Revolución IA

La Inteligencia Artificial está llamada a protagonizar la próxima Revolución tecnológica

Inicio Sobre Revolucionia Temas Para saber más Contacto

Aprendizaje no supervisado

Fernando P.    16/10/2017

Temas:  Fundamentos

El aprendizaje no supervisado es la alternativa natural al aprendizaje supervisado que ya hemos visto como un método muy preciso de estimar las aplicaciones asociadas a clasificadores y, en concreto, como método para entrenar perceptrones.

Se trata de una alternativa útil en algunas situaciones pero, por su propia naturaleza, no tiene una implementación tan clara como sucede para el aprendizaje supervisado.

Diferencias entre aprendizaje supervisado y no supervisado
Básicamente, usamos aprendizaje supervisado cuando estamos construyendo un clasificador que tiene un conjunto de clases de salida bien definido y cuando tenemos un conjunto de casos de entrenamiento clasificados manualmente. De alguna forma, con aprendizaje supervisado damos unas pautas muy definidas para que el clasificador se configure siguiéndolas. Es como aprender con un libro de texto.
Aprendizaje no supervisado
El aprendizaje no supervisado es justo lo contrario. No tenemos un conjunto de clases de salida bien definido y no tenemos ejemplos clasificados. Se trata de que el clasificador vaya descubriendo lo que hay en el conjunto de casos de entrada y se vaya configurando sobre la marcha, incluso creando nuevas clases de salida, para poder separar los distintos patrones que detecte en el conjunto de casos de entrada.

El aprendizaje no supervisado vendría a ser como aprender sin una guía, a base de ensayo y error.

Ventajas e inconvenientes del aprendizaje supervisado
El aprendizaje supervisado tiene la ventaja de que es posible dar un algoritmo general para su aplicación, como ya hemos visto. Es decir, se trata de un mecanismo muy bien definido, que no depende apenas del tipo de problema de clasificación al que nos enfrentamos.

Por otro lado, con un proceso de aprendizaje supervisado bien ejecutado podemos tener cierta seguridad sobre lo que puede hacer el clasificador y lo que no puede hacer. Durante el entrenamiento podemos medir el grado de acierto del clasificador y podemos detener el entrenamiento cuando lo consideremos aceptable.

Respecto a las desventajas, tenemos que el proceso de entrenamiento suele ser lento y no es infalible, se depende bastante de la elección de los casos de entrenamiento para que el clasificador sea capaz de generalizar lo suficiente.

Otra desventaja importante reside en que es preciso un trabajo previo de clasificación manual de los casos que se usarán para el entrenamiento, que pueden ser muchos miles en un problema de cierta complejidad.

Ventajas e inconvenientes del aprendizaje no supervisado
Se trata, exactamente, de lo contrario visto para el aprendizaje supervisado, es decir:

¿ Cómo implementamos el aprendizaje no supervisado ?
En general, a diferencia del aprendizaje supervisado, no se puede decir mucho sobre cómo debemos proceder para implementar el aprendizaje no supervisado. No hay un esquema general bien definido para guiar su implementación. En cada problema tendrá una forma distinta y esto puede ser un inconveniente serio.

Lo que sí podemos decir es que vamos a necesitar crear mecanismos que sean capaces de detectar situaciones no deseables y/o deseables para actuar sobre los parámetros del clasificador e ir guiando su aprendizaje.

A modo de ejemplo, podemos imaginarnos el aprendizaje no supervisado como el proceso mediante el cual un bebé se enfrenta por primera vez a un objeto muy caliente. Si lo toca y se quema se desencadenará una respuesta neuronal que le hará aprender que no es buena idea tocar objetos muy calientes.

Un proceso de ensayo y error puede guiar el aprendizaje no supervisado de un clasificador si dispone de mecanismos para identificar situaciones deseables (acierto en la clasificación) o no deseables (error en la clasificación).

Una vez detectada la necesidad de modificación de los parámetros del clasificador, se puede recurrir a una idea del tipo de la Regla de aprendizaje de Hebb ya vista aquí para realizar la modificación.

La necesidad de mecanismos que permitan identificar distintas situaciones implica formulaciones bastante complejas para la aplicación que define el clasificador. Por ejemplo, un Perceptrón es tan sencillo que no hay margen para entrenarlo mediante aprendizaje no supervisado. Existen redes neuronales artificiales que pueden ser entrenadas usando aprendizaje no supervisado, pero tienen estructuras complejas que ya iremos viendo en futuros artículos.



El aprendizaje no supervisado ofrece la posibilidad de crear clasificadores muy flexibles, que pueden adaptarse bien a cambios en los casos de entrada. Pero su implementación es difícil y está supeditada a la estructura de cada problema concreto.



Para saber más:

Página de la Wikipedia sobre aprendizaje supervisado. Se trata de un tema complejo, que depende de cada problema al que se aplica y en esta página hay algunos enfoques distintos a los vistos aquí.



 

Inicio Powered by NetBSD
 
HTML5
 
En general, todo el contenido de este sitio web es original, salvo referencias o enlaces a otros sitios web y citas o reproducciones expresamente presentadas como tales.

No está permitida la reproducción ni la copia del contenido de este sitio web sin el permiso expreso de la propiedad del mismo.

Este sitio web no utiliza cookies ni ningún otro mecanismo para almacenar información en los navegadores de los visitantes ni para realizar seguimiento de los mismos.

2017,2018 Revolucionia.net
Sobre Revolucionia
Temas
Para saber más
Contacto