jueves, 30 de noviembre de 2017
Vídeo Nº 176: IA Probabilidad - Árboles de Decisión ID3 01
Vídeo introductorio a los árboles de decisión, en el que se mostrará con ejemplos qué son y en qué se basan. Son una técnica muy utilizada hoy día para toma de decisiones, y sun un enfoque mixto de lógica y probabilidad, ya que se usa estadística y teoría de información para construir estos árboles que luego son fácilmente trasladables a reglas lógicas simbólicas.
miércoles, 29 de noviembre de 2017
Vídeo Nº 175: IA Probabilidad - Naïve Bayes 03
Tercer vídeo de Naïve Bayes donde se muestra una introducción a la clasificación de correos como SPAM o legítimos. Para ello, se dividirá el mensaje en palabras (diccionario, saco de palabras) y se analizará la probabilidad de que un correo sea SPAM si aparecer cierta palabra en su mensaje. Para calcular las probabilidades se usará la frecuencia relativa. Se analizarán los problemas que pueden surgir (probabilidades cero o muy muy pequeñas) y cómo solucionarlos (uso de logaritmos o suavizado de Laplace). Por útlimo, se enumerarán las características que también pueden influir en la clasificación de correos.
martes, 28 de noviembre de 2017
Vídeo Nº 174: IA Probabilidad - Naïve Bayes 02
Segundo vídeo sobre aprendizaje supervisado en redes bayesianas realizando clasificación con Naïve Bayes, la red bayesiana más simple que es capaz de aprender. En este vídeo se verán algunos problemas y cómo mejorar Naïve Bayes para superarlos (sobre todo con respecto a manejo de probabilidades muy bajas o cero).
lunes, 27 de noviembre de 2017
Vídeo Nº 173: IA Probabilidad - Naïve Bayes 01
Primer vídeo sobre aprendizaje supervisado con redes bayesianas, en concreto, el algoritmo Naïve Bayes, cuyo objetivo es realizar clasificación mediante la red bayesiana más simple posible. Para ello, se requerirá la independencia condicional total da todas las variables. Se explica cómo es su estructura, cómo funciona (tanto para variables discretas como contínuas) y se mostrará el pseudocódigo para realizar el aprendizaje.
viernes, 12 de mayo de 2017
Vídeo Nº 172: IA Grafos - Aprendizaje por Refuerzo 04 (Activo Aproximado)
Último vídeo de aprendizaje por refuerzo en el que mejorará lo visto en el vídeo anterior sobre Q-Learning, permitiendo usarlo cuando hay muchos estados y acciones y acelerando además el proceso de aprendizaje. Para ello, en vez de basarse en estados y acciones nos basaremos en propiedades o características inveriantes, definidas mediante funciones de evaluación que se usarán, mediante una suma ponderada, para actualizar los q-valores.
viernes, 5 de mayo de 2017
Vídeo Nº 171: IA Grafos - Aprendizaje por Refuerzo 03 (Activo, Q-Learning)
Q-Learning es el algoritmo de aprendizaje por refuerzo activo más conocido. Está basado en los Procesos de Decisión de Markov (MDP), siendo una ampliación de estos en el que se agrega una tasa de aprendizaje decreciente y una función de exploración. Se basa en el muestreo de recompensas para obtener los q-valores, no teniendo así que calcular el modelo de transición.
domingo, 30 de abril de 2017
Vídeo Nº 170: IA Grafos - Aprendizaje por Refuerzo 02 (Pasivo)
Explicación del aprendizaje por refuerzo pasivo, donde la política está fijada y no se podrá cambiar. Se aprenden los valores de los estados mediante observaciones. Se explicarán 2 técnicas: la evaluación directa y la diferencia temporal. Una ampliación de esta última es la que dará lugar al algoritmo Q-Learning que veremos en el próximo vídeo.
viernes, 21 de abril de 2017
Vídeo Nº 169: IA Grafos - Aprendizaje por Refuerzo 01
Introducción al aprendizaje por refuerzo, que son una ampliación de los Procesos de Decisión de Markov, en los cuales no se conocen ni el modelo de transición ni las recompensas. Adquieren ese conocimiento mediante la exploración de su entorno y las acciones sobre el mismo. Se listan los diferentes tipo de agentes que existen según cómo se implemente dicho aprendizaje por refuerzo y se hace una breve introducción a los mismos.
viernes, 14 de abril de 2017
Vídeo Nº 168: IA Aprendizaje - Entrenamiento y Validación Cruzada
Bases de cómo diseñar un agente inteligente, cómo entrenarlo y cómo evaluar y mejorar su rendimiento con la validación cruzada. Se tratarán los sesgos, los sobreajustes mediante el uso de gráficos llamados curvas de aprendizaje, los cuales son una herramienta indispensable para el análisis en el aprendizaje automático o machine learning.
viernes, 7 de abril de 2017
Vídeo Nº 167: IA Aprendizaje - Introducción 02
Varios conceptos básicos que se deben conocer para poder entender mejor los algoritmos de aprendizaje automático (machine learning). También se vará una lista de algoritmos básicos que se van a ver de cada enfoque, los tipos de aprendizaje que existen segun los tipos de ejemplos que se se usan en dichos algoritmos.
Suscribirse a:
Entradas (Atom)