Inteligencia Artificial

 
 

 

 
          

La Inteligencia Artificial como rama de las Ciencias de la Computación y la Ingeniería, no sólo se centra en la solución de problemas basados en la eficiencia predictiva de situaciones relacionadas con la detección, reconocimiento y clasificación de patrones, sino también en otras como el control y planeación de rutas para navegación de robótica móvil, reconocimiento de escritura o de voz.

Si bien, uno de los objetivos que persigue la Inteligencia Artificial es la creación de entidades autónomas capaces de tomar decisiones basadas en el procesamiento de grandes cantidades de datos, también es cierto que no toda la información es igualmente significativa, es decir, existe información redundante o irrelevante que dificulta el procesamiento de la misma.  

Un problema siempre presente al cual se enfrentan los científicos de la Inteligencia Artificial es la búsqueda de reglas o mecanismos (algoritmos de inducción) que permitan discriminar aquellos rasgos que lejos de mejorar la precisión predictiva, elevan los costos computacionales (complejidad).

En el aprendizaje supervisado, el algoritmo de inducción generalmente tiene que ser capaz de asignar correctamente una etiqueta o identificador (clase) sobre un conjunto de datos (rasgos) contenidos en un determinado vector (instancia).

Desde esta perspectiva, se puede pensar que el mayor problema que enfrenta el algoritmo de inducción en situaciones relacionadas con la clasificación de patrones, consiste en pasar de un espacio de rasgos a un espacio de clases; sin embargo, el verdadero problema radica en saber el número necesario de instancias y las dimensiones de éstas que permitan incrementar la precisión predictiva sobre instancias no conocidas.

Existen dos principales enfoques para la reducción dimensional de los datos: extracción de rasgos (Feature Extraction) y selección de rasgos (Feature Selection); mientras que el primero de estos busca pasar de un espacio multidimensional de rasgos a uno menor realizando transformaciones sobre los mismos, el segundo busca la obtención de un subconjunto de rasgos que no sólo reduce dimensionalmente el problema, sino que además, mejora la precisión en la toma de decisiones; de ahí que esta técnica también sea considerada como una alternativa combinatoria de optimización.

Se recomienda al amable lector que continúe en cualquiera de las siguientes secciones:
Feature Selection o Clasificadores de Patrones: Asociativos y k-NN.

          
 

 

 

[INICIO] [INVESTIGACIÓN] [TRABAJOS] [CONTACTO] [VÍNCULOS] [MAPA DE SITIO]

 

webmaster@aldape.org.mx