Aprenentatge automàtic

Veure Aplicació »

aprenentatge

L'APRENENTATGE AUTOMÀTIC s'utilitza per a crear sistemes que aprenen de les dades. La tasca més habitual consisteix a aconseguir que un ordinador pugui desenvolupar un criteri de classificació a partir del exemples que li entreguen com a mostra. És una tècnica relacionada amb la intel·ligència artificial que té per objectiu resoldre problemes complexos a partir d'exemples, procurant simular el funcionament de la ment humana. És útil per a desenvolupar nous coneixements i revelar comportaments que estan amagats entremig de les dades de què disposem.

Les dades que s'utilitzen normalment són solucions a problemes que s'han resolt prèviament. A partir d'aquestes solucions es poden buscar altres solucions a problemes nous. L'aprenentatge automàtic també es coneix amb el nom d'aprenentatge supervisat perquè se li indica a l'algoritme quines són les solucions amb què s'ha de fixar i quines s'han d'obviar. Per exemple, l'aprenentatge automàtic es pot utilitzar per a que una pàgina web adapti els seus anuncis a l'usuari en funció de les seves preferències. Per a que sigui eficaç, cal que la pàgina web aprengui prèviament i de manera automàtica allò que han preferit altres usuaris.

En essència, l'aprenentage automàtic és un procés de generalització. Els algoritmes procuren establir regles generals a partir dels exemples particulars. També es pot considerar que l'aprenentatge és un procés d'inducció automàtica. És a a dir, que a partir d'un grup d'exemples, es dedueix la regla general que tenen en comú i s'utilitza aquesta regla per a classificar nous exemples. L'aprenentatge automàtic és extraordinàriament útil per a sistematitzar coneixement. Això vol dir que es pot traduir el saber fer o l'experiència en unes regles o criteris deduïts de manera automàtica per un ordinador. És sense cap dubte, un mètode molt potent per a descobrir i aprendre de les dades de què disposem.

 

MINTRADA disposa dels procediments per a realitzar aquesta tasca d'APRENENTATGE AUTOMÀTIC de manera ràpida, automàtica i eficient.

 

Alguns exemples:

  • Reconeixement de la parla. Les aplicacions informàtiques actuals que són capaces de reconèixer la veu humana i transcriure la parla en text simbòlic típicament utilitzen aprenentatge automàtic. Per a això, ha calgut entrenar l'algoritme per a que pogués reconèixer la fonètica humana, amb diferents exemples de timbre de veu, pronúncia, registre, idioma, etc. A més, aquest tipus d'aplicacions sovint permeten seguir-los entrenant per a que reconeguin millor la nostra pròpia veu i millorin el seu funcionament.
  • Correu brossa. Com saben els gestors de correu electrònic quins missatges són correu brossa i quins són missatges que ens interessen? Generalment s'han sotmès a una tasca d'aprenentatge automàtic mitjançant el qual es pren una decisió en funció d'algunes poques paraules que conté el correu electrònic. La presència d'alguna d'aquestes paraules classifica el mail com a brossa. A més, nosaltres podem seguir entrenant el gestor de correu i indicar-li si un nou missatge l'ha de considerar com a vàlid o correu brossa.
  • Recomanacions a clients. En alguns casos, els clients no saben quina solució pot resoldre de manera més satisfactòria la seva necessitat. Si es disposa de les valoracions de diversos clients després d'haver adquirit un producte o un servei per a resoldre una necessitat, es pot utilitzar un algoritme d'entrenament automàtic per a que pugui prendre decisions sobre la millor recomanació a un nou client.
  • Visió per computador. El camp de la visió per computador és molt extens i complex. Una de les aplicacions més rellevants és la de reconèixer objectes a partir d'una imatge. És una tasca molt complexa perquè els canvis de llum, d'orientació, moviment, etc. afecten profundament l'eficència dels algoritmes de reconeixement. Això no obstant, l'aprenentatge automàtic s'utilitza per a entrenar els ordinadors per tal que aprenguin a reconèixer objectes a base de mostrar-los moltes imatges d'exemple.


Aplicació 

Aquesta aplicació reprodueix la unitat mínima d'intel·ligència artificial que es pot entrenar per a que aprengui dels exemples que li introduim. És una neurona artificial o perceptró que simula el comportament d'una neurona real del sistema nerviós. La funció d'una neurona és rebre senyals d'altres neurones veïnes, valorar el tipus de senyal i retransmetre'l si s'escau a les següents neurones. La neurona rep les senyals a través de les dendrites i en funció de l'aprenentatge que haurà tingut decidirà retransmetre la senyal o no. La senyal s'envia al llarg de l'axó fins a les dendrites terminals.

L'aplicació té dues etapes. Una primera etapa d'entrenament en què se li ha d'indicar a la neurona els exemples que ha d'utilitzar per aprendre. A la part esquerra de l'aplicació es permet introduir exemples que utilitzin 3 variables diferents (A,B,C) i que s'hagin de classificar en dos grups (blau i vermell). Aquesta informació és la que serveix per a entrenar a la neurona i li permet l'aprenentatge. En la segona etapa, li introduim 3 estímuls (valors de A,B i C) a la neurona per a que pugui predir a quina categoria pertany l'exemple (blau o vermell). En aquesta aplicació s'ha utilitzat un perceptró lineal amb un algoritme de backpropagation per a l'aprenentatge.

En alguns casos, una única neurona no pot dur a terme satisfactòriament la tasca de classificar. A partir d'aquí, es poden combinar diverses neurones per a formar xarxes neuronals per a desenvolupar la intel·ligència artifical necessària per a resoldre problemes complexos. La intel·ligència no és el resultat d'una neurona, sinó del comportament coordinat de moltes d'elles.

Funcionament

  1. Introduir els exemples a la secció "Entrenament". Cada línia és un exemple i no és obligatori introduir tots els 10 exemples. Per a cada exemple cal:
    1. Indicar el valor numèric de la variable A.
    2. Indicar el valor numeric de la variable B.
    3. Indicar el valor numèric de la variable C.
    4. Seleccionar el grup al qual pertany (blau o vermell).
  2. Introduir els valors de les variables A,B i C del nou cas que volem classificar.
  3. Esperar que la neurona classifiqui el nou cas i s'il·lumini amb el color del grup al qual pertany el nou cas.

 

NOTA LEGAL: Aquesta aplicació és un exemple de mostra i s'ofereix sense cap garantia. MINTRADA no es responsabilitza de l'ús inadequat i de les seves conseqüències. Utilitzeu-la sota la vostra responsabilitat. Contacteu amb nosaltres per a un servei garantit.

+Solucions »   Contactar »

 

 

Solucions per a la Mineria de Dades