Seminario de Inteligencia Artificial: Aprendizaje Computacional

Antonio Neme, Héctor Zenil

Diversas herramientas de aprendizaje computacional serán analizadas, tales como árboles de identificación, perceptrones multicapa y máquinas de soporte vectorial. De igual forma, se analizará el concepto de “aprendizaje de máquina”. Preguntas como ¿Qué tareas de aprendizaje pueden ser llevadas a cabo por computadoras? ¿Qué es capaz de aprender una computadora? serán analizadas.

1.Conceptos generales del aprendizaje computacional

a. Aprendizajes supervisado y no supervisado

b. Ciclo algedónico

c. Aprendizaje por evolución

d. Aprendizaje por recompensa

e. Aprendizaje por pequeñas diferencias

f. Otros métodos de aprendizaje

2.Árboles de identificación.

a. Peso informativo y entropía

b. ID3 y C4.5

c. Extracción de reglas

3. Perceptrones multicapa

a. Dimensión de Vapnik-Chervonenkis

b. Separabilidad por medio de perceptrones multicapa

c. Teorema de Kolmogorov

4. Máquinas de soporte vectorial.

a. Revisión de la dimensión VC

b. Fundamentos y características de las máquinas de soporte vectorial

d. Separabilidad por medio de hiperplanos

5. Algoritmos evolutivos

a. Algoritmos genéticos

b. Programación genética

c. Estrategias evolutivas

6.Inteligencia de enjambre

a. Colonias de hormiga

Bibliografía

S. Haykin. Neural Networks, a comprehensive foundation. Prentice Hall. 2001.

A. Engel y C. Van der Broeck. Statistical Mechanics of Learning. Cambridge University Press. 2001

Vapnik, V. The nature of statistical learning theory. Springer. 2000

Rojas, R. Neural networks: a systematic introduction. Springer. 1996

E. Bonabeau, M. Dorigo y G. Theraulaz. Swarm Intelligence: from natural to artificial intelligence. Oxford University Press. 1999.

D. Fogel. Blondie24, Playing at the edge of Artificial Intelligence. Academic Press. 2002.

J. Koza. Genetic Programming IV. Kluwer Academic Publishers. 2003.