Propuesta de Investigación Aprendizaje Maquinal Multivalores

Propuesta de InvestigaciónAprendizaje Maquinal MultivaloresRené Mac Kinney RomeroUniversidad Autónoma Metropolitana Unidad IztapalapaDivisión de Ciencias Básicas e IngenieríaDepartamento de Ingeniería EléctricaÁrea de Computación20 de Febrero del 20091. ResponsableNombre:Adscripción:Dr. René Mac Kinney Romero.Departamento de Ingeniería EléctricaÁrea de ComputaciónTeléfono: +52 (55) 58044634 ext. 214Fax: +52 (55) 580446402. Perl deseable del alumnoEl alumno deberá contar con sólidos conocimientos de estadística así comocon conocimientos generales de la Inteligencia Articial. Saber el lenguaje deprogramación prolog es deseable.3. Contexto y problema a atacarEl aprendizaje es una área clave para el desarrollo de una sociedad. ElAprendizaje Maquinal es un área de investigación que ha tratado de emularlas actividades del aprendizaje humano con sistemas computacionales. Esto laha llevado a ser un área importante de investigación por los últimos 20 años.El aprendizaje maquinal se encuentra en la intersección de varios campos delconocimiento como la inteligencia articial, la probabilidad y estadística, teoríade la información, sicología y losofía.La meta principal del aprendizaje maquinal es lograr emular las habilidadescognitivas de los humanos con un sistema computacional. Entre ellas se encuentranla habilidad para generalizar reglas a partir de ejemplos especícos así como1

el abstraer características de una serie de objetos y determinar cuáles son losmás importantes.El aprendizaje maquinal se ha enfocado a los aspectos simples del aprendizajecon lo que se han logrado construir diversos sistemas computacionales capacesde formar reglas y abstraer conceptos.Los más utilizados son aquellos basados en un lenguaje atributo-valor pararepresentar ejemplos y reglas que se construyen con base en operaciones básicassimples [1, 3]. Esto permite construir sistemas que son ecientes pero que nopueden manejar datos completos. Las soluciones obtenidas por estos sistemasresultan muchas veces ser demasiado complejas para su comprensión por losusuarios del sistema.A n de resolver estos problemas se introdujo un marco basado en la lógicade primer orden, que se le llama Programación Lógica Inductiva. Esto ha hechoposible el aprender de problemas con datos de mayor complejidad con solucionesque pueden ser de más fácil interpretación. Estos sistemas han probado ser útilespara el descubrimiento de nuevos conceptos cientícos [2]. Sin embargo a nde poder lograr estos resultados se requiere de un arduo trabajo previo paratransformar los datos complejos a una representación de lógica de primer ordeny crear predicados que sean utilizados en el proceso de aprendizaje.Desafortunadamente este marco de lógica de primer orden no ha logradopasar un elemento importante de los aprendices basados en el lenguaje atributovalorque es la posibilidad de decidir con base en multiples valores de un atributo.Este elemento resulta crucial para problemas donde el clasicador decide conbase en un conjunto grande de símbolos.Este proyecto busca resolver esta carencia proponiendo técnicas que permitanel aprendizaje de múltiples valores dentro del marco de la lógica de primerorden.4. Objetivos generales y especícosEl objetivo general del proyecto es el encontrar técnicas adecuadas para elaprendizaje de multivalores dentro del marco del aprendizaje de programaciónlógica inductiva.Los objetivos especicos del proyecto son los siguientesDesarrollo de al menos tres técnicas que permitan el aprendizaje de multivaloresImplantación de dichas técnicas en un aprendiz bien conocido como Aleph[4]Utilizar dichas técnicas para resolver problemas del mundo real5. Metodología propuestaLas etapas para llevar a cabo el proyecto son las siguientes:2

1. Revisión de la literatura del tema2. Desarrollo de aplicaciones de al menos tres técnicas que permitan haceraprendizaje multivalores.3. Desarrollo e implantación de la propuesta4. Análisis de la propuesta en algún problema del mundo real, tal comoproblema del silabeo o bien el Discovery Challange de la conferenciaPKDD/ECML. Realizar una comparación de resultados con aprendicesatributo-valor6. Resultados esperadosUtilizando las técnicas desarrolladas se espera obtener resultados comparablesa los obtenidos en el problema del silabeo utilizando aprendices atributovalor.7. Calendarización de actividadesA continuación se proponen las actividades y resultados esperados en cadaTrimestre.1. Actividades: Revisión del estado del arte.Resultados: Protocolo de la idonea comunicación de resultados.2. Actividades: Desarrollo de técnicas para aprendizaje multivalor.Resultados: Presentación del desarrollo en formato artículo.3. Actividades: Análisis y comparación con herramientas tradicionales.Resultados: Primer borrador de la idonea comunicación de resultados.8. Infraestructura necesaria y disponibleAmbiente de ejecución Linux con lenguaje Prolog y herramienta Aleph. Ambosdisponibles de manera remota en el T-145bis.9. Lugar de realizaciónT145Bis.3

Referencias[1] P. Clark and T. Niblett. The CN2 induction algorithm. Machine Learning,3:261283, 1989.[2] R. King, S. Muggleton, S. Srinivasan, and M. Sternberg. Structure-activityrelationships derived by machine learning: The use of atoms and their bondconnectivities to predict mutagenicity in inductive logic programming. Proceedingsof the National Academy of Sciences, 93:438442, 1996.[3] J. Quinlan. Programs for machine learning. Quinlan, J. R. (1993). C4.5:Programs for machine learning. San Mateo, CA: Morgan Kaufmann., 1993.[4] Ashwin Srinivasan. A learning engine for proposing hypotheses(Aleph). http://www.comlab.ox.ac.uk/oucl/research/areas/machlearn/Aleph/, 1999.4