Aprendizaje Automático en Python

Aprendizaje automático

Tipo de aprendizaje automático automático

Supervisado

No supervisado

Reforzado

Aprendizaje supervisado

Aprendizaje supervisado •

En dependencia de la variable a predecir •

•

Regresión (Predicción de valores continuos) Clasificación (valores categóricos no ordenados)

Aprendizaje reforzado

Aprendizaje no supervisado •

Agrupamiento

•

Reducción de dimensionalidad

Hoja de ruta para la construcción de sistemas de aprendizaje automático

Redes neuronales •

Las redes de neuronas artificiales (denominadas habitualmente como RNA o en inglés como: "ANN" ) son un paradigma de aprendizaje y procesamiento automático inspirado en la forma en que funciona el sistema nervioso biológico. Se trata de un sistema de interconexión de neuronas que colaboran entre sí para producir un estímulo de salida. En inteligencia artificial es frecuente referirse a ellas como redes de neuronas o redes neuronales.

Perceptrón multicapa •

Red neuronal artificial perceptrón multicapa con n neuronas de entrada, m neuronas en su capa oculta y una neurona de salida.

Algoritmo genéticos

Introducción •

•

•

•

Provienen de la familia de modelo computacional basado en la evolución Introducidos por Holland en 1975 Proveen una solución potencial a un problema específico en una estructura tipo cromosoma y aplican operadores de recombinación para preservar la información crítica Cualquier modelo basado en población que usa selección y recombinación para generar nuevos elementos en el espacio de búsqueda

Introducción •

Población •

•

•

Conjunto de soluciones potenciales, donde la población inicial puede ser elegida randómicamente Cambia con el tiempo pero su tamaño se mantiene

Individuo •

•

Elemento de la población Cada individuo es representado por una cadena de caracteres

Introducción •

Crossover •

•

Mutación •

•

Dos nuevos individuos pueden ser obtenidos de dos padres en el mating pool, recombinando a ambos padres Individuos en el mating pool también pueden cambiar a través de mutación randómica

Resultado -> Un nueva generación •

El proceso se repite y converge a una población con individuos muy similares entre si

Algoritmo genético Canónico •

•

•

•

Los individuos son cadenas binarias de largo fijo codificadas según el problema a resolver En general las poblaciones iniciales se eligen de forma randómica Luego de creada la población inicial se le aplica a cada individuo la función de evaluación En base al resultado de dicha función se calcula el fitness Fitness = fi/f  •

Algoritmo genético Canónico •

•

Una vez calculado el fitness de cada individuo, se pasa a la selección para generar la generación intermedia Los individuos con mayor nivel de fitness son copiados en la generación intermedia •

•

Stochastic Sampling with Replacement Remainder Stochastic Sampling

Algoritmo genético Canónico •

Crossover •

•

•

Se eligen pares de individuos randómicamente que serán recombinados con una probabilidad p Se elige un punto aleatorio del individuo y se intercambian sus partes

Mutación •

•

Es aplicada con una probabilidad muy baja a cada bit Diferentes variantes • •

Generar un nuevo bit Invertir un bit

Algoritmo Repetir para cada individuo i evaluar y calcular fitness f(i) Crear poblacion de tamaño N basado en los valores de fitness f(i)

para i=1 hasta (N/2) quitar pares de individuos {j,k} de la poblacion Crossover usando los individuos j y k aplicar mutación

Hasta ‘condición

de parada’

Condición de parada: cantidad de generaciones, convergencia, tiempo