2.10.8 IS/Aprendizaje de Máquina.

Tópicos

• Definición y ejemplos de aprendizaje de máquina.
• Aprendizaje inductivo, aprendizaje basado en estadística, aprendizaje por refuerzo.
• Aprendizaje supervisado.
• Árboles de aprendizaje por decisión.
• Aprendizaje por redes neuronales .
• Redes de aprendizaje por creencia.
• Algoritmo del vecino más cercano.
• Teoría de aprendizaje.
• El problema del sobreajuste.
• Aprendizaje no supervisado.
• Aprendizaje por refuerzo.

Objetivos

• Explicar las diferencias entre tres principales estilos de aprendizaje: supervisado, no supervisado y por refuerzo.
• Implementar algoritmos simples para aprendizaje supervisado, aprendizaje por refuerzo y aprendizaje no supervisado.
• Determinar cuales de los tres estilos de aprendizaje es apropiado para un dominio de problema en particular.
• Comparar y contrastar cada una de las siguientes técnicas, proveer ejemplos de cuando cada estrategia es superior: árboles de decisión, redes neuronales y redes de creencia..
• Implementar de manera apropiada un sistema de aprendizaje simple, usando árboles de decisión, redes neuronales y/o redes de creencia.
• Caracterizar el estado del arte en teoría del aprendizaje, incluyendo logros y defectos.
• Explicar el algoritmo del vecino más cercano y su lugar dentro de la teoría del aprendizaje..
• Explicar el problema de sobreajuste, a través de técnicas para detectar y manejar el problema.