SISTEMAS DE PROGRAMACIÓN NO CONVENCIONAL DE ROBOTS (75.70)
| DOCENTE
A CARGO |
|
| OBJETIVOS |
Familiarizar al
alumno con los modelos de aprendizaje automático simbólico
y sub-simbólico aplicado a robótica inteligente.
|
| PROGRAMA |
APRENDIZAJE
AUTOMÁTICO. Aprendizaje a partir de la observación. Un modelo
general de agentes con capacidad para aprender. Componentes del elemento
de desempeño. Representación de los componentes. Conocimiento
previo. Integración en un todo Aprendizaje inductivo. Aprendizaje
con árboles de decisión. Expresividad de los árboles
de decisión. Cómo inducir árboles de decisión
a partir de ejemplos. Evaluación de la eficiencia de un algoritmo
de aprendizaje. Aplicaciones prácticas del aprendizaje por árbol
de decisión. Empleo de la teoría de la información.
Ruido y sobreadaptación. Ampliación de los usos de los árboles
de decisión. Aprendizaje de las descripciones lógicas generales.
Hipótesis. Ejemplos. Búsqueda de la mejor hipótesis
del momento. Búsqueda basada en el compromiso mínimo. Teoría
del aprendizaje computacional. El aprendizaje en las redes de creencia.
Métodos bayesianos empleados en las redes de creencias para aprendizajes.
Aprendizaje bayesiano. Problemas del aprendizaje en las redes de creencia.
Aprendizaje de redes cuya estructura es fija. Aprendizaje por refuerzo.
Introducción. Aprendizaje pasivo en ambientes. Actualización
ingenua. Programación dinámica adaptable. Aprendizaje por
diferencia temporal. Aprendizaje pasivo en un ambiente desconocido. Aprendizaje
activo en un entorno desconocido. Exploración. El aprendizaje de
una función acción- valor. La generalización en el
aprendizaje por refuerzo.
REDES NEURONALES. Introducción a las redes neuronales. Base biológica.
El perceptrón simple. Memoria asociativa. Gradiente descendiente
para el cómputo de matriz de memoria. Memoria de matriz de correlación.
Modelo de Hopfield. Introducción. Variaciones del modelo de Hopfield.
Patrones correlacionados. Unidades de funciones continuas. Modelo de Kohonen.
Base neurofísica. Ejemplos de simulación. Aplicación
al problema del viajante de comercio. Modelo de retropropagación
(Backpropagation Networks). Introducción y base de la retropropagación.
Ejemplos y aplicaciones. Redes multicapa y de alimentación directa
(Feedforward networks). Aprendizaje no supervisado. Introducción.
Método de Hebbian. Mapas autoorganizable (Modelo de Kohonen). Aplicaciones
y ejemplos.
ALGORITMOS GENETICOS. Antecedentes. Algoritmo Simple. Sistemas Naturales
y Sistemas Artificiales. Aplicaciones. Operadores Básicos: Variantes.
Métodos de Selección. Selección por Ruleta. Selección
con Control sobre el Número Esperado. Selección Elitista.
Selección por Ranking. Métodos de Cruza. Cruza Simple. Cruza
Multipunto. Cruza Binomial. Métodos de Mutación. Mutación
Simple. Mutación Adaptativa por Convergencia. Mutación Adaptativa
por Temperatura. Mutación Adaptativa por Temperatura Ascendente.
Mutación Adaptativa por Temperatura Descendente. Algoritmos Genéticos
en Profundidad. Esquemas. Teorema Fundamental. Efecto de la Selección.
Efecto de la Cruza. Efecto de la Mutación. Teorema Fundamental
de los Algoritmos Genéticos. Mecanismos de Selección. Función
de Aptitud. Construcción de la Función de Aptitud. Necesidad
de Escalado. Manejo de Restricciones. Mecanismos de Cruza. Disrupción.
Construcción. Mecanismos de Mutación. Disrupción.
Construcción. Resolución de problemas con A G. El problema
de la Representación. Codificación de Parámetros.
Parámetros Binarios. Parámetros No Binarios. Números
Enteros. Números Reales. Distribución de los genes dentro
del cromosoma. Elección de la Función de Aptitud. Metodología
de Diseño de AG. Fase Dependiente del Problema. Fase Independiente
del Problema. Algoritmos evolutivos. Programación evolutiva. Estrategia
evolutiva. Algoritmos Genéticos Secuenciales. Algoritmos Genéticos
Paralelos.
|
| BIBLIOGRAFÍA |
Fiszelew, A. y
García Martínez, R. 2002. Generación
Automática de Redes Neuronales con Ajuste de Parámetros
Basado en Algoritmos Genéticos.
Revista
del Instituto Tecnológico de Buenos Aires. Volumen 26. Páginas
76-101.
García Martínez, R. y Borrajo, D. 1997. Planning,
Learning and Executing in Autonomous Systems. Lecture
Notes in Artificial Intelligence. Nber. 1348 (Ed. Sam Steel & Rachid
Alami) Páginas 208-210. Springer-Verlag.
García Martínez, R. Aprendizaje Automático.
Enciclopedia Iberoamericana de Psiquiatría. Volumen II (Ed. G.
Vidal, R. Alarcón & F. Lolas). Páginas 824-828. Editorial
Médica Panamerica. ISBN 950-06-2311-0. 1999.
García Martínez, R. y Borrajo, D. 2000. An
Integrated Approach of Learning, Planning and Executing.
Journal of Intelligent and Robotic Systems. Volumen 29, Número
1, Páginas 47-78. Kluwer Academic Press.
García Martínez,
R., Servente, M. y Pasquini, D. 2003. Sistemas Inteligentes.
347 páginas. Editorial Nueva Librería. ISBN 987-1104-05-7.
Goldberg, D. Genetic Algorithms in Search, Optimization & Machine
Learning. Addison-Wesley Publishing Company Inc, 1989.
Hilera, J. & Martínez, V. Redes Neuronales Artificiales.
Addison-Wesley Iberoamerica-na. Delaware. 1995.
Servente, M. y García Martínez, R. Algoritmos
TDIDT Aplicados a la Minería Inteligente. Revista
del Instituto Tecnológico de Buenos Aires. Volumen 26. Páginas
39-57. 2002.
|
| TRABAJO
FINAL |
| OBJETIVO: |
Estudiar
como los componentes del proceso de descubrimiento de reglas de
pertenencia a grupos dado por integración de agrupamiento
(clustering) e inducción afectan los resultados (reglas obtenidas). |
| |
|
| PROCEDIMIENTO: |
| 1.- |
Buscar en
Internet la implementación de los algoritmos de clustering:
SOM, y "Bisecting K means" (BKM) y los algoritmos
de inducción: ID3, C4.5 y C5. |
| 2.- |
Integrarlos en un ambiente
que permita elegir un algoritmo de clustering y un algoritmo
de inducción de manera que se puedan obtener reglas
a partir de una base de datos dada. |
| 3.- |
Elegir 10 bases de datos del "University
of California at Irvine Machine Learning Repository"
que admitan clustering e inducción. |
| 4.- |
Cruzar todos los algoritmos
de clustering con los de inducción y completar con
la cantidad de reglas obtenidas, la siguiente tabla. |
| |
| |
CANTIDAD
EJEMPLOS |
CANTIDAD
ATRIBUTOS |
RANGO
ATRIBUTOS |
SOM
+ID3 |
SOM
+C4.5 |
SOM
+C5 |
BKM
+ID3 |
BKM
+C4.5 |
BKM
+C5 |
| BD 1 |
... |
... |
... |
... |
... |
... |
... |
... |
... |
| ... |
... |
... |
... |
... |
... |
... |
... |
... |
... |
| BD 2 |
... |
... |
... |
... |
... |
... |
... |
... |
... |
|
| 5.- |
Formule conclusiones con base en los resultados
obtenidos |
|
| |
|
| REPORTE: |
Formule un reporte entregable con la siguiente
información:
|
| |
| a.- |
Descripción de
las BDs utilizadas, inclutyendo tabla atributo / valor / significado. |
| b.- |
Tabla de resultados obtenidos (sección
4). |
| c.- |
Conclusiones |
| d.- |
Anomalias experimentales |
| e.- |
Formule un manual de usuario
del ambiente generado en la sección 2. El manual de
usuario deberá incluir indicaciones para la correspondiente
instalación. El ambiente deberá entregarse en
CD adjuntado al manual de usuario. |
|
| |
|
| FORMATO: |
El
formato utilizado para los reportes es el de la editorial Springer
(ver
archivo sv-lncs.dot en el archivo Formato-Springer.zip). |
| |
|
| MATERIALES: |
University
of California at Irvine Machine Learning Repository [entrar]
|
|
| SOFTWARE |
SOM - Self-Organized Map Program Package Version 3.1 [bajar] archivo ".zip"
JOONE - Modelador de Arquitecturas de Redes Neuronales [bajar] archivo ".rar" |
| |
|