Resumen de Multi-paradigm learning of declarative models
Muchas de las aproximaciones para conseguir un comportamiento inteligente de los sistemas informáticos se basan en componentes que aprenden automáticamente de experiencias previas. El desarrollo de estas técnicas de aprendizaje es el objetivo del área de investigación denominada aprendizaje automático.
Durante la última década, se han producido numerosos y destacados avances en esta área, principalmente gracias al éxito de la aplicación automático en la extracción de conocimiento desde bases de datos, a cuya parte más importante se le llama minería de datos. Muchas de las técnicas empleadas en este campo tienen una aplicabilidad muy limitada, debido al uso de lenguajes de representación del conocimiento muy restrictivos o no comprensibles, pero que, sin embargo, simplifican significativamente la complejidad inherente al proceso de aprendizaje. Por ello recientemente, se han definido varios métodos basados en el enriquecimiento de la expresividad de los lenguajes de representación del conocimiento. En concreto, un avance muy importante se ha producido al incorporar lenguajes basados en la lógica de primer orden en el proceso de aprendizaje; éste es precisamente el nexo común de los algoritmos de inducción pertenecientes al campo denominado Programación Lógica Inductiva (ILP).
Cabe resaltar, no obstante, las carencias que presentan los lenguajes lógicos utilizados en LIP en cuanto a características interesantes para el aprendizaje, tales como el orden superior, los tipos, o las funciones. Otra forma muy diferente, aunque también muy popular, de potenciar la expresividad del lenguaje de representación es la generación de una hipótesis mediante la combinación de un conjunto de modelos. Esta aproximación, usualmente métodos multiclasificador, sin embargo presenta importantes inconvenientes como son la pérdida de comprensibilidad del modelo combinado y un alto consumo de recursos computacionales.
En esta te
