ¿Sabes el nombre de la enfermedad y cómo llegaste a esa conclusión? • ¿Sabes el nombre de la enfermedad y cómo llegaste a esa conclusión?
• Da el nombre de la enfermedad• Da el nombre de la enfermedad
• Consumen mucho tiempo • Expertos poco disponibles • Pueden olvidarse de algo importante • Expertos tienen dificultad en expresarse
• Consumen mucho tiempo • Expertos poco disponibles • Pueden olvidarse de algo importante • Expertos tienen dificultad en expresarse
Problemas:Problemas:
Etapas
Las fases típicas para la construcción de un sistema basado en conocimiento son:
– Conceptualización– Formalización– Implementación– Validación– Pruebas
3. El experto corre pruebas 3. El experto corre pruebas
Validación de ConocimientoValidación de Conocimiento
1. El Ingeniero de conocimiento busca errores sintácticos y semánticos1. El Ingeniero de conocimiento busca errores sintácticos y semánticos
2. Corre pruebas para encontrar discrepancias2. Corre pruebas para encontrar discrepancias
Ciclo típico:Ciclo típico:
La mayoría de las técnicas surgieron de desarrollos de proyectos grandes enfocados a la adquisición automática de conocimiento (v.g., Teiresias, Emycin, Mole, Auto Intelligence, etc)
La mayoría de las técnicas surgieron de desarrollos de proyectos grandes enfocados a la adquisición automática de conocimiento (v.g., Teiresias, Emycin, Mole, Auto Intelligence, etc)
Lleva mucho tiempo y no garantiza que el conocimiento quede sin erroresLleva mucho tiempo y no garantiza que el conocimiento quede sin errores
• Conflictivas • Redundantes • Especializaciones (subsumption) • Condiciones innecesarias
• Conflictivas • Redundantes • Especializaciones (subsumption) • Condiciones innecesarias
Problemas usuales con reglas:Problemas usuales con reglas:
• Incompletas• Circularidades • Valores de atributos no mencionados • Valores de atributos ilegales • Condiciones/acciones inalcanzables
• Incompletas• Circularidades • Valores de atributos no mencionados • Valores de atributos ilegales • Condiciones/acciones inalcanzables
Problemas usuales con reglas:Problemas usuales con reglas:
• Errores sintácticos • Reglas, hechos y preguntas sin usar • Valores incorrectamente usados • Construcciones redundantes • Reglas con valores ilegales • Instanciaciones erróneas
• Errores sintácticos • Reglas, hechos y preguntas sin usar • Valores incorrectamente usados • Construcciones redundantes • Reglas con valores ilegales • Instanciaciones erróneas
Pruebas que se realizan:Pruebas que se realizan:
Para esto, se construye un diccionario de conocimiento con una lista de expresiones y sus categorías:
Para esto, se construye un diccionario de conocimiento con una lista de expresiones y sus categorías:
- Metas- Condiciones de reglas - Acciones - Preguntas (con valores legales) - Hechos (con valores), etc.
- Metas- Condiciones de reglas - Acciones - Preguntas (con valores legales) - Hechos (con valores), etc.
El experto dice: Tifoidea (cf 0.65), cólera (cf 0.4)El experto dice: Tifoidea (cf 0.65), cólera (cf 0.4)
La validación es todavía más difícil si el sistema arroja estimaciones, v.g., La validación es todavía más difícil si el sistema arroja estimaciones, v.g.,
El sistema dice: Tifoidea (cf 0.7), cólera (cf 0.6) El sistema dice: Tifoidea (cf 0.7), cólera (cf 0.6)
Existen dos tendencias: extracción de conocimiento por interacción y por aprendizaje.
Existen dos tendencias: extracción de conocimiento por interacción y por aprendizaje.
Idea: capturar descripciones básicas de objetos en términos de sus propiedades. Se enfoca a nombrar, describir y organizar.
Idea: capturar descripciones básicas de objetos en términos de sus propiedades. Se enfoca a nombrar, describir y organizar.
Métodos InteractivosMétodos Interactivos
Adquisición AutomáticaAdquisición Automática
A veces se expresan en tendenciasA veces se expresan en tendencias
Repertory grids (Kelly, '55)Repertory grids (Kelly, '55)
• Identificar selectores o clases• Identificar selectores o clases
• Identificar atributos (lo que distingue a las selecciones o clases) • Identificar atributos (lo que distingue a las selecciones o clases)
Se manejan atributos y sus opuestosSe manejan atributos y sus opuestos
Compara ejemplos prototípicos a los cuales el experto tiene que proveer los atributos o tendencias que los distinguen
Compara ejemplos prototípicos a los cuales el experto tiene que proveer los atributos o tendencias que los distinguen
Proceso:Proceso:
Usa factores de certeza para decir en donde cae dentro de un valor y su opuesto
Usa factores de certeza para decir en donde cae dentro de un valor y su opuesto
Construye una rejilla Construye una rejilla
11
2
3
“Cambios adaptivos en el sistema para hacer la (s) misma (s) tarea(s) de la misma población de una manera más eficiente y efectiva la próxima vez” [Simon 83]
“Cambios adaptivos en el sistema para hacer la (s) misma (s) tarea(s) de la misma población de una manera más eficiente y efectiva la próxima vez” [Simon 83]
AprendizajeIntroducción
AprendizajeIntroducción
Programar una máquina es muy lento y se trata de abrir nuevas posibilidades de instruir a la máquina mediante aprendizaje suavizando el proceso de programación
Programar una máquina es muy lento y se trata de abrir nuevas posibilidades de instruir a la máquina mediante aprendizaje suavizando el proceso de programación
ObjetivosObjetivos• Ingenieril (resolver tareas) • Simulación cognitiva • Análisis teórico
• Ingenieril (resolver tareas) • Simulación cognitiva • Análisis teórico
• Reglas clasificatorias • Árboles de decisión • Redes con pesos asociados
• Reglas clasificatorias • Árboles de decisión • Redes con pesos asociados
La mayor parte de los sistemas infieren:La mayor parte de los sistemas infieren:
a partir de ejemplos para clasificación/prediccióna partir de ejemplos para clasificación/predicción
• El conjunto de ejemplos y su presentación
• Lenguaje de hipótesis: sintaxis usada en la construcción de hipótesis
• Criterio de éxito
• El conjunto de ejemplos y su presentación
• Lenguaje de hipótesis: sintaxis usada en la construcción de hipótesis
• Criterio de éxito
DimensionesDimensiones
El lenguaje de hipótesis determina el espacio de donde seleccionar reglas o hipótesis
Es necesario estructurar el espacio de hipótesis (se puede hacer con un modelo de generalización)
El lenguaje de hipótesis determina el espacio de donde seleccionar reglas o hipótesis
Es necesario estructurar el espacio de hipótesis (se puede hacer con un modelo de generalización)
Aprendizaje Visto como BúsquedaAprendizaje Visto como Búsqueda
• De general a específico • De específico a general • En ambos sentidos
• De general a específico • De específico a general • En ambos sentidos
La búsqueda puede hacerse:La búsqueda puede hacerse:
Ejemplo
cenital
objetos (pares atributo/valor) + clasificación
objetos (pares atributo/valor) + clasificación
“Similarity-based learning” (SBL) e ID3“Similarity-based learning” (SBL) e ID3
Objetivo: Inducir árboles de decisión que determinen la clase de cualquier objeto
Objetivo: Inducir árboles de decisión que determinen la clase de cualquier objeto
Ejemplos =Ejemplos =
• Ejemplos de entrenamiento y prueba• Utilización de teoría de la información • Incrementalmente por medio de “ventanas”
• Ejemplos de entrenamiento y prueba• Utilización de teoría de la información • Incrementalmente por medio de “ventanas”
Método de aprendizaje:Método de aprendizaje:
Ejemplo: ¿Cuándo jugar golf?
Ambiente Temp. Humedad Viento Clasesoleado alta alta no Nsoleado alta alta si Nnublado alta alta no Plluvia media alta no Plluvia baja normal no Plluvia baja normal si Nnublado baja normal si Psoleado media alta no Nsoleado baja normal no Plluvia media normal no Psoleado media normal si Pnublado media alta si Pnublado alta normal no Plluvia media alta si N
Árbol de Decisión para el ejemplo de Golf
• Es crucial determinar qué prueba hacer • Es crucial determinar qué prueba hacer
¿Cómo generar un árbol?¿Cómo generar un árbol?
• Cada atributo nos produce una partición de ejemplos• Cada atributo nos produce una partición de ejemplos
Sea: p = ejemplos de clase C (positivos o de clase P) n = ejemplos de otras clases (negativos o de clase N)
Sea: p = ejemplos de clase C (positivos o de clase P) n = ejemplos de otras clases (negativos o de clase N)
Selección basada en teoría de la informaciónSelección basada en teoría de la información
Se asume que la probabilidad de pertenecer a la clase es:Se asume que la probabilidad de pertenecer a la clase es:
npn
nnpp
p
11 y
)(),()(Ganancia
),()(
loglog),(
log entropía
1
121121
12
AEnpIA
pnIpnpn
AE
nnpppnI
pp
ii
n
i
ii
n
iii
14 ejemplos, 9 de P y 5 de N 14 ejemplos, 9 de P y 5 de N
En la tabla de ejemplo:En la tabla de ejemplo:
940.0145
log145
149
log149
),( 22
npI
Ambiente soleado: p1 = 2, n1 = 3, I(p1, n1) = 0.971 nublado: p2 = 4, n2 = 0, I(p2,n2) = 0 lluvia: p3 = 3, n3 = 2, I(p3, n3) = 0.971
Ambiente soleado: p1 = 2, n1 = 3, I(p1, n1) = 0.971 nublado: p2 = 4, n2 = 0, I(p2,n2) = 0 lluvia: p3 = 3, n3 = 2, I(p3, n3) = 0.971
694.0
),(145
),(144
),(145
)( 332211
npInpInpIambienteE
Ganancia(Ambiente) = 0.940 - 0.694 = 0.246 Ganancia(Temperatura) = 0.029 Ganancia(Humedad) = 0.151 Ganancia(Viento) = 0.048
Por lo que se selecciona Ambiente
Ganancia(Ambiente) = 0.940 - 0.694 = 0.246 Ganancia(Temperatura) = 0.029 Ganancia(Humedad) = 0.151 Ganancia(Viento) = 0.048
Por lo que se selecciona Ambiente
• Post-pruning: cortar ramas una vez construido el árbol • Post-pruning: cortar ramas una vez construido el árbol
Manejo de RuidoManejo de Ruido
• Valores de atributos erróneos, subjetivos • Clasificación equivocada • Valores desconocidos
• Valores de atributos erróneos, subjetivos • Clasificación equivocada • Valores desconocidos
Algunas Propuestas:Algunas Propuestas:
• Pre-pruning: parar la construcción del árbol• Pre-pruning: parar la construcción del árbol
• Realizar validaciones cruzadas • Realizar validaciones cruzadas
• Simular fallas en el modelo y propagar sus consecuencias hasta que se llegue a un estado estable
• Simular fallas en el modelo y propagar sus consecuencias hasta que se llegue a un estado estable
Kardio (Bratko et al.)Kardio (Bratko et al.)
Idea: usar un modelo cualitativo (del corazón) como base en la construcción de un sistema de diagnóstico de fallas (arritmeas)
Idea: usar un modelo cualitativo (del corazón) como base en la construcción de un sistema de diagnóstico de fallas (arritmeas)
• Utilizar un sistema de aprendizaje• Utilizar un sistema de aprendizaje
Aprendizaje a partir de Modelos Cualitativos
• Mod. Cual.: 75 reglas, tiempo: 3.5 meses, 100% • Mod. Cual.: 75 reglas, tiempo: 3.5 meses, 100%
D. Pearce (88): Modelo de fallas de circuito eléctrico de un satélite
D. Pearce (88): Modelo de fallas de circuito eléctrico de un satélite
• Envisage: 110 reglas, tiempo: 6 meses, 72% + errores• Envisage: 110 reglas, tiempo: 6 meses, 72% + errores
• El modelo cualitativo es más parecido a la descripción del experto sobre el funcionamiento del sistema
• El modelo cualitativo es más parecido a la descripción del experto sobre el funcionamiento del sistema
Ventajas:Ventajas:
• Puede servir de base para construir explicaciones • Puede servir de base para construir explicaciones
• No se necesita saber datos numéricos exactos• No se necesita saber datos numéricos exactos
• La simulación cualitativa es más sencilla• La simulación cualitativa es más sencilla
Ejemplos de Sistemas Basados en Conocimiento
Sistema Aplicación No. de Des Mant. Apr. Reglas A/H A/H
MYCIN diagnóstico 400 100 N/A no médicoXCON configuración 8,000 180 30 noo R1 VAXGASOIL configuración 2,800 1 0.1 si sistema de separación hidrocarburosBMT configuración >30,000 9 2 si equipo de protección incendios edificios
• Redes Neuronales • Redes Bayesianas • Algoritmos Genéticos • Programación Lógica Inductiva
• Redes Neuronales • Redes Bayesianas • Algoritmos Genéticos • Programación Lógica Inductiva
Otros EnfoquesOtros Enfoques
Generación de nueva información Instrucción a la máquina menos demandante Digestor de información (v.g., Bases de Datos)
Generación de nueva información Instrucción a la máquina menos demandante Digestor de información (v.g., Bases de Datos)
ConclusionesConclusiones
• Tendencia a: (i) Tener más expresividad, (ii) Incluir conocimiento del dominio, (iii) Incluir noción de relevancia
• Tendencia a: (i) Tener más expresividad, (ii) Incluir conocimiento del dominio, (iii) Incluir noción de relevancia
• Aplicable a problemas reales • Aplicable a problemas reales
• Aprendizaje necesario• Aprendizaje necesario
• Son difíciles de mantener • Son difíciles de mantener
Razonamiento Basado en Casos (CBR)Razonamiento Basado en Casos (CBR)
A pesar del éxito de los sistemas basados en conocimiento, existen varios problemas:A pesar del éxito de los sistemas basados en conocimiento, existen varios problemas:
• El proceso de extracción de conocimiento es difícil• El proceso de extracción de conocimiento es difícil
• Su construcción requiere de habilidades especiales• Su construcción requiere de habilidades especiales
• Normalmente son lentos e incapaces de accesar grandes cantidades de información• Normalmente son lentos e incapaces de accesar grandes cantidades de información
Un Razonador Basado en Casos resuelve problemas nuevos mediante la adaptación de soluciones previas usadas para resolver problemas similares (Riesbeck, Schank 89)
Un Razonador Basado en Casos resuelve problemas nuevos mediante la adaptación de soluciones previas usadas para resolver problemas similares (Riesbeck, Schank 89)
• No requiere de un modelo explícito del dominio y el proceso de extracción se reduce a juntar casos históricos
• No requiere de un modelo explícito del dominio y el proceso de extracción se reduce a juntar casos históricos
• Su construcción se reduce a identificar atributos relevantes con los cuales describir los casos.
• Su construcción se reduce a identificar atributos relevantes con los cuales describir los casos.
• Puede empezar con unos cuantos casos y elimina la necesidad de que el sistema sea completo.
• Puede empezar con unos cuantos casos y elimina la necesidad de que el sistema sea completo.
• Permite dar explicaciones.• Permite dar explicaciones.
• Usan técnicas de base de datos para manipular grandes volúmenes de información. • Usan técnicas de base de datos para manipular grandes volúmenes de información.
• Pueden ir creciendo reflejando la experiencia acumulada. • Pueden ir creciendo reflejando la experiencia acumulada.
• CBR puede aprender adquiriendo nuevo conocimiento como casos, haciendo su mantenimiento más fácil.
• CBR puede aprender adquiriendo nuevo conocimiento como casos, haciendo su mantenimiento más fácil.
Recuperar (retrieve) los casos más parecidos (un nuevo problema se aparea con casos similares guardados en la base de casos)
Recuperar (retrieve) los casos más parecidos (un nuevo problema se aparea con casos similares guardados en la base de casos)
Ciclo de las 4 R'sCiclo de las 4 R's
Reutilizar (reuse) la solución propuesta en los casos para tratar de resolver el problema Reutilizar (reuse) la solución propuesta en los casos para tratar de resolver el problema
22
11
Revisar (revise) la solución propuesta (en caso de ser necesario)Revisar (revise) la solución propuesta (en caso de ser necesario)
El ciclo completo raramente ocurre sin la intervención del humano
El ciclo completo raramente ocurre sin la intervención del humano
Retener (retain) la nueva solución como parte de un nuevo casoRetener (retain) la nueva solución como parte de un nuevo caso
33
44
Ciclo de las 4 R´s para CBR
El problema que describe el estado del mundo cuando ocurrió el casoEl problema que describe el estado del mundo cuando ocurrió el caso
RepresentaciónRepresentaciónUn caso es un pedazo de conocimiento
contextualizado representando una experiencia. Un caso es un pedazo de conocimiento
contextualizado representando una experiencia.
Los casos tienen:Los casos tienen:
Una descripción de la solución encontrada y/oUna descripción de la solución encontrada y/o
Un resultado describiendo el estado del mundo después de que ocurrió el caso Un resultado describiendo el estado del mundo después de que ocurrió el caso
22
11
33
No existe un consenso en cuanto a qué información debe de estar en un caso, sin embargo, se debe de considerar:
No existe un consenso en cuanto a qué información debe de estar en un caso, sin embargo, se debe de considerar:
Los casos pueden representarse de diversas formas, pero la representación frames/objetos es la más usada
Los casos pueden representarse de diversas formas, pero la representación frames/objetos es la más usada
(ii) La facilidad de adquisición de la información representada en el caso(ii) La facilidad de adquisición de la información representada en el caso
(i) La funcionalidad y(i) La funcionalidad y
• Contemplar el propósito para el cual el caso se va a utilizar• Contemplar el propósito para el cual el caso se va a utilizar
IndexaciónIndexación
Asignar índices para facilitar la recuperación.Asignar índices para facilitar la recuperación.Los índices deben de:Los índices deben de:
• Ser predictivos• Ser predictivos
• Ser suficientemente concretos para ser reconocidos en el futuro • Ser suficientemente concretos para ser reconocidos en el futuro
• Ser suficientemente abstractos para ensanchar el uso de la base de casos• Ser suficientemente abstractos para ensanchar el uso de la base de casos
• Técnicas basadas en conocimiento • Técnicas basadas en conocimiento
Dentro de los métodos de indexación automáticos están:Dentro de los métodos de indexación automáticos están:
• Indexación por atributos o dimensiones (checklist)• Indexación por atributos o dimensiones (checklist)
• Indexación basada en diferencias• Indexación basada en diferencias
• Métodos basados en abstracciones• Métodos basados en abstracciones
• Métodos inductivos • Métodos inductivos
Se debe de establecer un balance entre métodos que preservan el sentido semántico de los casos y métodos que simplifican el acceso (se busca eficiencia).
Se debe de establecer un balance entre métodos que preservan el sentido semántico de los casos y métodos que simplifican el acceso (se busca eficiencia).
AlmacenamientoAlmacenamiento
2. Modelo de Ejemplos de Categorías o category-examplar (Porter, Bareiss) 2. Modelo de Ejemplos de Categorías o category-examplar (Porter, Bareiss)
Dentro de los modelos de memoria de casos están:Dentro de los modelos de memoria de casos están:
1. Modelo de Memoria Dinámico (Schank, Kolodner)1. Modelo de Memoria Dinámico (Schank, Kolodner)
Las heurísticas deben de permitir hacer apareos parciales. Las heurísticas deben de permitir hacer apareos parciales.
RecuperaciónRecuperación
El problema de encontrar el “mejor” caso se ha tratado en analogía.El problema de encontrar el “mejor” caso se ha tratado en analogía.
Esto involucra heurísticas para restringir/dirigir la búsqueda.Esto involucra heurísticas para restringir/dirigir la búsqueda.
Vecinos más cercanos: Suma pesada de atributos que aparean. Vecinos más cercanos: Suma pesada de atributos que aparean.
Métodos:Métodos:
Problema: ¿Cómo determinar los pesos?.Problema: ¿Cómo determinar los pesos?.
donde:donde:
- wi es el peso (importancia) de un atributo- wi es el peso (importancia) de un atributo
- sim es la función de similitud- sim es la función de similitud
- y son los valores del atributo i en
el caso de entrada (I) y el caso recuperado (R)
- y son los valores del atributo i en
el caso de entrada (I) y el caso recuperado (R)
ƒƒ II
iiƒƒ RR
ii
n
ii
n
i
Ri
Iii
w
ffsimw
1
1
),(
• Inducción (v.g., ID3) determina qué atributos mejor discriminan casos y genera un árbol de decisión para organizar los casos en memoria
• Inducción (v.g., ID3) determina qué atributos mejor discriminan casos y genera un árbol de decisión para organizar los casos en memoria
• Basado en conocimiento: aplica conocimiento del dominio (no necesariamente completo) para identificar los atributos relevantes
• Basado en conocimiento: aplica conocimiento del dominio (no necesariamente completo) para identificar los atributos relevantes
• Por medio de templates: Parecido a queries tipo SQL, recupera todos los casos que cumplen con ciertos parámetros (muchas veces se usa antes de las otras técnicas)
• Por medio de templates: Parecido a queries tipo SQL, recupera todos los casos que cumplen con ciertos parámetros (muchas veces se usa antes de las otras técnicas)
Una vez que se recupera un caso, la solución debe de adaptarse. Una vez que se recupera un caso, la solución debe de adaptarse.
AdaptaciónAdaptación
• Estructural • Derivacional • Estructural • Derivacional
La adaptación puede ser:La adaptación puede ser:
La adaptación se fija en las diferencias entre los casos y aplica reglas para realizarla. La adaptación se fija en las diferencias entre los casos y aplica reglas para realizarla.
• Adaptación basada en críticas (combinaciones de atributos)• Adaptación basada en críticas (combinaciones de atributos)
Tipos de adaptación:Tipos de adaptación:• Nula (v.g., útil con problemas complejos con soluciones simples)• Nula (v.g., útil con problemas complejos con soluciones simples)
• Ajuste de parámetros (compara parámetros específicos)• Ajuste de parámetros (compara parámetros específicos)
• Abstracción y re-especialización• Abstracción y re-especialización
• Substitución basada en casos (usar CBR para sugerir adaptaciones) • Substitución basada en casos (usar CBR para sugerir adaptaciones)
• Reinstanciación de todos los atributos usados• Reinstanciación de todos los atributos usados
• Volver a derivar la solución• Volver a derivar la solución
• Reparación guiada por modelos• Reparación guiada por modelos
Ejemplo: modelo basado en ejemplares probabilista
...
... ...
...... ...
C1 Cw
e1 ei ek eq
f1 f2 fm fj fn
P(f1 | parents(f1)) P(fn | parents(fn))
P(e1 | C1) P(ei | C1) P(eq | Cw)
...
C1
Cw
Cie1 ei
ekeq
Problemas Problemas
• Representación de los casos• Representación de los casos
• Organización e índices a utilizar• Organización e índices a utilizar
• Estructuración de relaciones entre casos• Estructuración de relaciones entre casos
• Bases de casos muy grandes• Bases de casos muy grandes
• Aprender acerca de índices que no se pensaron inicialmente • Aprender acerca de índices que no se pensaron inicialmente
• Desarrollo de heurísticas de adaptación general• Desarrollo de heurísticas de adaptación general
• Olvidar casos para mantener eficiencia• Olvidar casos para mantener eficiencia
Problemas Problemas
Un elemento determinante dentro de los sistemas de aprendizaje es su lenguaje de representación de hipótesis.
Un elemento determinante dentro de los sistemas de aprendizaje es su lenguaje de representación de hipótesis.
Aprendizaje y Relación con Representación de ConocimientoAprendizaje y Relación con Representación de Conocimiento
El lenguaje de hipótesis determina el espacio de búsqueda y su expresividad (la representación que se obtiene).
El lenguaje de hipótesis determina el espacio de búsqueda y su expresividad (la representación que se obtiene).
Sistemas de Aprendizaje
SBL (árboles de decisión, reglas de producción)
Perceptrón
Redes Neuronales
Redes Bayesianas
Algoritmos Genéticos
Programación Lógica
Inductiva (ILP)
CBR
EBL
...
Expresividad
Lógica Proposicional
Funciones linealmente separables
Funciones no lineales
Proposicional+Incertidumbre
- Codificación del Cromosoma -
Lógica de predicados
- Representación de casos -
Lógica de Predicados
...
Adquisición de ConocimientoAdquisición de Conocimiento
FINFIN