Inteligencia Computacional DRA. LETICIA FLORES PULIDO
PARADIGMAS DE APRENDIZAJE AUTOMÁTICO Desde el punto de vista de la clasificación, el objetivo principal de las técnicas de reconocimiento de formas, aplicadas a un problema general de clasificación, consiste en asignar a un objeto o fenómeno físico una de las diversas categorías o clases previamente especificadas
PARADIGMAS DE APRENDIZAJE AUTOMÁTICO No. Caso X1 X2 …. Xn C 1 x11 x21 xn1 c1 2 x12 x22 xn2 c2 3 x13 x23 xn3 c3 … N x1N x2N xnN c4
PARADIGMAS DE APRENDIZAJE AUTOMÁTICO En el campo de reconocimiento de formas, se suele hacer una distinción entre las aproximaciones paramétricas y las no paramétricas PARAMÉTRICAS: Se asume un conocimiento a priori de la forma funcional de las distribuciones de probabilidad de cada clase sobre el espacio de representación, las cuales vendrán determinadas por un conjunto finito de parámetros. (Clasificación No Supervisada)
PARADIGMAS DE APRENDIZAJE AUTOMÁTICO NO PARAMÉTRICAS: No supone ninguna forma de las distribuciones de probabilidad sobre el espacio de representación, de modo que el único conocimiento a priori será el correspondiente a la información inducida a partir de un conjunto de muestras controladas (conjunto de entrenamiento), de las cuales se conoce su clase verdadera. (Clasificación Supervisada)
PARADIGMAS DE APRENDIZAJE AUTOMÁTICO En la clasificación supervisada o no supervisada puede realizarse una clasificación linealmente separable o no linealmente separable Otro concepto importante es el de la Evaluación de los Clasificadores.
PARADIGMAS DE APRENDIZAJE AUTOMÁTICO Los Clasificadores deben evaluarse en: La tasa de error: está en función de los modelos nuevos que se vayan reconociendo por el clasificador pero fuera de los conjuntos de entrenamiento Las rapidez: con la que clasifica cada modelo La interpretabilidad: que tan explícitamente representa a los datos La simplicidad del modelo: Se hace referencia al modelo mas sencillo de implementar