1. Contexto de definición
1.1. Crear sistemas que resuelven tareas que necesitan inteligencia
1.2. Resolver problemas previstos
1.3. Considerear sistema inteligente es capaz de observar su entorno y aprender de él
1.4. La autentica inteligencia reside en adaptarse
1.5. Tener capacidad de integrar nuevo conocimiento, resolver nuevos problemas, aprender de errores
2. Objetivos
2.1. 1. No pretender modelar el aprendizaje humano
2.2. 2. Aumentar las capacidades de los programas de IA
2.2.1. 1. No resuelven problemas mas allá de esos límites
2.2.2. 2. Límite en el conocimiento que se les ha introducido
2.3. 3. Imposible prever todos los problemas desde el principio
2.4. 4. Se busca dar a los programas la capacidad de adaptarse sin tener que ser reprogramados
3. FUNCIONA? ¿Donde y para que se puede usar el aprendizaje automático?
3.1. Tareas difíciles de programar
3.2. Aplicaciones auto adaptables
3.3. Minería de datos/Descubrimiento de conocimiento
4. Tipos de aprendizaje
4.1. Tipo representativo de la adquisición del conocimiento
4.1.1. Inductivo
4.1.1.1. Tipos de aprendizajes inductivos
4.1.1.1.1. No Supervisado
4.1.1.1.2. Supervisado
4.1.1.2. Razonamiento inductivo
4.1.1.2.1. Razonamiento Deductivo vs Inductivo
4.1.1.3. Objetivo
4.1.1.4. Area con más Metodo
4.1.1.5. Funcionamiento
4.2. Analitico o deductivo
4.3. Genetico
4.4. Conexionista
5. Modelos más Utilizados
5.1. Naive Bayes
5.2. Maquinas de vectores de soporte
5.3. Vecinos mas cercanos
5.4. Redes neuronales
5.5. Árboles de decisión
5.5.1. Dada una base de datos se construyen diagramas de construcciones lógicas, muy similares a los sistemas de predicción basados en reglas
5.5.2. Es una representación en forma de árbol cuyas ramas se bifurcan en función de los valores tomados por las variables y que terminan en una acción concreta.
5.5.3. El primer algoritmo de árboles de decisión fue ID3
5.5.3.1. La elección del atributo se hace mediante una función heurística
5.5.3.2. El algoritmo ID3 se apoya en técnicas matemáticas y probabilísticas; introduce el concepto de entropía
5.5.3.3. Se elige en cada nivel del árbol un atributo y se particiona el conjunto de ejemplos según sus valores, se repite recursivamente el proceso con cada partición