Esta revista es de gran ayuda en cuanto a los avances y logros que tiene la IA…

Para mayor información leer el artículo completo en: http://www.tendencias21.net/Un-software-permite-identificar-la-edad-de-una-persona_a2613.html?PHPSESSID=a2ec8805a453c2ccfa18c22051990736

El análisis de clusters es una colección de métodos estadísticos que permiten agrupar casos sobre los cuales se miden diferentes variables o características.

Los clusters deben ser hallados in información previa y serán sugeridos únicamente por la propia esencia de los datos.

Existen dos métodos de bloques de clustering: los jerárquicos y los no jerárquicos o particionales.

• Métodos Jerárquicos: La pertenencia a un grupo o cluster en un nivel de la jerarquía condiciona la pertenencia a grupos de un nivel superior

• Métodos Particionales: obtienen una única partición de los datos mediante la optimización de alguna función adecuada. También conocidos como métodos de optimización.

DISTANCIAS Y SIMILARIDADES

Definen proximidad, no Covariación, y su elección (tipos) viene determinada por la escala de medida de las variables: binaria u ordinal o de intervalo/razón.

• Medidas de distancia para escalas ordinales, de intervalo o razón; amplia variedad
• Medidas de similitud para variables nominales binarias: reciben el nombre de medidas de asociación

Es necesario medir las similitudes o distancias que hay entre los casos.

Para esto debe cumplir las siguientes propiedades:

1. Las distancias deben ser no negativas.
2. Cada caso no puede distar de sí mismo
3. Se establece la simetría.

En general, cuanto mayor sean la distancia, más diferente entre sí serán los casos.

Si además de las tres propiedades cumple la desigualdad triangular, se dice que la distancia es métrica y que forma un espacio métrico.

El concepto dual ala distancia es la similaridad. Se dice que en algunos casos es más práctico calcular similaridades que distancias.

Propiedades de la Similaridad

1. La similaridad debe ser no negativa y establece una escala.
2. Cada caso se parece a sí mismo más que a cualquier otro caso.
3. Establece la simetría.

DISTANCIAS PARA VARIABLES CONTINUA

• EUCLÍDEA (para “t” variables)

• Distancia de Mahalanobis

  

Ventajas

1. Se consigue mitigar el problema de las unidades en la medida en que cada variable entra en el cálculo de distancia corregida por su variabilidad (función del tamaño)
2. Se elimina la información redundante. La más correcta en caso de elevada multi – colinealidad.

• Distancia de Manhatan

ETAPAS DE UN CLUSTER

1. selección de la muestra de datos
2. selección y transformación de variables a utilizar
3. selección de concepto de distancia o similitud y medición de las mismas
4. selección y aplicación del criterio de agrupación
5. determinación de la estructura correcta.

BIBLIOGRAFÍA

• PEARSON. Aprendizaje Automático: conceptos básicos y avanzados.
• http://www.uam.es/personal_pdi/economicas/rmc/documentos/cluster.PDF

Ver resumen completo:METRICAS DEL PRODUCTO PARA EL SOFTWARE

Este es el tipo de conocimiento que permanece en un nivel “inconsciente”, se encuentra desarticulado y lo implementamos y ejecutamos de una manera mecánica sin darnos cuenta de su contenido.

Es muy difícil de explicar.

CONOCIMIENTO EXPLICITO: El conocimiento explicito es el que sabemos que tenemos y somos plenamente concientes cuando lo ejecutamos, es el más fácil de compartir con los demás ya que se encuentra estructurado y muchas veces esquematizado para facilitar su difusión. Por última vez vayamos a las preguntas que clarificaran este concepto:

- ¿Cuál es su numero telefónico?

- ¿En que dirección vive actualmente?

En nuestro medio de estudio y trabajo aplicamos ambos tipos de conocimiento, ya que adquirimos un conocimiento explícito en nuestra vida profesional que nos permite desenvolvernos en nuestro campo profesional, gracias a las habilidades adquiridas a lo largo de nuestra vida es que adquirimos habilidades que nos permitan desarrollarnos de manera más efectiva en lo que nos propongamos.

GESTIÓN DEL CONOCIMIENTO

María Esther Ruilova Rojas

CONOCIMIENTO

El conocimiento es aquél conjunto de datos sobre hechos, experiencias y verdades almacenadas en una persona, que al ser transmitidos se retroalimentan constantemente por medio de la información.

Características del Conocimiento

• “El conocimiento tiene un sentido de propósito, porque el conocimiento es la “máquina intelectual” usado para alcanzar una meta”
• Es personal
• Tiene capacidad generativa.

Tipos de conocimiento

Según Foray y Lundvall han formulado una distinción entre 4 clases de conocimiento diferentes:

Saber qué: Conocimiento acerca de hechos. Lo que normalmente llamamos información.

Saber por qué: Conocimiento científico de los principios y leyes de movimiento en la naturaleza, en la mente humana y en la sociedad.

Saber cómo: Habilidad o capacidad de hacer algo.

Saber quién: Mezcla de diferentes clases de habilidades, incluidas las llamadas habilidades sociales, que permiten tener acceso al experto y usar su conocimiento eficientemente.

Pero existen otros tipos de conocimiento mostrados a continuación:

El conocimiento a priori es independiente de cualquier experiencia, verdad universal y necesaria.

El conocimiento a posteriori deriva de la experiencia de los sentidos. Puede rechazarse sin necesidad de una contradicción.

El conocimiento puede ser codificado si se puede almacenar o especificar formalmente de tal manera que no se pierda ninguna información. Por contraposición el conocimiento no codificado es aquél que no puede ser codificado ya que es difícil de expresar o explicitar.

El conocimiento puede ser público si es fácil de compartir, y consiste en un conocimiento creado/difundido por la sociedad. En cambio, si es personal ha sido construido por el propio individuo; es la base del conocimiento público.

El conocimiento puede ser orientado si hace referencia a las relaciones causales entre conceptos, y será axiomático cuando se refiera a explicaciones de causas finales o a priori de sucesos.

El conocimiento es explícito si puede ser transmitido de un individuo a otro mediante algún medio de comunicación formal. Si el conocimiento es difícil de comunicar o de formalizar, hablamos de conocimiento tácito o implícito.

El conocimiento es empírico si ha sido asumido colectivamente a través de ciertos resultados a los que no se ha llegado aplicando ningún método formal. Si por el contrario se ha seguido una metodología estamos ante conocimiento científico.

Referencias Bibliográficas

http://sigc.wikidot.com/system:acerca-del-conocimiento

http://www.efdeportes.com/efd10/torres10.htm

http://cerebrodarwin.blogspot.com/2007/06/los-tres-tipos-de-conocimiento.html

Un mapa de conceptual con las ideas principales tomadas del paper del Dr. Dobbs.

Su principal objetivo es identificar cuál nodo va en la raíz.

• Entran dentro de los métodos de clasificación supervisada.
• Su construcción  se realiza mediante un proceso de inducción.

Todo árbol de clasificación comienza con un nodo al que pertenecen todos los casos de la muestra a clasificar (nodo raíz), el resto de nodos se dividen en nodos intermedios o no terminales y nodos hojas o nodos terminales.

• Al número de nodos hoja que tiene un árbol se le denomina complejidad de árbol.
• Para su construcción se  debe definir tres procedimientos:
  • ¿Cómo se realiza la selección de las divisiones?
  • ¿Cómo se toma la decisión de declarar un nodo como intermedio u hoja?
  • ¿Cómo se asigna la pertenencia de cada nodo hoja a las posibles clases?

Algoritmos más conocidos

La familia de algoritmos TDIDT abarca desde algoritmos ya clásicos de IA como CLS

[Concept Learning System], ID3, C4.5 o CART [Classificaction and Regression Trees]  hasta algoritmos optimizados como SLIQ o SPRINT, dos algoritmos desarrollados en el IBM Almaden Research Center que se usan en Data Mining.

Los algoritmos TDIDT suelen presuponer que no existe ruido en los datos de entrada e intentan alcanzar una descripción perfecta de los mismos. Esto suele ser contraproducente en problemas reales, donde se necesitan métodos capaces de manejar información con ruido y mecanismos que eviten el sobreaprendizaje [overfitting]. Sin embargo, las técnicas de poda (como las empleadas en ASSISTANT o C4.5) han demostrado ser muy útiles en este sentido. Una vez construido el árbol de decisión completo que se adapta perfectamente a los datos del conjunto de entrenamiento, se podan aquellas ramas del árbol con menor capacidad predictiva.

REGLAS DE DECISIÓN

Características de los árboles de decisión

• Estructura para clasificación de vectores de atributos.
• Establece en qué orden testar los atributos para conseguir la clasificación del vector de entrada.
• Para componer dicho orden se eligen primero aquellos atributos que mejor ganancia de información prometen a efectos de descubrir la clase del vector de entrada.
• Es interesante aprenderlos a partir de un conjunto de vectores

En sí, las reglas de decisión consisten en:

1. Escoger la regla
2. Eliminar datos para el siguiente análisis.

La sintaxis de la regla corresponde a una condición, simple o compleja, que se ha de cumplir para que la regla se dispare y consecuentemente, se seleccione al concepto al que representa.

Las condiciones se encuentran en dos formas:

• Conjunción de selectores
• Conjunción de literales  correspondientes a predicados de primer orden

ANÁLISIS

Para inferir el árbol, el algoritmo realiza particiones binarias sucesivas en el espacio de las variables explicativas, de forma que en cada partición se escoge la variable que aporta más información en función de una medida de entropía o cantidad de información.

Las reglas de decisión se construyen en base a condiciones que se generan a través de hipótesis; definen las características que más diferencian a las distintas clases establecidas inicialmente.

Fuentes bibliográficas

http://supervisadaextraccionrecuperacioninformacion.iespana.es/arboles.html

http://elvex.ugr.es/etexts/spanish/proyecto/cap5.pdf