Aprenentatge automàtic: diferència entre les revisions

Contingut suprimit Contingut afegit
m robot estandarditzant mida de les imatges, localitzant i simplificant codi
mCap resum de modificació
Línia 1:
L''''Aprenentatge automàtic''' és un camp de la [[intel·ligència artificial]] que està dedicat al disseny, l'anàlisi i el desenvolupament d'[[algorismes]] i tècniques que permeten que les màquines evolucionin. Es tracta de crear programes capaços de generalitzar comportaments a partir del [[reconeixement de patrons]] o classificació. L'aprenentatge automàtic està relacionat amb el camp de l'[[estadística]], però també coincideix amb els mètodes de construcció de models, o l'aprenentatge estadístic. També hi ha punts de contacte amb la informàtica teòrica. Això és degut a la [[complexitat computacional]] dels problemes.
 
[[Fitxer:EsquemaAA.jpg|miniatura|Esquema d'aprenentatge automàtic]]
 
Alguns camps on s'ha aplicat aquest tipus d'aprenentatge són les aplicacions dedicades al processament del llenguatge natural, als algorismes de cerca, la diagnosi mèdica, la bioinformàtica, la detecció de fraus i la [[classificació]].
 
Qualsevol sistema que es consideri intel·ligent ha de tenir l'habilitat d’aprendre, és a dir, de millorar automàticament amb l'experiència. Els programes utilitzats són sistemes d'aprenentatge capaços d'adquirir coneixements d'alt nivell i estratègies per la resolució de problemes mitjançant exemples, de forma anàloga a com ho faria la ment humana.
 
[[Fitxer:EsquemaAA.jpg|miniatura|Esquema d'aprenentatge automàtic]]
 
 
== Història ==
Linha 22 ⟶ 21:
 
A partir d’aquí, un nou paradigma va començar a sorgir a la dècada dels seixanta gràcies a treballs de psicòlegs i investigadors de la intel·ligència artificial sobre el modelatge de l’aprenentatge humà. Aquest paradigma, utilitzava estructures lògiques en comptes de numèrics i estadístics. Els sistemes aprenien descripcions simbòliques que representaven millor els coneixements adquirits. En aquesta àrea, cal destacar el treball de Winston sobre l’aprenentatge estructural així com diversos treballs dedicats a programes d’aprenentatge basats en lògica inductiva. El tercer i últim paradigma representa un període més actual, començant doncs, a mitjans dels anys setanta. Les investigacions han estat orientades a l’aprenentatge de conceptes a partir d’exemples, utilitzant una gran varietat de tècniques.
 
 
== Tipus d'algorismes ==
Linha 35 ⟶ 33:
* [[Aprenentatge semi-supervisat|Aprenentatge semisupervisat]] — Aquest algorisme combina els dos tipus d'algorismes anteriors per tal de generar una funció o classificador adequats. S'utilitza una combinació de les dades marcades i de les no marcades com a conjunt d'entrenament.
 
* [[Aprenentatge per reforçamentreforç]] — Un cop realitzada l'acció que pren el sistema s'obté un retorn per part de l'entorn (una gratificació o una penalització segons si l'acció ha estat reeixida o no). És a dir, la informació d'entrada és el resultat que obté de l'exterior com a resposta a les seves accions. s'aprèn mitjançant prova-error i degut això, es requereix un elevat nombre de repeticions.
 
== Resultats ==
Linha 41 ⟶ 39:
A través de l'aprenentatge automàtic es poden generar tres tipus de coneixement. Cada un d'ells dependrà de les característiques que s'estiguin tractant.
 
1.# Creixement
2.# Reestructuració
 
3.# Ajust
2. Reestructuració
 
3. Ajust
 
 
== Aplicacions ==
 
Algunes de les aplicacions són:
 
* [[Motors de cerca]]
* Diagnòstics mèdics
Linha 70 ⟶ 64:
* Mitchell, T. (1997). ''Machine Learning'', McGraw Hill. {{ISBN|0-07-042807-7}}
* Sholom Weiss and Casimir Kulikowski (1991). ''Computer Systems That Learn'', Morgan Kaufmann. {{ISBN|1-55860-065-5}}
 
 
== Vegeu també ==