Reconocimiento de patrones

Aprendizaje Automtico

PDF generado usando el kit de herramientas de fuente abierta mwlib. Ver http://code.pediapress.com/ para mayor informacin. PDF generated at: Fri, 21 Oct 2011 11:58:03 UTC

Contenidos
Artculos
Reconocimiento de patrones Aprendizaje automtico 1 7

Referencias
Fuentes y contribuyentes del artculo Fuentes de imagen, Licencias y contribuyentes 10 11

Licencias de artculos
Licencia 12

Reconocimiento de patrones

Reconocimiento de patrones
El reconocimiento de patrones es la ciencia que se ocupa de los procesos sobre ingeniera, computacin y matemticas relacionados con objetos fsicos o abstractos, con el propsito de extraer informacin que permita establecer propiedades de entre conjuntos de dichos objetos.

Introduccin
Al Reconocimiento de patrones llamado tambin lectura de patrones, identificacin de figuras y reconocimiento de formas[1] consiste en el reconocimiento de patrones de seales. Los patrones se obtienen a partir de los procesos de segmentacin, extraccin de caractersticas y descripcin dnde cada objeto queda representado por una coleccin de descriptores. El sistema de reconocimiento debe asignar a cada objeto su categora o clase (conjunto de entidades que comparten alguna caracterstica que las diferencia del resto). Para poder reconocer los patrones se siguen los siguientes procesos: 1. adquisicin de datos 2. extraccin de caractersticas 3. toma de decisiones El punto esencial del reconocimiento de patrones es la clasificacin: se quiere clasificar una seal dependiendo de sus caractersticas. Seales, caractersticas y clases pueden ser de cualquiera forma, por ejemplo se puede clasificar imgenes digitales de letras en las clases A a Z dependiendo de sus pxeles o se puede clasificar ruidos de cantos de los pjaros en clases de rdenes aviares dependiendo de las frecuencias.

Sistema bsico de reconocimiento

Un sistema completo de reconocimiento de patrones incluye un sensor que recoja fielmente los elementos del universo a ser clasificado, un mecanismo de extraccin de caractersticas cuyo propsito es extraer la informacin til, eliminando la informacin redundante e irrelevante, y finalmente una etapa de toma de decisiones en la cual se asigna a la categora apropiada los patrones de clase desconocida a priori.

Sensor
El sensor es el dispositivo encargado de la adquisicin de datos. Ha de ser capaz de transformar magnitudes fsicas o qumicas, llamadas variables de instrumentacin, en magnitudes elctricas. Las variables de instrumentacin dependen del tipo de sensor y pueden ser por ejemplo: temperatura, intensidad lumnica, distancia, aceleracin, inclinacin, desplazamiento, presin, fuerza, torsin, humedad, etc.

Reconocimiento de patrones

Extraccin de caractersticas
Es el proceso de generar caractersticas que puedan ser usadas en el proceso de clasificacin de los datos. En ocasiones viene precedido por un preprocesado de la seal, necesario para corregir posibles deficiencias en los datos debido a errores del sensor, o bien para preparar los datos de cara a posteriores procesos en las etapas de extraccin de caractersticas o clasificacin. Las caractersticas elementales estn explcitamente presentes en los datos adquiridos y pueden ser pasados directamente a la etapa de clasificacin. Las caractersticas de alto orden son derivadas de las elementales y son generadas por manipulaciones o transformaciones en los datos.

Seleccin de variables
Consiste en seleccionar cul es el tipo de caractersticas o rasgos ms adecuados para describir los objetos. Para ello, se deben localizar los rasgos que inciden en el problema de manera determinante. Esta etapa tambin puede ser diseada dentro de la clasificacin. La seleccin de variables puede diferenciarse segn los objetivos buscados: Para la clasificacin: la seleccin de caractersticas relevantes, a partir del conjunto total de caractersticas que describen a los objetos, se hace con dos motivos fundamentales: mejorar la clasificacin o aumentar la velocidad de procesamiento. Para la representacin: decidir qu caractersticas representan mejor a cierto tipo de objetos. Estrategias de seleccin de variables: wrapper: la seleccin de caractersticas se hace usando informacin del mecanismo de clasificacin. filter: la seleccin se hace con un criterio independiente del clasificador. Incluye algunos mtodos como: Tablas de decisin: le busca un subconjunto mnimo de variables que no introduzca confusin entre clases. ID3: le crea un rbol de decisin y se selecciona un conjunto de variables que permita discriminar entre clases. Teora de testores: le buscan todos los subconjuntos de variables discriminantes minimales, con estos se evala la relevancia de cada variable y se seleccionan aquellas con mayor relevancia.

Reconocimiento de patrones

Clasificacin
La clasificacin trata de asignar las diferentes partes del vector de caractersticas a grupos o clases, basndose en las caractersticas extradas. En esta etapa se usa lo que se conoce como aprendizaje automtico, cuyo objetivo es desarrollar tcnicas que permitan a las computadoras aprender. Utiliza habitualmente uno de los siguientes procedimientos: Geomtrico (Clustering): Los patrones deben ser graficables. En ste enfoque se emplea el clculo de distancias, geometra de formas, vectores numricos, puntos de atraccin, etc. Estadstico: Se basa en la teora de la probabilidad y la estadstica, utiliza anlisis de varianzas, covarianzas, dispersin, distribucin, etc. Supone que se tiene un conjunto de medidas numricas con distribuciones de probabilidad conocidas y a partir de ellas se hace el reconocimiento. Sintcticoestructural: se basa en encontrar las relaciones estructurales que guardan los objetos de estudio, utilizando la teora de lenguajes formales, teora de autmatas, etc. El objetivo es construir una gramtica que describa la estructura del universo de objetos. Neuroreticular: se utilizan redes neuronales que se entrenan para dar una cierta respuesta ante determinados valores. Lgicocombinatorio: se basa en la idea de que el modelado del problema debe ser lo ms cercano posible a la realidad del mismo, sin hacer suposiciones que no estn fundamentadas. Se utiliza para conjuntos difusos y utiliza lgica simblica, circuitos combinacionales y secuenciales, etc. Segn tengamos constancia o no de un conjunto previo que permita al sistema aprender, la clasificacin pueder ser supervisada, parcialemente supervisada o no supervisada. a) Clasificacin supervisada: tambin es conocida como clasificacin con aprendizaje. Se basa en la disponibilidad de reas de entrenamiento. Se trata de reas de las que se conoce a priori la clase a la que pertenecen y que servirn para generar una signatura espectral caracterstica de cada una de las clases. Se denominan clases informacionales en contraposicin a las clases espectrales que genera la clasificacin no supervisada. Algunos mtodos de la clasificacin supervisada: Funciones discriminantes: si son dos clases, se busca obtener una funcin g tal que para un nuevo objeto O, si g(O) 0 se asigna a la clase 1 y en otro caso a la 2. Si son mltiples clases se busca un conjunto de funciones gi y el nuevo objeto se ubica en la clase donde la funcin tome el mayor valor.

Reconocimiento de patrones Vecino ms cercano: un nuevo objeto se ubica en la clase donde est el objeto de la muestra original que ms se le parece. Redes neuronales artificiales: denominadas habitualmente RNA o en sus siglas en ingls ANN. Se supone que imitan a las redes neuronales reales en el desarrollo de tareas de aprendizaje.

b) Clasificacin parcialmente supervisada: tambin conocida como de aprendizaje parcial. En stos problemas existe una muestra de objetos slo en algunas de las clases definidas. c) Clasificacin no supervisada: tambin conocida como clasificacin sin aprendizaje. Se utilizan algoritmos de clasificacin automtica multivariante en los que los individuos ms prximos se van agrupando formando clases. Restringida: el nmero de clases en la que se estructurar la muestra est previamente definido. Libre: el nmero de clases en la que se estructurar la muestra depende exclusivamente de los datos. Algunos mtodos de la clasificacin no supervisada: Simple Link y Complete Link: parten de grupos unitarios de objetos y van uniendo los grupos ms parecidos en cada etapa, hasta cumplir alguna condicin. ISODATA: se van formando grupos que se ajustan iterativamente usando teora de probabilidades. En alguna versiones se puede hacer la unin o divisin de algn grupo. C-means: se define un grupo de semillas, se asocia cada objeto al grupo de la semilla ms parecida, se toman los centroides de cada grupo como nuevas semillas y se itera hasta que se estabilice. Criterios lgico-combinatorios: los criterios que se imponen a los grupos son tales como ser conexos, completos maximales, compactos, etc.

Reconocimiento de patrones

El reconocimiento de patrones es ms complejo cuando se usan plantillas para generara variantes. Por ejemplo, en castellano, las frases a menudo siguen el patrn "sujeto-predicado", pero se requiere cierto conocimiento de la lengua para detectar el patrn. El reconocimiento de patrones se estudia en muchos campos, incluyendo psicologa, etologa, informtica y procesamiento digital de seales.

Aplicaciones
Los sistemas de reconocimiento de patrones tienen diversas aplicaciones. Algunas de las ms relevantes y utilizadas actualmente son: Previsin meteorolgica: poder clasificas todos los datos meteorolgicos segn diversos patrones, con el conocimiento a pariori que tenemos de las diferentes situaciones que pueden aperecer nos permite crear mapas de prediccin automtica. Reconocimiento de caracteres escritos a mano o a mquina: es una de las utilidades ms populares de los sistemas de reconocimiento de patrones ya que los smbolos de escritura son fcilmente identificables. Reconocimiento de voz: el anlisis de la seal de voz se utiliza actualmente en muchas aplicaciones, un ejemplo claro son los teleoperadores informticos. Aplicaciones en medicina: anlisis de biorritmos, deteccin de irregularidades en imgenes de rayos-x, deteccin de clulas infectadas, marcas en la piel... Reconocimiento de huellas dactilares: utilizado y conocido por la gran mayora, mediante las huellas dactilares todos somos identificables y con programas que detectan y clasifican las coincidencias, resulta sencillo encontrar correspondencias. Reconocimiento de caras: utilizado para contar asistentes en una manifestacin o simplemente para detectar una sonrisa, ya hay diferentes cmaras en el mercado con esta opcin disponible. Interpretacin de fotografas areas y de satlite: gran utilidad para propuestas militares o civiles, como la agricultura, geologa, geografa, planificacin urbana... Prediccin de magnitudes mximas de terremotos. Reconocimiento de objetos: con importantes aplicaciones para personas con discapacidad visual. Reconocimiento de msica: identificar el tipo de msica o la cancin concreta que suena.

Reconocimiento de patrones

Notas y referencias
[1] Ernesto A. Meyer: Glosario de trminos tcnicos, Entrada P, pattern recognition. (http:/ / es. tldp. org/ Otros/ diccionario-us-es/ diccionario-us-es-0. 1. 6/ P. html#P) Grupo de Informtica Aplicada al Ingls Tcnico, la Argentina, 1995, bajo la licencia de documentacin libre GNU

Bibliografa
Richard O. Duda, Peter E. Hart, David G. Stork (2001) Pattern classification (2 edicin), Wiley, New York, ISBN 0-471-05669-3. Dietrich Paulus and Joachim Hornegger (1998) Applied Pattern Recognition (2 edicin), Vieweg. ISBN 3-528-15558-2 J. Schuermann: Pattern Classification: A Unified View of Statistical and Neural Approaches, Wiley&Sons, 1996, ISBN 0-471-13534-8 Sholom Weiss and Casimir Kulikowski (1991) Computer Systems That Learn, Morgan Kaufmann. ISBN 1-55860-065-5

Enlaces externos
Lista de webs sobre reconocimiento de patrones (http://cgm.cs.mcgill.ca/~godfried/teaching/pr-web.html) Journal of Pattern Recognition Research (http://www.jprr.org/) Recuperacin y Extraccin de la informacin no supervisada (http://extraccionyrecuperacion.googlepages.com/ index.html) Extraccin de Informacin con Clasificacin Supervisada (http://recuperacion-organizacion-informacion. atspace.com/extraccion_informacion_clasificacion_supervisada/index.html) Librera virtual de artculos sobre reconocimiento de patrones (http://www.aaai.org/AITopics/pmwiki/ pmwiki.php/AITopics/PatternRecognition) Notas del seminario de Reconocimiento de Patrones de Grupo de Tratamiento de Imgenes del Instituto de Ingeniera Elctrica. Univ. de Surrey (http://iie.fing.edu.uy/ense/asign/recpat/material/ sistemas_rec_patrones.pdf) The Neural Approach to Pattern Recognition (http://www.acm.org/ubiquity/views/v5i7_jesan.html) Laboratorio de cmputo de la Universidad La Salle de Mxico (http://zeus.lci.ulsa.mx/divulgacion/Material/ pdf/Reconocimiento de Patrones.pdf) Ejemplo de algoritmo capaz de reconocer patrones (OCR bsico) escrito en Java y de licencia GPL (http:// algoritmoevolutivo.blogspot.com/2011/10/computacion-evolutiva-ejemplo-vi.html)

Aprendizaje automtico

Aprendizaje automtico
El Aprendizaje Automtico o Aprendizaje de Mquinas es una rama de la Inteligencia Artificial cuyo objetivo es desarrollar tcnicas que permitan a las computadoras aprender. De forma ms concreta, se trata de crear programas capaces de generalizar comportamientos a partir de una informacin no estructurada suministrada en forma de ejemplos. Es, por lo tanto, un proceso de induccin del conocimiento. En muchas ocasiones el campo de actuacin del Aprendizaje Automtico se solapa con el de la Estadstica, ya que las dos disciplinas se basan en el anlisis de datos. Sin embargo, el Aprendizaje Automtico se centra ms en el estudio de la Complejidad Computacional de los problemas. Muchos problemas son de clase NP-hard, por lo que gran parte de la investigacin realizada en Aprendizaje Automtico est enfocada al diseo de soluciones factibles a esos problemas. El Aprendizaje Automtico puede ser visto como un intento de automatizar algunas partes del Mtodo Cientfico mediante mtodos matemticos. El Aprendizaje Automtico tiene una amplia gama de aplicaciones, incluyendo motores de bsqueda, diagnsticos mdicos, deteccin de fraude en el uso de tarjetas de crdito, anlisis del mercado de valores, clasificacin de secuencias de ADN, reconocimiento del habla y del lenguaje escrito, juegos y robtica.

Interaccin hombre-mquina
Algunos sistemas de Aprendizaje Automtico intentan eliminar toda necesidad de intuicin o conocimiento experto de los procesos de anlisis de datos, mientras otros tratan de establecer un marco de colaboracin entre el experto y la computadora. De todas formas, la intuicin humana no puede ser reemplazada en su totalidad, ya que el diseador del sistema ha de especificar la forma de representacin de los datos y los mtodos de manipulacin y caracterizacin de los mismos.

Tipos de algoritmos
Los diferentes algoritmos de Aprendizaje Automtico se agrupan en una taxonoma en funcin de la salida de los mismos. Algunos tipos de algoritmos son: Aprendizaje supervisado El algoritmo produce una funcin que establece una correspondencia entre las entradas y las salidas deseadas del sistema. Un ejemplo de este tipo de algoritmo es el problema de clasificacin, donde el sistema de aprendizaje trata de etiquetar (clasificar) una serie de vectores utilizando una entre varias categoras (clases). La base de conocimiento del sistema est formada por ejemplos de etiquetados anteriores. Aprendizaje no supervisado Todo el proceso de modelado se lleva a cabo sobre un conjunto de ejemplos formado tan slo por entradas al sistema. No se tiene informacin sobre las categoras de esos ejemplos. Aprendizaje por refuerzo El algoritmo aprende observando el mundo que le rodea. Su informacin de entrada es el feedback o retroalimentacin que obtiene del mundo exterior como respuesta a sus acciones. Transduccin Similar al aprendizaje supervisado, pero no construye de forma explcita una funcin. Trata de predecir las categoras de los futuros ejemplos basndose en los ejemplos de entrada, sus respectivas categoras y los ejemplos nuevos al sistema. Aprendizaje multi-tarea

Aprendizaje automtico Mtodos de aprendizaje que usan conocimiento previamente aprendido por el sistema de cara a enfrentarse a problemas parecidos a los ya vistos. El anlisis computacional y de rendimiento de los algoritmos de aprendizaje automtico es una rama de la estadstica conocida como teora computacional del aprendizaje. El aprendizaje automtico nosotros lo llevamos acaba de manera automtica ya que es un proceso tan sencillo para nosotros que ni cuenta nos damos de cmo se realiza y todo lo que esto implica. Desde que nacemos hasta que mrimos los seres humanos tenemos diferentes procesos entre ellos encontramos el de aprendizaje por medio del cual adquirimos conocimientos, desarrollamos habilidades para analizar y evaluar a travs de mtodos y tcnicas as como tambin por medio de la experiencia propia, pero a las mquinas hay que indicarles cmo aprender, ya que si no se logra que una mquina sea capaz de desarrollar sus habilidades entonces el proceso de aprendizaje no se estar llevando a cabo, sino que solo ser una secuencia repetitiva. Tambin debemos tener en cuenta que el tener conocimiento o el hecho de realizar bien el proceso de aprendizaje automtico no implica que se sepa utilizar, es preciso saber aplicarlo en las actividades cotidianas y un buen aprendizaje tambin implica saber cmo y cundo utilizar nuestros conocimientos. Para llevar acabo un buen aprendizaje es necesario tener considerar todos los factores que a este le rodean como, la sociedad, la economa, la ciudad, el ambiente, el lugar, etc. Por lo cual es necesario empezar a tomar diversas medidas para lograr un aprendizaje adecuado, y obtener una automatizacin adecuada del aprendizaje, por lo cual lo primero que se debe tener en cuenta es el concepto de conocimiento, el cual es el entendimiento de un determinado tema o materia en el cual tu puedas dar tu opinin o punto de vista as como tambin responder a ciertas interrogantes que puedan surgir de dicho tema o materia. En el aprendizaje automtico podemos obtener 3 tipos de conocimiento los cules son: 1. Crecimiento Es el que se adquiere de lo que nos rodea, el cual guarda la informacin en la memoria como si dejara huellas. 2. Reestructuracin Al interpretar los conocimientos el individuo razona y genera nuevo conocimiento al cual se le llama de reestructuracin. 3. Ajuste Es el que se obtiene al generalizar varios conceptos o generando los propios. Los tres tipos se efectan durante un proceso de aprendizaje automtico pero la importancia de cada tipo de conocimiento depende de las caractersticas de lo que se est tratando de aprender. El aprendizaje es ms que una necesidad, es un factor primordial para satisfacer las necesidades de la inteligencia artificial.

Tpicos del aprendizaje automtico

A continuacin se muestran una serie de temas que podran formar parte del temario de un curso sobre aprendizaje automtico. Modelado de funciones de densidad de probabilidad condicionadas: clasificacin y regresin Redes neuronales artificiales rboles de decisin Modelos de regresin mltiple no postulados Regresin en procesos Gaussianos

Anlisis de discriminantes lineales k-vecinos ms prximos Perceptrn

Aprendizaje automtico Funciones de base radial Mquinas de soporte vectorial Modelado de funciones de densidad de probabilidad mediante modelos generativos Algoritmo EM Modelos grficos, como las redes bayesianas y los campos aleatorios de Markov Mapeado topogrfico generativo Tcnicas de inferencia aproximada Cadenas de Markov y Mtodo de Montecarlo Mtodos variacionales Optimizacin: La mayora de los mtodos descritos arriba usan algoritmos de optimizacin o son por s mismos instancias de problemas de optimizacin.

Vase tambin
Inteligencia artificial Inteligencia computacional Minera de datos Reconocimiento de patrones Reglas de asociacin Robots autnomos Programacin lgica inductiva Weka

Enlaces externos
Machine Learning Development with Perl [1] (en ingls)

Bibliografa
Mitchell, T. (1997). Machine Learning, McGraw Hill. ISBN 0-07-042807-7

Referencias
[1] http:/ / www. perlmonks. org/ index. pl?node_id=638391

Fuentes y contribuyentes del artculo

10

Fuentes y contribuyentes del artculo

Reconocimiento de patrones Fuente: http://es.wikipedia.org/w/index.php?oldid=50549357 Contribuyentes: 3coma14, Ajrs, Caritdf, Chabacano, Dodo, Elena bernardo, Elisfm, Emijrp, Farisori, GermanX, Halfdrag, Jesuja, Jorgebarrios, Metheoro, Miguel olivares, N, Pssuils, Tomatejc, Vanbasten 23, 1, 36 ediciones annimas Aprendizaje automtico Fuente: http://es.wikipedia.org/w/index.php?oldid=50278505 Contribuyentes: AlfonsoERomero, Astaffolani, Claudiapat1, Damifb, Davidsevilla, Edub, El Quinche, Enric Naval, Ensada, Farisori, Gbayon, GermanX, Hiperfelix, Ignacio Icke, Jesuja, Jmartinezot, JoaquinFerrero, Jorge.maturana, Machucho2007, Mar25 mercedes, OLGA JANET, Pinar, Pintaio, T4nn0, Taichi, Technopat, 28 ediciones annimas

Fuentes de imagen, Licencias y contribuyentes

11

Fuentes de imagen, Licencias y contribuyentes

Archivo:Pattern 5.JPG Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Pattern_5.JPG Licencia: Public Domain Contribuyentes: Elisfm Archivo:Pattern 6.JPG Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Pattern_6.JPG Licencia: Public Domain Contribuyentes: Elisfm Archivo:Pattern 2.JPG Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Pattern_2.JPG Licencia: Public Domain Contribuyentes: Elisfm Archivo:Pattern 4.JPG Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Pattern_4.JPG Licencia: Public Domain Contribuyentes: Elisfm Archivo:Pattern 3.JPG Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Pattern_3.JPG Licencia: Public Domain Contribuyentes: Elisfm

Licencia

12

Licencia
Creative Commons Attribution-Share Alike 3.0 Unported //creativecommons.org/licenses/by-sa/3.0/