Inteligencia artificial : Aprendizaje computacional

Autores
Meléndez, Mónica; Potente, Roberto
Año de publicación
1996
Idioma
español castellano
Tipo de recurso
tesis de grado
Estado
versión aceptada
Colaborador/a o director/a de tesis
Monteiro, Ana
Díaz, Francisco Javier
Descripción
Cuando comenzamos el estudio sobre aprendizaje computacional contábamos con investigaciones de diferentes autores, desconociendo si entre ellos existía algún tipo de relación. Luego de leer y analizar cada uno de los papers, descubrimos que existían aspectos que podían ser comparados. Esto nos permitió ver la posibilidad de organizar esta información teniendo en cuenta dichos aspectos. La clasificación elegida para organizar los papers es la clasificación es clasificación basada sobre la estrategia de aprendizaje subyacente, porque esta considera más aspectos de la información provista por una fuente, que es con lo único que cuenta inicialmente quien quiere aplicar aprendizaje. Para cada estrategia de aprendizaje se describen métodos que la implementan, tratando de desarrollar la mayor cantidad posibles de ellos a fines de permitirnos realizar una buena comparación, perdiendo en cada descripción exaustividad. A partir del análisis mencionado, no solo creimos útil organizar la información dispersa, sino también desarrollar una serie de comparaciones que describan diferencias y similitudes entre las distintas formas de desarrollar aprendizaje computacional, considerando esto un aporte necesario. El resultado del análisis descripto anteriormente dio origen al survey de aprendizaje computacional, cuya utilidad es asistir a quien necesita aplicar este tipo de aprendizaje en un dominio particular. Frente a un problema real, el survey intente ayudar a descubrir cual es el método más apropiado para solucionarlo: a través de la comparación entre estrategias que profundizan determinadas características de los problemas que solucionan cada una, se intenta encontrar la más adecuada para resolver dicho problema. Una vez seleccionada una estrategia, se procederá de la misma manera a través de la comparación de métodos que implementan dicha estrategia para seleccionar uno en particular. Este procedimiento no siempre dará como resultado una única alternativa. Para testear la utilidad de survey para solucionar un problema de aprendizaje computacional consideramos necesario aplicarlo sobre un dominio real, concluyendo con un prototipo que demostrará la factibilidad práctica.
Tesis digitalizada en SEDICI gracias a la colaboración de la Biblioteca de la Facultad de Informática.
Licenciado en Informática
Universidad Nacional de La Plata
Facultad de Ciencias Exactas
Materia
Ciencias Informáticas
inteligencia artificial
aprendizaje
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/2140

id SEDICI_424042453ccb12eed5a840ea2ebde610
oai_identifier_str oai:sedici.unlp.edu.ar:10915/2140
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Inteligencia artificial : Aprendizaje computacionalMeléndez, MónicaPotente, RobertoCiencias Informáticasinteligencia artificialaprendizajeCuando comenzamos el estudio sobre aprendizaje computacional contábamos con investigaciones de diferentes autores, desconociendo si entre ellos existía algún tipo de relación. Luego de leer y analizar cada uno de los papers, descubrimos que existían aspectos que podían ser comparados. Esto nos permitió ver la posibilidad de organizar esta información teniendo en cuenta dichos aspectos. La clasificación elegida para organizar los papers es la clasificación es clasificación basada sobre la estrategia de aprendizaje subyacente, porque esta considera más aspectos de la información provista por una fuente, que es con lo único que cuenta inicialmente quien quiere aplicar aprendizaje. Para cada estrategia de aprendizaje se describen métodos que la implementan, tratando de desarrollar la mayor cantidad posibles de ellos a fines de permitirnos realizar una buena comparación, perdiendo en cada descripción exaustividad. A partir del análisis mencionado, no solo creimos útil organizar la información dispersa, sino también desarrollar una serie de comparaciones que describan diferencias y similitudes entre las distintas formas de desarrollar aprendizaje computacional, considerando esto un aporte necesario. El resultado del análisis descripto anteriormente dio origen al survey de aprendizaje computacional, cuya utilidad es asistir a quien necesita aplicar este tipo de aprendizaje en un dominio particular. Frente a un problema real, el survey intente ayudar a descubrir cual es el método más apropiado para solucionarlo: a través de la comparación entre estrategias que profundizan determinadas características de los problemas que solucionan cada una, se intenta encontrar la más adecuada para resolver dicho problema. Una vez seleccionada una estrategia, se procederá de la misma manera a través de la comparación de métodos que implementan dicha estrategia para seleccionar uno en particular. Este procedimiento no siempre dará como resultado una única alternativa. Para testear la utilidad de survey para solucionar un problema de aprendizaje computacional consideramos necesario aplicarlo sobre un dominio real, concluyendo con un prototipo que demostrará la factibilidad práctica.Tesis digitalizada en SEDICI gracias a la colaboración de la Biblioteca de la Facultad de Informática.Licenciado en InformáticaUniversidad Nacional de La PlataFacultad de Ciencias ExactasMonteiro, AnaDíaz, Francisco Javier1996info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionTesis de gradohttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfhttp://sedici.unlp.edu.ar/handle/10915/2140spainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by/4.0/Creative Commons Attribution 4.0 International (CC BY 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-03T10:21:42Zoai:sedici.unlp.edu.ar:10915/2140Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-03 10:21:42.313SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Inteligencia artificial : Aprendizaje computacional
title Inteligencia artificial : Aprendizaje computacional
spellingShingle Inteligencia artificial : Aprendizaje computacional
Meléndez, Mónica
Ciencias Informáticas
inteligencia artificial
aprendizaje
title_short Inteligencia artificial : Aprendizaje computacional
title_full Inteligencia artificial : Aprendizaje computacional
title_fullStr Inteligencia artificial : Aprendizaje computacional
title_full_unstemmed Inteligencia artificial : Aprendizaje computacional
title_sort Inteligencia artificial : Aprendizaje computacional
dc.creator.none.fl_str_mv Meléndez, Mónica
Potente, Roberto
author Meléndez, Mónica
author_facet Meléndez, Mónica
Potente, Roberto
author_role author
author2 Potente, Roberto
author2_role author
dc.contributor.none.fl_str_mv Monteiro, Ana
Díaz, Francisco Javier
dc.subject.none.fl_str_mv Ciencias Informáticas
inteligencia artificial
aprendizaje
topic Ciencias Informáticas
inteligencia artificial
aprendizaje
dc.description.none.fl_txt_mv Cuando comenzamos el estudio sobre aprendizaje computacional contábamos con investigaciones de diferentes autores, desconociendo si entre ellos existía algún tipo de relación. Luego de leer y analizar cada uno de los papers, descubrimos que existían aspectos que podían ser comparados. Esto nos permitió ver la posibilidad de organizar esta información teniendo en cuenta dichos aspectos. La clasificación elegida para organizar los papers es la clasificación es clasificación basada sobre la estrategia de aprendizaje subyacente, porque esta considera más aspectos de la información provista por una fuente, que es con lo único que cuenta inicialmente quien quiere aplicar aprendizaje. Para cada estrategia de aprendizaje se describen métodos que la implementan, tratando de desarrollar la mayor cantidad posibles de ellos a fines de permitirnos realizar una buena comparación, perdiendo en cada descripción exaustividad. A partir del análisis mencionado, no solo creimos útil organizar la información dispersa, sino también desarrollar una serie de comparaciones que describan diferencias y similitudes entre las distintas formas de desarrollar aprendizaje computacional, considerando esto un aporte necesario. El resultado del análisis descripto anteriormente dio origen al survey de aprendizaje computacional, cuya utilidad es asistir a quien necesita aplicar este tipo de aprendizaje en un dominio particular. Frente a un problema real, el survey intente ayudar a descubrir cual es el método más apropiado para solucionarlo: a través de la comparación entre estrategias que profundizan determinadas características de los problemas que solucionan cada una, se intenta encontrar la más adecuada para resolver dicho problema. Una vez seleccionada una estrategia, se procederá de la misma manera a través de la comparación de métodos que implementan dicha estrategia para seleccionar uno en particular. Este procedimiento no siempre dará como resultado una única alternativa. Para testear la utilidad de survey para solucionar un problema de aprendizaje computacional consideramos necesario aplicarlo sobre un dominio real, concluyendo con un prototipo que demostrará la factibilidad práctica.
Tesis digitalizada en SEDICI gracias a la colaboración de la Biblioteca de la Facultad de Informática.
Licenciado en Informática
Universidad Nacional de La Plata
Facultad de Ciencias Exactas
description Cuando comenzamos el estudio sobre aprendizaje computacional contábamos con investigaciones de diferentes autores, desconociendo si entre ellos existía algún tipo de relación. Luego de leer y analizar cada uno de los papers, descubrimos que existían aspectos que podían ser comparados. Esto nos permitió ver la posibilidad de organizar esta información teniendo en cuenta dichos aspectos. La clasificación elegida para organizar los papers es la clasificación es clasificación basada sobre la estrategia de aprendizaje subyacente, porque esta considera más aspectos de la información provista por una fuente, que es con lo único que cuenta inicialmente quien quiere aplicar aprendizaje. Para cada estrategia de aprendizaje se describen métodos que la implementan, tratando de desarrollar la mayor cantidad posibles de ellos a fines de permitirnos realizar una buena comparación, perdiendo en cada descripción exaustividad. A partir del análisis mencionado, no solo creimos útil organizar la información dispersa, sino también desarrollar una serie de comparaciones que describan diferencias y similitudes entre las distintas formas de desarrollar aprendizaje computacional, considerando esto un aporte necesario. El resultado del análisis descripto anteriormente dio origen al survey de aprendizaje computacional, cuya utilidad es asistir a quien necesita aplicar este tipo de aprendizaje en un dominio particular. Frente a un problema real, el survey intente ayudar a descubrir cual es el método más apropiado para solucionarlo: a través de la comparación entre estrategias que profundizan determinadas características de los problemas que solucionan cada una, se intenta encontrar la más adecuada para resolver dicho problema. Una vez seleccionada una estrategia, se procederá de la misma manera a través de la comparación de métodos que implementan dicha estrategia para seleccionar uno en particular. Este procedimiento no siempre dará como resultado una única alternativa. Para testear la utilidad de survey para solucionar un problema de aprendizaje computacional consideramos necesario aplicarlo sobre un dominio real, concluyendo con un prototipo que demostrará la factibilidad práctica.
publishDate 1996
dc.date.none.fl_str_mv 1996
dc.type.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
info:eu-repo/semantics/acceptedVersion
Tesis de grado
http://purl.org/coar/resource_type/c_7a1f
info:ar-repo/semantics/tesisDeGrado
format bachelorThesis
status_str acceptedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/2140
url http://sedici.unlp.edu.ar/handle/10915/2140
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by/4.0/
Creative Commons Attribution 4.0 International (CC BY 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by/4.0/
Creative Commons Attribution 4.0 International (CC BY 4.0)
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1842260040836186112
score 13.13397