Aprendizaje Automático

Aprendizaje Automático. 
Antonio Moreno - Eva Armengol - Javier Béjar Lluís Belanche - Ulises Cortés - Ricard Gavaldá Juan Manuel Gimeno - Beatriz López - Mario Martín. Miquel Sánchez.

En este libro se introducen los conceptos básicos en una de las ramas más estudiadas actualmente dentro de la inteligencia artificial: el aprendizaje automático. Se estudian temas como el aprendizaje inductivo, el razonamiento analógico, el aprendizaje basado en explicaciones, las redes neuronales, los algoritmos genéticos, el razonamiento basado en casos o las aproximaciones teóricas al aprendizaje automático.

ÍNDICE

• Introducción. 
• Aprendizaje inductivo.
• Analogía.
• Aprendizaje basado en explicaciones.
• Conexionimo.
• Aprendizaje por refuerzo en tablas.
• Algoritmos genéticos.
• Aprendizaje basado en casos.
• Teoría del aprendizaje algorítmico.

Consulta el Libro (1 MB) por:

1°Parte	1°Parte	1°Parte	1°Parte

Para los que usan Gestores de Descarga

http://adf.ly/GeivP http://adf.ly/GeivQ http://adf.ly/GeivR http://adf.ly/GeivS

ÍNDICE GENERAL

• Introducción. 
• Aprendizaje animal y automático. Aprendizaje animal. Tipos de aprendizaje animal. Aprendizaje automático. Reseña histórica. Paradigmas del aprendizaje automático. Medidas de actuación. Estrategias elementales de aprendizaje. Organización del texto. Resumen.
• Aprendizaje inductivo. Definición. Tipos de aprendizaje inductivo. Métodos de adquisición de conceptos. Método Winston. Método Hayes-Roth. Método Vere. Método Michalski-Dietterich. Comparación de los métodos. Espacio de versiones. Inducción de árboles de decisión. Árboles de decisión. El algoritmo ID3 básico . El algoritmo ID3 normalizado. El algoritmo RLM. Algoritmos incrementales. La relevancia de los atributos. El problema de la relevancia. Los atributos nought. Aprendizaje por observación y formación de conceptos. La componente psicológica. Aproximaciones computacionales. Taxonomía numérica. Técnicas de aprendizaje automático. Agrupación conceptual. Formación de conceptos. Resumen. Ejercicios.
• Analogía. Introducción. Definiciones previas. Modelo unificado de analogía. El modelo de Greiner. Las complejidades de la inferencia analógica útil. El algoritmo de inferencia analógica útil. Analogía transformacional. El espacio de búsqueda de las transformaciones. La arquitectura de la analogía transformacional. El sistema ARIES. Analogía derivacional. Resumen. Ejercicios.
• Aprendizaje basado en explicaciones. Introducción. Descripción intuitiva del EBL. Descripción formal del EBL. Definiciones. Componentes de los métodos EBL. Problemas del EBL. Reformulación de la Teoría. Revisión de la Teoría. Ejemplos de sistemas que usan EBL. STRIPS. EBG de Mitchell. SOAR. PRODIGY. Comparación con otros métodos de aprendizaje. Conclusiones. Ejercicios.
• Conexionismo. Introducción. El modelo biológico. Perspectiva histórica. Nociones preliminares. El modelo básico. Redes monocapa. Redes multicapa. Entrenamiento de redes neuronales. Algoritmos básicos de aprendizaje: asociadores lineales. El perceptrón. La regla Delta. Funciones discriminantes lineales. Categorización binaria. Descenso de gradientes. La función de criterio del perceptrón. Convergencia del cálculo 5.7.5 Métodos de mínimo error cuadrático. El algoritmo de Backpropagation. El algoritmo. Estudio cualitativo. El algoritmo de Counterpropagation. Entrenamiento de la red. Red completa de contrapropagación. Estudio cualitativo. 0 Métodos estadísticos. 1 Redes recurrentes. 1.1 Redes de Hopfield. 1.2 Extensiones al modelo básico. 1.3 Ejemplo: el problema del viajante de comercio. 2 Memorias asociativas bidireccionales. 3 Autoorganización. 4 Características generales de las redes neuronales. 5 Conexionismo e Inteligencia Artificial simbólica. 6 Ejercicios.
• Aprendizaje por refuerzo en tablas. Introducción. Refuerzo inmediato. Refuerzo retardado. Diferencias Temporales (TD). Q-learning. I I )¡ A!. Problemas y líneas de investigación. Resumen. Ejercicios.
• Algoritmos genéticos. Introducción. El algoritmo genético canónico. Selección. Modificación - Operadores genéticos. Política de substitución. A modo de ilustración. ¿Por qué funciona un algoritmo genético?. El concepto de esquema. Teorema fundamental. Algunas críticas al teorema. Otros operadores genéticos. Modificaciones sobre operadores existentes. Nuevos operadores. Modificaciones sobre la función de adaptación. Algoritmos genéticos y aprendizaje. Gabil. Los sistemas clasificadores. Programación genética. Resumen. Ejercicios.
• Aprendizaje basado en casos. Introducción. Fundamentos del razonamiento basado en casos. Etapas del RBC. RBC y aprendizaje. Aplicaciones. Integración del RBC con otros métodos. La librería de casos. Representación de los casos. índices. Recuperación de casos. Procedimiento de comparación o matching. Selección del caso idóneo. Adaptación de casos. Adaptar la solución. Reaplicar el proceso de razonamiento. Evaluación de los resultados. Reparación. Aprendizaje por casos. Acumulando nuevas experiencias. Aprendizaje de errores. Sistemas basados en casos clásicos. Diagnóstico: CASEY. Clasificación: PROTOS. Planificación: CHEF y SMART. Diseño: JULIA. Resumen. Ejercicios.
• Teoría del aprendizaje algorítmico. Introducción. Definiciones básicas. Conceptos y clases de representación. Fórmulas booleanas. Aprendizaje mediante preguntas. Definición del modelo. Fórmulas DNF monótonas. Aprendizaje PAC. Definición del modelo. Rectángulos del plano. Cómo eliminar las preguntas de equivalencia. Aprendizaje con errores acotados. Definición del modelo. Cómo eliminar las preguntas de equivalencia. Disyunciones monótonas. Un algoritmo más eficiente para fc-DNF. Conclusión. Ejercicios.