Inteligencia Artificial Adquisición automática del conocimiento
description
Transcript of Inteligencia Artificial Adquisición automática del conocimiento
![Page 1: Inteligencia Artificial Adquisición automática del conocimiento](https://reader035.fdocuments.ec/reader035/viewer/2022062816/5681562a550346895dc3dbcf/html5/thumbnails/1.jpg)
Inteligencia Artificial Adquisición automática del
conocimiento Primavera 2008
profesor: Luigi Ceccaroni
![Page 2: Inteligencia Artificial Adquisición automática del conocimiento](https://reader035.fdocuments.ec/reader035/viewer/2022062816/5681562a550346895dc3dbcf/html5/thumbnails/2.jpg)
2
Adquisición del conocimiento
• Marco de referencia: proceso de construcción de un sistema basado en el conocimiento:– Adquisició de coneixement– Representació de coneixement– Mètode de resolució– Construcció de motors d’inferència
2
![Page 3: Inteligencia Artificial Adquisición automática del conocimiento](https://reader035.fdocuments.ec/reader035/viewer/2022062816/5681562a550346895dc3dbcf/html5/thumbnails/3.jpg)
3
Adquisición del conocimiento • Adquisició del coneixement ≡ Traspàs del coneixement
d’un o més experts (o fonts de coneixement) en un domini determinat, cap a un formalisme de representació computable del coneixement
3
Basede
coneixement
Enginyerdel
coneixement
FC1 ≡ Expert1
. . . .
FCn ≡ Expertn
Coneixement
Domini (fets, relacions, associacions)
Procés de resolució (heurístiques, mètodes)
![Page 4: Inteligencia Artificial Adquisición automática del conocimiento](https://reader035.fdocuments.ec/reader035/viewer/2022062816/5681562a550346895dc3dbcf/html5/thumbnails/4.jpg)
4
Metodologías para la adquisición de conocimiento
• Com obtenir el coneixement?– Interacció amb entrevistes– Eines automàtiques d’explicitació de
coneixements– Tècniques basades en l’aprenentatge
automàtic inductiu– Construcció d’arbres de decisió:
•Els nodes representen atributs.•Les branques representen els possibles valors
de l’atribut.4
![Page 5: Inteligencia Artificial Adquisición automática del conocimiento](https://reader035.fdocuments.ec/reader035/viewer/2022062816/5681562a550346895dc3dbcf/html5/thumbnails/5.jpg)
5
Aprendizaje automático inductivo
• Tècniques orientades a problemes d’anàlisi (classificació/interpretació)
• L’expert expressa el seu coneixement en una forma habitual per a ell:
observacions/exemples• Es transforma aquesta representació en la
del sistema.• Es requereix una validació de l’expert.
5
![Page 6: Inteligencia Artificial Adquisición automática del conocimiento](https://reader035.fdocuments.ec/reader035/viewer/2022062816/5681562a550346895dc3dbcf/html5/thumbnails/6.jpg)
6
Aprendizaje automático inductivo
• Exemple: dades sobre un gimnàs
6
![Page 7: Inteligencia Artificial Adquisición automática del conocimiento](https://reader035.fdocuments.ec/reader035/viewer/2022062816/5681562a550346895dc3dbcf/html5/thumbnails/7.jpg)
7
Aprendizaje automático inductivo
• Objectiu: Agrupar objectes semblants– Hi ha poca informació del domini i es vol
començar a tenir-ne una idea més clara.• Tècniques:
– Mètodes d’agrupació (clustering)• Exemple: Es descobreix que hi ha dues
agrupacions:– Classe 1 – Classe 2
7
![Page 8: Inteligencia Artificial Adquisición automática del conocimiento](https://reader035.fdocuments.ec/reader035/viewer/2022062816/5681562a550346895dc3dbcf/html5/thumbnails/8.jpg)
8
Aprendizaje automático inductivo
• Objectiu: Classificar nous objectes• Es parteix d’una situació més informada, sabent que
existeixen grups ja definits. • Determinar les característiques peculiars de cada grup,
per poder ubicar un nou objecte en la classe que li correspon.
8
![Page 9: Inteligencia Artificial Adquisición automática del conocimiento](https://reader035.fdocuments.ec/reader035/viewer/2022062816/5681562a550346895dc3dbcf/html5/thumbnails/9.jpg)
9
Aprendizaje automático inductivo
•Mètodes: –Arbres de decisió:
CART, ID3, ASSISTANT, C4.5, C5.1 –Regles de classificació:
If Act1 is stepsThenAct2 is ioga
Rule's probability: 0.9The rule exists in 52 records 9
![Page 10: Inteligencia Artificial Adquisición automática del conocimiento](https://reader035.fdocuments.ec/reader035/viewer/2022062816/5681562a550346895dc3dbcf/html5/thumbnails/10.jpg)
10
Arboles de decisión
Té tos
Té mucositatTé febre Pols alterat
Nada MuchaPoca
Sí No Sí No Sí No
Decisión 1 Decisión 2 Decisión 3 Decisión 4 Decisión 5 Decisión 6
![Page 11: Inteligencia Artificial Adquisición automática del conocimiento](https://reader035.fdocuments.ec/reader035/viewer/2022062816/5681562a550346895dc3dbcf/html5/thumbnails/11.jpg)
11
ID3
• ID3 ≡ Induction Decision Tree [Quinlan, 1979, 1986]
• Tècnica d’aprenentatge automàtic• Inducció d’arbres de decisió• Estratègia top-down• A partir d’un conjunt
d’exemples/instàncies i la classe a la qual pertanyen, crea l’arbre de decisió millor que expliqui les instàncies.
11
![Page 12: Inteligencia Artificial Adquisición automática del conocimiento](https://reader035.fdocuments.ec/reader035/viewer/2022062816/5681562a550346895dc3dbcf/html5/thumbnails/12.jpg)
12
ID3
Es un algoritmo voraz para la construcción automática de arboles de decisión, que
selecciona en cada paso el mejor atributo.→
El millor és el més discriminant (potencialment més útil)
12
![Page 13: Inteligencia Artificial Adquisición automática del conocimiento](https://reader035.fdocuments.ec/reader035/viewer/2022062816/5681562a550346895dc3dbcf/html5/thumbnails/13.jpg)
ID3
• El procés de construcció és iteratiu:1. Es selecciona un subconjunt (finestra) de exemples
del conjunt d’entrenament (training set).2. Es construeix l’arbre de decisió que permeti
discriminar el conjunt d’exemples de la finestra.3. Si l’arbre de decisió induït explica la resta
d’exemples del conjunt d’entrenament,Llavors l’arbre de decisió es el definitiu, Sinó els exemples mal classificats (excepcions)
s’afegeixen a la finestra i es torna a (2).fSi 13
![Page 14: Inteligencia Artificial Adquisición automática del conocimiento](https://reader035.fdocuments.ec/reader035/viewer/2022062816/5681562a550346895dc3dbcf/html5/thumbnails/14.jpg)
14
ID3: idea básica
• Seleccionar en cada paso el atributo que discrimina más:– Permite reducir el tamaño del árbol de
decisión.• La selección se hace maximizando una
cierta función G(X,A), que representa la ganancia de información.
14
![Page 15: Inteligencia Artificial Adquisición automática del conocimiento](https://reader035.fdocuments.ec/reader035/viewer/2022062816/5681562a550346895dc3dbcf/html5/thumbnails/15.jpg)
Ganancia de información
• Cantidad de información (X = ejemplos, C = clasificación):
• Entropía (A = atributo, [A(x) = vi ] = ejemplos con valor vi ):
• Ganancia de información:15
)##log(
##),(
Xc
XcCXI i
Cci
i
Av ii
iCvxAI
XvxACAXE )],)(([
#])([#),,(
),,(),(),,( CAXECXICAXG
![Page 16: Inteligencia Artificial Adquisición automática del conocimiento](https://reader035.fdocuments.ec/reader035/viewer/2022062816/5681562a550346895dc3dbcf/html5/thumbnails/16.jpg)
16
ID3: ejemplo
![Page 17: Inteligencia Artificial Adquisición automática del conocimiento](https://reader035.fdocuments.ec/reader035/viewer/2022062816/5681562a550346895dc3dbcf/html5/thumbnails/17.jpg)
17
ID3: ejemploI (X, C) = -1/2 log2 1/2 -1/2 log2 1/2 = 1 (1,2,5,8) (3,4,5,7) C+ C-E (X, Ulls) = 3/8 (-1 log2 1 - 0 log2 0) + 2/8 (-0 log2 0 - 1 log2 1) + 3/8 (-1/3 log2 1/3 - 2/3 log2 2/3) = 0.344
E (X, Cabell) = 2/8 (-1/2 log2 1/2 - 1/2 log2 1/2) + 6/8 (-3/6 log2 3/6 - 3/6 log2 3/6) = 1
E(X, Estatura) = 2/8 (-1 log2 1 - 0 log2 0) + 4/8 (-1/2 log2 1/2 - 1/2 log2 1/2) + 2/8 (-0 log2 0 - 1 log2 1) = 0.5
17
![Page 18: Inteligencia Artificial Adquisición automática del conocimiento](https://reader035.fdocuments.ec/reader035/viewer/2022062816/5681562a550346895dc3dbcf/html5/thumbnails/18.jpg)
18
ID3: ejemploG (X, Ulls) = 1 - 0.366 = 0.656G (X, Cabell) = 1 - 1 = 0G (X, Estatura) = 1- 0.5 = 0.5
Ulls
1,2,8 3,6 4,7, 5 + - - +
Cabell Estatura ClasseE4 Moreno Mitjà C-E5 Moreno Alt C+E7 Ros Baix C-
BlausMarrons
Verds
![Page 19: Inteligencia Artificial Adquisición automática del conocimiento](https://reader035.fdocuments.ec/reader035/viewer/2022062816/5681562a550346895dc3dbcf/html5/thumbnails/19.jpg)
I (X, C) = -1/3 log2 1/3 -2/3 log2 1/3 = 0,918 (5) (4,7)
E (X, Cabell) = 1/3 (- 0 log2 0 - 1 log2 1) + 2/3 (-1/2 log2 1/2 - 1/2 log2 1/2) = 2/3
E (X, Estatura) = 1/3 (-0 log2 0 - 1 log2 1) + 1/3 (-1 log2 1 - 0 log2 0) + 1/3 (-0 log2 0 - 1 log2 1) = 0
G (X, Cabell) = 0,918 - 0,666 = 0,252G (X, Estatura) = 0,918 - 0 = 0,918
Ros
ID3: ejemplo
![Page 20: Inteligencia Artificial Adquisición automática del conocimiento](https://reader035.fdocuments.ec/reader035/viewer/2022062816/5681562a550346895dc3dbcf/html5/thumbnails/20.jpg)
Ulls
1,2,8 3,6 4,7, 5 + - - +
Blaus
Marrons
Verds
EstaturaAlt
Mitjà
baix
5 4 7+ - -
ID3: ejemplo
![Page 21: Inteligencia Artificial Adquisición automática del conocimiento](https://reader035.fdocuments.ec/reader035/viewer/2022062816/5681562a550346895dc3dbcf/html5/thumbnails/21.jpg)
Ulls = Blaus → C+
Ulls = Marrons → C-
Ulls = Verds ∧ Estatura = Alt → C+
Ulls = Verds ∧ Estatura = Mitjà → C-
Ulls = Verds ∧ Estatura = Baix → C-
ID3: ejemplo
![Page 22: Inteligencia Artificial Adquisición automática del conocimiento](https://reader035.fdocuments.ec/reader035/viewer/2022062816/5681562a550346895dc3dbcf/html5/thumbnails/22.jpg)
ID3: algoritmo
![Page 23: Inteligencia Artificial Adquisición automática del conocimiento](https://reader035.fdocuments.ec/reader035/viewer/2022062816/5681562a550346895dc3dbcf/html5/thumbnails/23.jpg)
Tipos de aprendizaje
• Aprendizaje inductivo: Creamos modelos de conceptos a partir de generalizar ejemplos simples. Buscamos patrones comunes que expliquen los ejemplos.
• Aprendizaje analítico o deductivo: Aplicamos la deducción para obtener descripciones generales a partir de un ejemplo de concepto y su explicación.
![Page 24: Inteligencia Artificial Adquisición automática del conocimiento](https://reader035.fdocuments.ec/reader035/viewer/2022062816/5681562a550346895dc3dbcf/html5/thumbnails/24.jpg)
Tipos de aprendizaje
• Aprendizaje genético: Aplica algoritmos inspirados en la teoría de la evolución para encontrar descripciones generales a conjuntos de ejemplos.
• Aprendizaje conexionista: Busca descripciones generales mediante el uso de la capacidad de adaptación de redes de neuronas artificiales.