APRENDIZAJE

1
APRENDIZAJE

• Carolina Guillén Romero
• Enriqueta Sánchez Blázquez
• Mª Ángeles Serna Moreno

2
APRENDIZAJE

• APRENDIZAJE ANIMAL
• Componentes
• Habituación.
• Aprendizaje asociativo.
• Impronta.
• Imitación.

3
APRENDIZAJE

• APRENDIZAJE AUTOMÁTICO
• Tipos
• Deductivo
• Componentes
• Resolución de problemas.
• Análisis de la traza.
• Filtrado.
• Generalización.
• Construir nueva información.
• Incorporar.

4
APRENDIZAJE

• APRENDIZAJE AUTOMÁTICO
• Tipos
• Inductivo
• Adquisición de componentes (supervisado).
• Por observación (no supervisado).

5
APRENDIZAJE

• APRENDIZAJE AUTOMÁTICO
• Tipos
• Por analogía
• Modelo unificado de analogía.
• Analogía transformacional.
• Algoritmo genético
• Conexionista
• Multiestrategia

6
APRENDIZAJE

• APOYOS AL APRENDIZAJE
• Aprendizaje supervisado
• Aprendizaje no supervisado
• Aprendizaje con refuerzo de tablas
• Inmediato.
• Retardado.

7
1 Introducción

• Hay una corriente que dice que sin aprendizaje no
  hay inteligencia, entonces los S.E. no son
  inteligentes.
• WienerUn sistema organizado que aprende es
  aquel que recibe una señal de entrada y la
  transforma en una de salida de acuerdo con algún
  principio de organización.
• Si tal principio esta sujeto a un criterio de
  validez de funcionamiento (decir si funciona bien
  o mal), hay un objetivo de funcionamiento que
  permite ver la evolución del sistema. Si el
  método de transformación se ajusta a fin de que
  tienda a mejorar el funcionamiento del sistema de
  acuerdo con ese criterio. Se dice que el sistema
  aprende.

8
2 Aprendizaje animal (I)

• Se entiende como un proceso adaptativo que cumple
  las funciones de wiener, aprendemos para
  ajustarnos al medio.
• Para que se produzca aprendizaje animal se
  entiende que debe de perdurar en la memoria un
  cierto tiempo

9
2 Aprendizaje animal (II)

• Es también difícil enunciar una definición, así
  que se definen una serie de características
• Habituación
• Aprendizaje asociativo
• Impronta
• Imitación

10
Habituación

• El sistema aprende a no prestar atención de
  ciertos inputs y nos habituamos a ello y no lo
  consideramos importante. Es muy complicado en
  sistemas artificiales decidir cuales aspectos son
  importantes y hemos de prestarles, atención.

11
Aprendizaje asociativo

• Aprenden asociando elementos que llegan a estar
  asociados (paulov perro, comida y campanilla).
  Hay un aprendizaje de este modo que se llama
  latente el aprender habilita mayor capacidad de
  aprender.

12
Impronta

• Durante un periodo de, tiempo de su vida todo lo
  que el ser ve lo sigue como a una madre. No
  existe dentro de la inteligencia artificial. En
  las primeras fases de la vida la impronta es más
  fuerte que en la fases posteriores.

13
Imitación

• Importante en sistemas biológicos. Consiste en
  imitar el comportamiento de otro ser. No existe
  dentro de sistemas artificiales.

14
2 Aprendizaje automático (artificial)(I)

• Tipos de aprendizaje automático
• Deductivo mediante procesos de inferencia
  deductiva aplicando a hechos reglas conocidas.
  Necesita conocimientos previos. Ejemplo hay
  colillas -gt han fumado.

15
2 Aprendizaje automático (artificial)(II)

• Tipos de aprendizaje automático
• Inductivo consiste en inducir información de una
  concepto a partir de un conjunto de cosas en
  concreto. No requiere información previa del
  dominio. Ejemplo ese gato tiene 4 patas -gt todos
  los gatos tienen 4 patas. Si veo un caso supongo
  que todos los casos son iguales hasta que
  encuentre una contradicción que me obligue a
  remodelar las informaciones. Se realiza una
  estructura del dominio a base de inducciones.

16
2 Aprendizaje automático (artificial)(III)

• Tipos de aprendizaje automático
• Analogía aplicar un marco conocido a un problema
  nuevo para resolver lo ? aprendizaje basado en
  casos.
• Algoritmos genéticos se basa en la teoría de
  Darwin, mediante mutaciones se mejora el problema.

17
2 Aprendizaje automático (artificial)(IV)

• Tipos de aprendizaje automático
• Conexionista es el que se usa en redes
  neuronales. Algunos están implícitos en la red y
  otros son externos.
• Multiestrategia usa distintos tipos de
  aprendizaje.

18
3 Apoyos al aprendizaje

• Aprendizaje supervisado durante el proceso de
  aprendizaje existe un profesor o tutor que
  mostrando ejemplos y resultado al sistema. En la
  clasificación de elementos el profesor le enseña
  un elemento y el sistema le dice a que clase
  pertenece. Por ejemplo backpropagation.
• No supervisado no hay un profesor que guié el
  aprendizaje sino que se le muestra el dominio
  completo y se le deja al sistema que decida como
  realizar esta clasificación, solo hay ejemplos.
  Por ejemplo contrapropagación.
• Con refuerzo hay un supervisor que informa si
  los resultados son correctos o no. No dice que
  clases hay.

19
APRENDIZAJE INDUCTIVOAPRENDIZAJE AUTOMÁTICO
20
1 Definición (I)

• Consiste en la adquisición de un nuevo
  conocimiento por la inferencia inductiva sobre
  los datos por el entorno o el adiestrador.
• Se suele caracterizar como una búsqueda
  heurística en la que tenemos los siguientes
  elementos
• 1. Estado inicial datos de entrada y las
  descripciones simbólicas asociadas. La
  descripción simbólica son descripciones de los
  elementos del dominio.
• 2. Estado de sucesores son descripciones
  simbólicas con mayor o menos número de
  generalidad.
• 3. Operadores serán diversas reglas de inducción
  de dos tipos
• a. Generalización de descriptores concretos a
  descriptores mas generales.
• b. Especialización de una descripción mas
  general a una mas concreta.
• 4. Estado final va a ser una descripción
  simbólica con las siguientes características
• a. Implica los datos de entrada.
• b. Satisface los requerimientos de1 dominio.
• c. Es suficientemente satisfactoria.
• Inducir es suponer que lo que vemos es siempre
  así si vemos que un gato tiene 4 patas, todos
  los gatos tienen 4 patas.

21
1 Definición (II)

• Las reglas de generalización pueden ser
• Reglas de selección va a modificar el
  conocimiento obtenido. Tenemos los siguientes.
• Supresión de conjugados eliminando un elemento de
  la conjunción para, obtener un descriptor mas
  general. Por ejemplo los latinos son simpáticos
  y bajitos -gt los latinos son bajitos.
• Adicción de disyuntados incluimos un descriptor
  más como una disyunción y obtenemos una expresión
  mas general. Ejemplo hay un fantasma bajo la
  cama -gt hay un fantasma bajo la cama o en el
  armario.
• Cambio de constantes por variables. Por ejemplo
  la hormiga atómica lleva casco -gt la hormiga X
  lleva casco.
• Reglas constructivas va a añadir nuevo
  conocimiento (nuevos descriptores).
• Adiciones cuantitativas por ejemplo cosa lisa y
  negra -gt cosa lisa, negra y con tres picos
• Detección de dependencias. Por ejemplo la serie
  (3,6),(4,8),(5,10) seria dos números entre
  paréntesis separados por una coma donde uno es la
  mitad del otro.
• Lo que hacemos es buscar un descriptor que mejor
  identifique a cada clase para hacer una
  clasificación eficiente. Para obtener buenos
  descriptores usamos los operadores.

22
2 Tipos de aprendizaje inductivo (I)

• Hay fundamentalmente dos tipos
• Adquisición de conceptos (aprendizaje inductivo
  supervisado). Contamos con una serie de elementos
  ya clasificados y sabemos a que clase pertenece
  cada elemento. Nuestro objetivo es obtener un
  descriptor apropiado de cada clase.
• Por observación (no supervisado). Tenemos todo el
  dominio y hemos de clasificar los elementos de
  nuestro sistema.

23
2 Tipos de aprendizaje inductivo (II)

• Método de Hayes-Roth (supervisado)
• Intenta las generalizaciones conjuntivas más
  específicas a partir de un conjunto de
  afirmaciones positivas, a ese conjunto se le
  llama "maximal abstraction" o "inferencial
  matches".
• Ejemplo
• - Case Frame (elementos) El, E2 Y E3.
• - Case labell (propiedades) sombreado, liso,
  grande, pequeño....
• - Parameters (partes) El esta formado por a, b y
  c.

24
2 Tipos de aprendizaje inductivo (III)

• Método de Hayes-Roth. Ejemplo
• Buscamos un descriptor para los tres casos
• Paso 1 el primer elemento de entrada configura
  el primer conjunto de generalizaciones
  conjuntivas de la clase que llamaremos G1. En el
  ejemplo GlE1.
• Paso 2 Para un nuevo elemento de entrada se
  consigue un nuevo conjunto de generalizaciones M
  que se obtiene de un cotejamiento parcial entre
  el nuevo elemento y la descripción de la clase.
• Paso 3 Cuando se han cotejado todos los
  elementos del conjunto de entrada el conjunto de
  generalizaciones obtenido es la descripción de la
  clase.
• Solo podemos asegurar la falsedad no la veracidad.

25
2 Tipos de aprendizaje inductivo (IV)

• Método de Hayes-Roth. Ejemplo
• Cotejamiento parcial
• A. Se cotejan todas las generalizaciones
  conjuntivas de todas las formas posibles hasta
  obtener un conjunto M formado por todas las
  afirmaciones procedentes de la correspondencia
  entre parámetros que coincidan en ambos casos. Si
  tenemos 'b' en El que es sombreado y redondo lo
  podemos asociar a 'e' y 'f' de E2.
• B. Seleccionamos un subconjunto de las
  correspondencias entre los parámetros que se
  puedan vincular consistentemente. Una vinculación
  es consistente cuando no vincula a un parámetro
  de una instancia con varios parámetros de otra
  instancia. Si a/b entonces no puedo coger a/c
  porque entonces no seria consistente.

26
2 Tipos de aprendizaje inductivo (V)

• Método de Hayes-Roth. Ejemplo
• Cotejamiento parcial

27
2 Tipos de aprendizaje inductivo (VI)

• Por observación (no supervisado)
• Es más ambicioso y tiene dos puntos de vista
  uno psicológico y otro computacional.
• Componente psicológica
• A. Enfoque clásico se basa en que todas las
  instancias de una categoría comparten un
  conjunto de características comunes. Desventajas
  si intentamos abordar esto computacionalmente no
  siempre es posible encontrar una característica
  común que caracteriza la clase. La imposibilidad
  de definir grados de pertenencia a un conjunto.
  Existen asignaciones ambiguas.
• B. Enfoque probabilístico se asocia un grado de
  pertenencia a cada clase. Para ello se define un
  prototipo de la clase y luego mediríamos la
  distancia de nuestro elemento a la clase.
  Desventajas
• - Habla independientemente del contexto.
• - Es difícil cuantificar la distancia al
  prototipo, es complicado establecer la métrica.
• C. Categorización basado en teorías hay
  información difícil de inyectar en l a clase y
  hemos de encajar la en el dominio.

28
2 Tipos de aprendizaje inductivo (VII)

• Por observación (no supervisado)
• Componente computacional el objetivo es
  conseguir agrupar los elementos en clases, y
  conseguir las características que definen cada
  clase.
• A. Taxonomía numérica son los primeros intentos
  de aprendizaje automático no supervisado
  mediante inducción y casi todos están basados en
  algún tipo de métrica.
• Distancia de Minkowski d(i,k)(Snji (xij
  xkj)? )½, donde si ? es 1 se trata de la
  distancia euclídea y si vale 2 es la distancia
  hamming. Cada caso es un vector de reales de n
  números (más bien un punto). Es esquema de
  representación es un vector de n coordenadas.
  Para clasificar las clases los vectores hay dos
  tipos de algoritmos
• 1. Algoritmos aglomerativos en principio
  suponen que cada elemento es una clase y luego
  se van uniendo hasta conseguir el número
  deseado.
• 2. Algoritmos divisores consideran que todos
  los vectores pertenecen a la misma clase y
  luego los van dividiendo en subclases.
• Objetivos
• - La similitud entre elementos de la misma
  clase debe ser próxima.
• - La diferencia entre elementos de clases
  distintas debe ser máxima.
• El problema es cuando parar (de juntar o
  dividir).

29
2 Tipos de aprendizaje inductivo (VIII)

• Por observación (no supervisado)
• Componente computacional
• B. Aprendizaje automático es una mejora de la
  taxonomía automática, donde se intenta
• - Resolver el problema de cuando parar.
• - Los parámetros numéricos pueden no expresar
  bien el dominio.
• Intenta encontrar otras alternativas.
• 1. Agrupación conceptual A y B van a ser casi
  siempre en la misma clase, sin embargo hay un
  concepto más allá de la distancia, unos puntos
  forman un circulo y otros un triángulo. Habría
  que introducir los conceptos círculo y triángulo.
• 2. Cluster a partir de una serie de semillas
  van creciendo (en forma de estrella)
• 3. Teoría de Witt Se basa en teorías de la
  información.
• 4. Autoclass Teorías de Bayes.
• 5. Formación de conceptos tiene mecanismos que
  permiten realizar el aprendizaje de forma
  incremental.

30
APRENDIZAJE DEDUCTIVO (APRENDIZAJE BASADO EN
EXPLICACIONES) APRENDIZAJE AUTOMÁTICO
31
1 Deductivo EBL (explanation based learning).(I)

• El aprendizaje inductivo era el más utilizado,
  pero tiene un problema el aprendizaje inductivo
  no preserva la veracidad pero preserva la
  falsedad.- No preserva la veracidad por
  inducción no se puede afirmar algo que hemos
  observado.- Preserva la falsedad podemos saber
  que algo es falso.

32
1 Deductivo EBL (explanation based learning).(II)

• La deducción permite preservar la veracidad ya
  que hay conocimiento del dominio que respalda las
  afirmaciones. Sobre el conocimiento obtenido
  inductivamente podemos deducir.La segunda
  diferencia es que el aprendizaje inductivo
  necesita muchos ejemplos para obtener información
  del dominio. En el deductivo nos vale con un
  ejemplo pero necesitamos más conocimiento del
  dominio.

33
1 Deductivo EBL (explanation based
learning).(III)

• La tercera diferencia es que el método deductivo
  no incorpora nuevo conocimiento, tan solo
  consigue explicar mejor (concretar) el
  conocimiento existente.

34
Definiciones

• Teoría del dominio (o conocimiento de respaldo)
  es la información específica del dominio que
  vamos a suponer completa y consistente (en SBR es
  la base de afirmaciones).
• Concepto objetivo es el concepto del que el
  método EBL debe determinar una definición
  efectiva y operacional. Se dice que es efectiva
  porque lleva a la solución rápidamente y es
  operacional porque se puede hacer en la máquina.
• Ejemplo es una instancia concreta de un
  objetivo
• Nueva teoría del dominio es una teoría del
  dominio modificada.

35
Componentes
36
Componentes (I)

• 1. Resolución del problema utilizar el dominio y
  el ejemplo para 1Iegar al objetivo.
• 2. Análisis de la traza analizamos la solución
  para conseguir obtener una explicación. Usamos
  criterios
• A. Criterio de relevancia. va a ser realmente
  aquello que sea importante para abordar problemas
  futuros, en una traza va a ser realmente aquella
  información que forme parte en el camino de
  llegar a la solución.
• B. Criterio de operatividad son aquellas reglas
  que se activan directamente.

37
Componentes (II)

• 3. Filtrado filtra la información de la traza
  para llegar a la explicación. Coge lo que es
  relevante y operativo. Se obtiene una
  explicación.
• 4. Generalización consiste en sustituir las
  constantes por variables de forma que la
  expresión siga siendo válida. El método más usado
  es el algoritmo de regresión de objetivos.
  Regresionar una fórmula f a través de una regla r
  consiste en determinar las condiciones necesarias
  y suficientes bajo las cuales puede usarse la
  regla r para obtener f.

38
Componentes (III)

• 5. Construir nueva información La información
  que construimos puede ser
• Reglas de dominio que expresaran nuevas
  definiciones de conceptos en las que la parte
  izquierda de la regla serán las combinaciones
  necesarias y suficientes del árbol de explicación
  generalizado mientras que la raíz del mismo será
  la parte derecha de la regla.
• Reglas de control que se construyen de forma
  similar.
• 6. Incorporar esas nuevas reglas hay que
  incorporarlas a la base de conocimiento, pero a
  veces se obtienen demasiadas reglas para
  introducir en nuestro sistema. Hay que llegar a
  una solución de compromiso (velocidad de
  inferencia o base de afirmaciones mayor).

39
Problemas del EBL.(I)

• Hemos supuesto que la base de conocimiento es
  completa y es consistente pero a veces la base
  que tenemos no es así. Por ello se producen dos
  problemas
• 1 Reformulación de la teoría es provocado por
  el aumento de volumen de la información o bien
  por el aumento de la complejidad (reglas más
  complejas en la base de conocimiento .Y hay que
  determinar que dejamos y que eliminamos. Así que
  tenemos dos soluciones o almacenar siempre o
  bien no almacenar nunca.

40
Problemas del EBL.(II)

• 2 Revisión de la teoría la información obtenida
  no es adecuada porque
• La teoría es incompleta.
• La teoría es incorrecta.
• La teoría es inconsistente se puede llegar a
  contradicciones.
• La Teoría es intratable por su volumen son
  difíciles de abordar.

41
APRENDIZAJE POR ANALOGÍA APRENDIZAJE AUTOMÁTICO
42
Introducción

• Si dos situaciones son iguales en algunos de sus
  aspectos, lo normal es que puedan serlo en otras.
• Ejemplo
• Un circuito y un sistema con una fórmula que
  define su comportamiento similar. Analogía entre
  las dos situaciones.
• Se usa cuando se conoce el comportamiento de un
  sistema, para conocer como se comporta un sistema
  análogo.

43
Definiciones.

• Problema base situación conocida de ante mano.
• Dominio base lo que se conoce de él.
• Problema objetivo aplicamos lo conocido a la
  nueva situación.
• Dominio objetivo conocimiento obtenido de
  aplicar el problema objetivo junto con la
  situación conocida.

44
Modelo unificado de analogía (I).KEDAR-COBELL
(1988)

• Fases
• 1. Recuperación Partiendo del problema objetivo
  (dominio objetivo) buscamos un problema base en
  el dominio base que tenga similitudes
  significativas.
• 2. Elaboración Define conocimiento del problema
  base para poder aplicarlo en el problema
  objetivo.

45
Modelo unificado de analogía (II).KEDAR-COBELL
(1988)

• Fases
• 3. Mapeo Trasladamos el conocimiento desde el
  problema base hasta el objetivo.
• 4. Justificación Comprobamos si lo que sabemos
  es aplicable y funciona en la función objetivo.
• 5. Aprendizaje Consiste en almacenar el
  conocimiento obtenido aprendido, en el
  conocimiento objetivo

46
Analogía transformacional.CARBONELL (1983)

• Plantea un espacio llamado Tespacio y decide
  que hay varios problemas que pueden manejarse con
  el Tespacio, de manera que, se puede asignar a
  distintos problemas usando Toperadores.

47
APRENDIZAJE POR REFUERZO DE TABLAS APOYOS AL
APRENDIZAJE
48
Introducción (I).

• Aprendizaje por refuerzo de tablas consiste en
  tener una serie de parámetros y según los
  resultados de la funcionalidad del sistema ir
  modificando los parámetros.

49
Introducción (II).

• TIPOS DE APRENDIZAJE POR REFUERZO
• Inmediato lleva una señal de refuerzo tras cada
  actuación del sistema y a cado paso tendrá una
  señal de refuerzo que indicará si va bien o mal.
• Retardado se pondera exclusivamente la acción
  del sistema.
• Es más fácil manejar el retardado que el
  inmediato.

50
Introducción (III).

• CLASIFICACIÓN
• Refuerzo en tablas.
• Redes neuronales.
• Aprendizaje estímulo-acción

51
Aprendizaje por refuerzo de tablas (I).

• El aprendizaje por refuerzo en tablas consiste
  en gestionar el conocimiento mediante tablas de
  valores que se van actualizando atendiendo al
  valor del refuerzo. Son sólo aceptables por
  problemas aceptables por problemas de Markov.
• Problemas modernizable por cadenas de Markov sólo
  dependen del estado en el que está el sistema y
  no depende de cómo ha llegado a ese estado.

52
Aprendizaje por refuerzo de tablas (II).

• TIPOS DE REFUERZO
• Refuerzo inmediato.
• Refuerzo retardado.

53
Aprendizaje por refuerzo de tablas (III).

• Refuerzo inmediato el algoritmo normal (es el
  que se conoce como algoritmo lineal de premio
  castigo, LRP) constituye una tabla con todos los
  posibles estados del sistema y todas las posibles
  acciones.
• El algoritmo lineal de refuerzo inacción,
  solamente se castiga, cuando lo haces bien no
  modifica los pesos y cuando lo hace mal lo
  castiga.

54
Aprendizaje por refuerzo de tablas (IV).

• ALGORITMO LINEAL DE PREMIO Y CASTIGO

E1_A1 E1,A2 E1,A3 E1, E2_A1 E2,A2 E2, A3 E2,...
Si se está en E1 y se pasa a E2, si es bueno se
premia y si no se castiga.
55
Aprendizaje por refuerzo de tablas (V).

• Refuerzo retardado suele ser más complejo y
  menos autónomo. Según se ha llegado al final se
  valora si se ha hecho bien o mal.
• Es más difícil detectar el fracaso en los
  parámetros del sistema.

56
Páginas de interés

• Aprendizaje en Inteligencia Artificial
• Aprendizaje (definición y tipos)
• Resumen Aprendizaje y Memoria
• Inteligencia en Redes de Comunicaciones
  (Aprendizaje)
• Aprendizaje definición y tipos en wikipedia
• Aprendizaje AutomáticoAprendizaje de Conceptos y
  Espacio de Versiones.
• Aprendizaje Deductivo (Basado en la Explicación)
• Introduction to Machine Learning
• Machine Learning and Natural Language Processing
• Aprendizaje automático

57
Aprendizaje inductivo

• Aprendizaje por observación (ppt)
• Introducción y descripción de los algoritmos de
  Aprendizaje Inductivo-Incremental
• Aprendizaje Inductivo
• Aprendizaje Automático Aprendizaje de Conceptos
  y Espacio de Versiones.(pdf)
• Aprendizaje Inductivo

58
Aprendizaje deductivo

• Aprendizaje Deductivo (Basado en la Explicación)
• Articulo Sugerencias para la enseñanza tomando
  en cuenta métodos de aprendizaje mecánico de la
  inteligencia artificial
• Aprendizaje automático. Técnicas basadas en EBL
• DeJong y Mooney (1986), definieron el Aprendizaje
  Basado en la Explicación, EBL

59
Aprendizaje por analogía

• Aprendizaje por analogía
• Aprendizaje por analogía
• Introducción al aprendizaje de la maquina
  sistemas discentes

60
Aprendizaje basado en casos

• Repositorio general sobre AI-CBR
• Herramientas AI-CBR (ver académicas)
• Documentación y código sobre el conocido sistema
  SWALE
• Recursos CBR (AAAI)
• INRECA proyecto europeo del que se deriva CASUEL
  y CBR-Works
• Planificación y CBR (Veloso) / Planning and CBR
• Agentes y CBR (CSIC)
• Gente relacionada con ML y CBR / ML and CBR
  people
• Conferencia Internacional de CBR'03

61
Bibliografía

• Mitchell (1997) Machine Learning. McGraw-Hill.
  
• DA Norman (1988 ) El aprendizaje y la memoria.
  Alianza Editorial
• LÓPEZ, J.A. (1990). "Inteligencia Artificial en
  Educación". Apuntes de Educación y NN.TT., nº 38"
  Madrid Anaya
• Gerhard Weib, Sandip Sen (1996) Adaptation and
  learning in multi-agent systems ed.
• CASACUBIERTA, F. Y VIDAL, E. (1987 a)
  Reconocimiento automático del habla. Marcombo.
• D. Borrajo, J.G. Boticario y P. Isasi. (saldrá
  publicado en abril 2006).Aprendizaje
  Automático. Editorial Sanz y Torres
• A. Moreno Ribas y otros (1994). Aprendizaje
  Automático. Ediciones UPC (Universidad
  Politécnica de Cataluña)
• Carbonell, J.G., Michalski, R.S., and Mitchell,
  T.M., "Machine learning A historical and
  methodological analysis". AI Magazine, Fall
  (1983) 69-79.
• Chandrasekaran, B., Johnson, T.R., and Smith,
  J.W., "Task-structure analysis for knowledge
  modeling". Communications of the ACM, 35 (1992)
  124-137.

62
Artículos destacados

• A Learning Algorithm For Neural Network Ensembles
• http//ltcs.uned.es8080/aepia/Uploads/12/128.pdf
• Presentacion Monografia Sistemas Inteligentes en
  el ambito de la Educacion
• http//ltcs.uned.es8080/aepia/Uploads/12/131.pdf
• Apredizaje de la similitud entre casos con
  valores discretos y numéricos(Premio Accésit Jose
  Cuena)
• http//tornado.dia.fi.upm.es/caepia/numeros9/luace
  s.ps.gz
• Aprendizaje o Aprendizajes?
• http//contexto-educativo.com.ar/2001/2/nota-02
  .htm

63
Artículos destacados (II)

• Un método deductivo para la enseñanza
  http//www.edscuola.it/archivio/software/bit/cours
  e/RevistaEnsenanza.pdf
• Aprendizaje Deductivo, Inductivo, y Abductivo con
  Algoritmos Genéticos
• http//www.inf.udec.cl/revista/ediciones/edicion1
  0/apr-ag.pdf
• Análisis y síntesis de la señal acústica
• http//cvc.cervantes.es/obref/congresos/sevilla/t
  ecnologias/mesaredon_casacuberta.htm
• Aprendizaje en inteligencia artificial
• http//www.sindominio.net/apm/articulos/IAIC/apr
  endizaje/aprendizaje.pdf

64
Aplicaciones

• Sistema de tutoría inteligente adaptativo
  considerando estilos de aprendizaje
  http//eia.udg.es/clarenes/docs/ribie-udg-2002.pd
  f.
• Sistema de Reconocimiento del habla
  http//es.wikipedia.org/wiki/Reconocimiento_del_ha
  bla
• Programa que aprende a jugar al Backgammon
  entrenándose contra sí mismo mediante aprendizaje
  con refuerzo. El programa logró un nivel de juego
  comparable al de los expertos humanos.
  Temporal difference learning and
  TD-Gammon (http//www.research.ibm.com/massive/td
  l.html)

65
Aplicaciones (II)

• Machine Learning for Distributed Traffic Control
• http//www.isle.org/7Elangley/traffic.html
• How can computers learn to decode a person's
  mental state from their brain activity?
• http//www.cs.cmu.edu/afs/cs/project/theo-73/www/i
  ndex.html