Aplicaciones de paradigmas de aprendizaje supervisado y no supervisado

Hasta hace unas pocas décadas atrás, creer que un computador podría aprender era algo inconcebible.

La capacidad de aprendizaje que tenemos los seres humanos es asombrosa, desde cómo un niño termina hablando o da sus primeros pasos hasta algo tan básico como nuestra capacidad para reconocer a alguien que conocimos hace unos años atrás.  

El Aprendizaje Automático o Learning Machine, comprende diferentes mecanismos, reglas enfoques y tecnologías mediante los cuales un computador puede aprender a desarrollar tareas que los seres humanos lo hacemos de forma natural y rápida, como por ejemplo; reconocer imágenes, entender el lenguaje natural, tomar decisiones, etc. Existen dos maneras como se puede llevar el aprendizaje; supervisado y no supervisado; la diferencia básica entre uno y otro tipo es la presencia o no de la variable dependiente; para explicar la diferencia de aprendizaje, se lo puede entender mejor cuando en tareas de clasificación, entre los datos que se utilizan para  el entrenamiento del sistema consta la clase real de cada caso, esto en el supervisado, mientras que en el no supervisado no se requiere conocer la clase a predecir, el propio sistema se auto-organiza para identificar grupos de datos que bajo características comunes se agrupan en una misma clase.

Diferentes aplicaciones han sido implementadas utilizando por ejemplo, redes neuronales o algoritmos de clasificación por vecindad para detectar fraudes en cajeros electrónicos; y en un futuro no muy lejano, se anuncia un gran crecimiento en la investigación y uso de estas técnicas, entre otros factores debido a la masificación de tecnologías como Internet y la Web, el crecimiento de los datos corporativos; donde se requiere identificar patrones desconocidos y generar conocimiento que ayude a la toma de decisiones.

 

Identificar potenciales situaciones donde se pueda aplicar alguna de las áreas de la Inteligencia Artificial (IA) y por ende del Aprendizaje Automático, no requiere mayor esfuerzo; en cada una de nuestras ciudades, país y continente se evidencian una serie de problemas que bien podrían ser explicados y entendidos mediante la aplicación de los diferentes paradigmas de IA, sea supervisado o no supervisado. Hace casi un año, les planteé a algunos alumnos que propusieran diferentes escenarios de la realidad local donde se pudiera aplicar redes neuronales, una de las propuestas más interesantes y factibles de realizar, era para determinar si una determinada muestra de agua está dentro del grupo de las aptas para el consumo humano o no; el siguiente paso y a la vez reto  es aplicar verdaderamente lo aprendido sea producto del estudio personal o en clases.

 


  1. Casos prácticos:
    Clasificación no supervisada: Puede ser por ejemplo la clasificación o separación de los posts que se hacen en los blogs según sus etiquetas, permitiendo así no solamente el tener organizado de acuerdo a una temática en particular sino que en base a ellas poder establecer relaciones de acuerdo a contenidos que posean características similares, permitiendo así generar nuevo conocimiento, y establecer de forma adecuada la clase a la que pertenecen esos contenidos.
    Clasificación supervisada: Puede ser en el caso de ciertos juegos por computadora donde ocurra el caso de que los algoritmos que vienen en el juego tengan que enfrentarse al usuario un número determinado de veces, de tal manera que aprenda el tipo de juego que practica dicho usuario (base de datos de entrenamiento) con el fin de poder establecer un patrón que le permita enfrentarse al usuario con el objetivo de ganar y generar estrategias para vencerlo.

  2. devaldiviesoxxx

    Las dos clasificaciones las podemos aplicar en un área financiera por ejemplo, precisamente en los sistemas de recuperaciòn de información de un Banco. Al momento de ejecutar las técnicas o la clasificación financiera se necesitaría ciertos parámetros para la recupaeración de la información, por ejemplo, cuáles son las últimas transacciones del día. En cambio que las técnicas o la clasificación no supervisada se la ejecutaría de forma automática y auto-organizada, es decir, la recuperación de n-datos sin un control determinado.

    En la actualidad las tecnicas de la clasificación supervisada son las más utilizadas en la recuperación de información por el mismo hecho de que se puede determinar o establecer parámetros en base a las necesidades de información que se requiera.

  3. macartuche

    Diferencias

    * El aprendizaje no supervisado no cuenta con un conocimiento previo, como es el caso del supervisado cuya entrada es un conjunto de datos (por ejemplo datos históricos de una base de datos).
    * En el aprendizaje supervisado se realiza una clasificación de un grupo de datos basado en un modelo o ejemplos, es decir se aprende a partir de ejemplos o modelos previos.

    Aprendizaje supervisado.

    Puede ser utilizado para la minería de datos, en este caso si la aplicamos a un entorno académico como el EVA podríamos darnos cuenta de las acciones y uso de los usuarios, sus preferencias, como interactúan etc. Para de esta forma ofertar cursos al estudiante los cuales vayan de acuerdo a sus preferencias.

    Aprendizaje no supervisado.

    En el caso de las fraudes en Internet, es decir compras en la Web, por medio de tarjetas electrónicas. Podemos aprender de comportamientos inusuales de usuarios, para la clasificación de actividades sospechosas, que intenten plagiar una página de comercio electrónico.

    Bibliografía

    http://es.wikipedia.org/wiki/Aprendizaje_autom%C3%A1tico

    http://es.wikipedia.org/wiki/Aprendizaje_no_supervisado

  4. auli1

    Aprendizaje Supervisado: En nuestro medio podemos aplicar el aprendizaje supervisado para saber la aceptación de un nuevo producto en el mercado, así según el historial que tenemos sobre la acogida de la gente sobre un producto determinado podemos saber si una variedad de ese producto será aceptado en el mercado.

    Aprendizaje No Supervisado: En nuestro medio podemos aplicar el aprendizaje no supervisado en una aplicación Web, debida a que en el Internet no se necesita un historial de una aplicación determinada, simplemente se la pone en práctica si tenemos los medio suficientes y conocemos sobre el tema en el que vamos a desarrollar la aplicación.

  5. joafierro

    Aprendizaje no supervisado.- Una forma de representar el conocimiento es el aprendizaje no supervisado, el que no necesita un supervisor para permitir que el aprendizaje se pueda realizar, este aprendizaje las entradas son un conjunto de variables y permiten crear un modelo de estos datos. Es un tipo de aprendizaje automático y el agente debe organizarse por si mismo.
    Aprendizaje supervisado.- Es un tipo de aprendizaje básico el cual necesita de un supervisor para que pueda realizarse este aprendizaje. Existen varias clasificaciones de este aprendizaje:
    Aprendizaje por corrección de errores
    Aprendizaje por refuerzo
    Aprendizaje estocástico

    Diferencias:
    Supervisado
    Las entradas de datos se agrupan de acuerdo al conocimiento almacenado.
    Para obtener información de datos históricos.
    No supervisado
    Es más utilizado ya que permite crear software para diversas áreas (reconocimiento de imágenes, búsquedas).
    Permite la comprensión de datos.

  6. Javier Capa

    Diferencias:
    La diferencia principal radica en el grado de intervencion de una persona encargada, asi, el aprendizaje no supervisado se autoregula en su conocimiento a medida que la aplicacion lo necesita. El aprendizaje no supervisado se distingue por no contener un conocimiento a priori, mientras que en el aprendizaje supervisado, su exito radica en la buena traduccion que se realice de los datos iniciales al codigo factorial.

    Aprendizaje No Supervisado:
    Los juegos de computadora son un buen ejemplo, aquellos que requieren una estrategia de planeacion por parte del usuario y van aprendiendo y generando nuevas tareas en base a los movimientos del usuario.

    Aprendizaje Supervisado:
    La base de datos de un antivirus necesita un aprendizaje supervisado que proviene de las actualizaciones periodicas que el usuario realice.

  7. ddiego

    Ejemplos en aprendizaje
    Aprendizaje No supervisado
    Se puede aplicar en la ingeniería de tráfico, al enviar un pequete en multidifusión, este se envirá a toda la red del cliente, en este caso se puede desperdiciar ancho de banda, por que habran nodos en donde no necesiten verdaderamente la información

    Aprendizaje Supervisado
    Se puede aplicar para el mismo ejemplo, al enviar un paquete a través de multidifusión por IP,el usuario simplemente da instrucciones a la tarjeta de red de su PC para que escuche una determinada dirección IP para la multidifusión, los paquetes se enviaran solo a los usuarios que han pedido verdaderamente el servicio.

  8. En realidad existen muchas aplicaciones e intentos por conseguir que las máquinas cada día se vayan perfeccionando y acercándose a lo que se le llamaría la era de las máquinas pensantes.

    Revisando información acerca de a que se conoce como paradigma he encontrado la siguiente definición:

    “PARADIGMA: es un modelo o patrón en cualquier disciplina científica u otro concepto epistemológico”

    Debido a ello me parece que se debería enfocar el estudio a los conpetos básicos que implica el aprendizaje automático

  9. aiaguilar1

    Aprendizaje supervisado.
    Puede ser un ejemplo en el monitoreo de red donde se bloquean puertos para evitar ataques a los sistemas que se manejan, y según algunos ataques aprender sobre para poder establecer estrategias para evitar ataques.

    Aprendizaje no supervisado.

    La principal aplicación de este tipo de aprendizaje es para la detección de fraudes.

    Diferencia

    La principal diferencia entre aprendizaje supervisado y no supervisado es que el no supervisado no se necesita tener conocmiento anticipado o relacionado con el problema a resolver mientras que en el supervisado se proporciona información adicional como las entradas y salidas del problema.

  10. Angel Miguel

    Se ha hablado del aprendizaje supervisado/no supervisado pero la combinación de estos dos tipos de aprendizaje seria posible en los sistemas inmunológicos artificiales de manera ideal la defensa frente a los microorganismos está medida por las reacciones tempranas de la inmunidad innata y las respuestas tardías de la inmunidad adaptativa.

    La inmunidad innata reacciona antes que se presente las infecciones.
    La inmunidad adaptativa se produce al ser estimulada por la exposición a agentes infecciosos.

    Los sistemas inmunológicos artificiales tienen su fuente de inspiración en los sistemas inmunológicos de los vertebrados, que han demostrado ser muy eficientes, salvo contadas excepciones que no cumplen con la generalidad, como es el caso de los problemas de trastornos autoinmunes.
    Las principales características de los sistemas inmunológicos son: la diversidad,son altamente distribuidos, muy tolerantes a fallos, dinámicos, se auto-protegen y son adaptativos.

    Todas estas ventajas han hecho de los Sistemas Inmunológicos un gran campo de estudio por parte de las ciencias de la computación que buscan emular a plenitud el funcionamiento de estos.




Responder

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Cerrar sesión / Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Cerrar sesión / Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Cerrar sesión / Cambiar )

Google+ photo

Estás comentando usando tu cuenta de Google+. Cerrar sesión / Cambiar )

Conectando a %s



A %d blogueros les gusta esto: