Conclusiones

Parte VI

Conclusiones del libro

El aprendizaje en el caso de los agentes inteligentes es fundamental con el fin de que puedan funcionar en ambientes desconocidos.
El aprendizaje de una función a partir de ejemplos de sus entradas y salidas es conocido como aprendizaje inductivo. La dificultad del aprendizaje depende de la representación elegida.
Aquí se explica como hacer que un agente sea eficiente en un ambiente desconocido, con base sólo en sus percepciones y recompensas ocasionales.
El empleo del conocimiento anterior en el aprendizaje produce un escenario de aprendizaje acumulativo en el que los agentes de aprendizaje mejoran su capacidad de aprendizaje conforme adquieren más conocimiento.
Una red neuronal es un modelo computacional que comparte algunas de las características del cerebro: consta de varias unidades sencillas que trabajan en paralelo sin un control central. Las conexiones entre las unidades tienen pesos númericos que el elemento de aprendizaje puede modificar.

Conclusiones de la cátedra

Aprendizaje es una necesidad tanto para ambientes desconocidos como para diseñadores haraganes.
El método de aprendizaje depende del tipo de elemento de desempeño, de la retroalimentación disponible, del tipo de componente que debe ser mejorado y de su representación.
Para aprendizaje supervisado, el objetivo es encontrar una hipótesis simple consistente con ejemplos de entrenamiento.
El conocimiento anterior facilita el conocimiento al eliminar hipótesis congruentes y mediante el "llenado" de la explicación de los ejemplos, con los que se obtienen hipótesis más breves. Estas ayudas permiten mejorar tanto la complejidad muestra y la complejidad de cómputo del aprendizaje.
El comportamiento de una red nueronal esta determinado por la topología de la conexión y por la naturaleza de las unidades individuales. Las redes de alimentación anticipada, en las que las conexiones forman una gráfica acíclica, son las más sencillas de analizar. Las redes de alimentación anticipada sirven para implantar funciones que no tienen estado, o funciones independientes de estado.
Todo aprendizaje en redes comienza con sembrar al azar los pesos de las diferentes flechas o arcos que relacionan nodos. Durante el entrenamiento esos pesos sirven para predecir alguna respuesta, que emerge de los nodos de salida, pero que no será la real.

Conclusiones personales

Lo fundamental del aprendizaje es la idea que las percepciones deben servir no sólo para actuar, sino también para mejorar la capacidad del agente para actuar en el futuro. El aprendizaje se produce como resultado de la interacción entre el agente y el mundo y de la observación poe el agente de sus propios procesos de toma de decisiones.
Aquí se explica como aprenden los agentes en ambientes mucho menos benignos, los que no proporcionan ejemplos al agente, donde se empieza sin contar con un modelo del ambiente ni con una función de utilidad.
Aquí la idea es que los agentes utilicen el conocimiento previo sobre el ambiente, donde se utilizan diferentes métodos de aprendizaje. Cuanto más conocimiento adquiera el agente mejor será su capacidad de aprendizaje.
En conclusión se verá como entrenar redes complejas formadas por sencillos elementos de cómputo, lo que quizás también sirva para esclarecer un poco la forma como funciona el cerebro.
Hay una comparación de como funcionan las redes neuronales con respecto al cerebro humano, y como a traves de estas redes podemos realizar diversos estudios de fenómenos psicológicos propio de la estructura y funcionamiento del cerebro.