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"