Apuntes de una clase que está interensante, se llama Aprendizaje Automático.
Uno de los libros a tomar en cuenta en el curso es machine learning de Tom Mitchell, libro viejo pero bueno para ser introductorio en el tema de aprendizaje automático. El primer capitulo es un abreboca sobre cómo analizar los problemas para ser resueltos por el aprendizaje automático. Y nos deja pensativos sobre en que cosas más podemos aplicar aprendizaje automático para llegar a una solución aproximada de un problema.
Entre los ejemplos citados sobre el uso de aprendizaje automático comentaba:
El hecho de predecir la tasa de recuperación de neumonía de los pacientes en un hospital, un uso muy frecuente hoy en día es el empleado para detectar el uso fraudulento de tarjetas de créditos, enseñar a jugar a una computadora , el hecho que vehiculos puedan conducir solos hoy en día también lo mencionan en el libro, de 1997.
Las predicciones se realizan en base los resultados teóricos (Casi dogmas de Fé). Teniendo en cuenta que "Los resultados teóricos han sido desarrollados para representar las relaciones fundamentales entre la cantidad de data observada en los ejemplos de entrenamiento, el número de hipótesis a considerar y el error esperado de las hipótesis aprendidas".
Todo esto forma un conjunto de características que representa el aprendizaje automático:Existe una clase (una tarea).
La medida mejora en su ejecución (gana experiencia),
El origen de su experiencia.
De esta forma se establece una nomeclatura, una forma de escribir como definir un problema de aprendizaje automático, o como diseñarlo.
Estos son los datos básicos:
La Clase Tarea T: Tarea a ejecutar.
La Medida de mejora: ¿Cómo sé que estoy aprendiendo? una medida cuantificable que define casos positivos de aprendizaje.
Origen de los datos: ¿Donde obtienes los datos?
Extendiendo la información del diseño:
1 La Clase de Tarea.
2 La medida de mejora.
3 El origen del aprendizaje.
4 El tipo exacto de conocimiento a ser aprendido (Función Objetivo).
5 una representación para este objetivo de conocimiento. (Representación de la función objetivo, reglas, funciónes polinómicas, redes neuronales) Esto es una parte clave. y de compensación.
6 un mecanismo de aprendizaje (¿Cómo?)
Luego se presentan otras características a tomar en cuenta, como el peso de las variables o atributos. Esto es un poco de teoría. En cuanto a la práctica si tenemos curiosidad, de ¿cómo podemos usar esto', puedes revisar:
Pybrain
http://scikit-learn.org/
http://pyml.sourceforge.net/
http://www.fing.edu.uy/inco/
Paper que habla sobre el modelo bayesiano para modelar el aprendizaje automatico.
weka
En Perl, árbol de decisión, hace referencia al Mitchell este módulo: http://ur1.ca/98xvb
cualquier búsqueda de cpan con machine learning servirá.
Igualmente en Python, puedes conseguir otro módulo que te llame la atención y no esté mencionado acá: http://ur1.ca/98xy0
