Clase 13 — Aprendizaje Basado en Reglas y Métodos Evolutivos

Resumen Ejecutivo

Sesión que profundiza en la intersección entre computación bioinspirada y aprendizaje automático. Se formalizan los tres paradigmas de aprendizaje (supervisado, no supervisado, semi-supervisado) y se introduce el aprendizaje por refuerzo con el caso histórico de AlphaGo. El núcleo de la clase es el aprendizaje basado en reglas evolutivas: cómo codificar reglas lógicas como individuos de una población para que el algoritmo genético/evolutivo las optimice automáticamente, incluyendo el método de Michigan.

Conceptos Clave

Aprendizaje supervisado: entradas y salidas conocidas; el modelo aprende la función que las relaciona. ⚠️ EXAMEN
Aprendizaje no supervisado (clustering): sin etiquetas; el algoritmo busca patrones por distancia o similitud.
Aprendizaje semi-supervisado: clustering con etiquetas parciales añadidas por un experto. ⚠️ EXAMEN
Aprendizaje por refuerzo: el agente recibe recompensas/penalizaciones y aprende estrategias por prueba-error.
Tipos de reglas: proposicionales (IF/THEN), de intervalo, difusas. ⚠️ EXAMEN
Regla como individuo: en el aprendizaje evolutivo de reglas, cada individuo de la población codifica una regla (o base de reglas).
Método de Michigan: cada individuo = una regla; las reglas compiten entre sí; la población entera forma la base de conocimiento. ⚠️ EXAMEN
Teachable Machine: herramienta de Google que ilustra el aprendizaje semi-supervisado con imágenes etiquetadas por el usuario.

Desarrollo del Temario

1. Tipos de aprendizaje automático

1.1 Supervisado

El programador conoce tanto la entrada como la salida esperada y la función que las relaciona. Ejemplo clásico: \(y = x^2\).

Se programa una función determinista con entradas y salidas definidas.
En ML: ajustar los parámetros del modelo para minimizar el error entre salida predicha y real.

1.2 No supervisado

Solo se proporcionan los datos; el algoritmo encuentra patrones por sí solo bajo alguna métrica (habitualmente distancia).

Técnica principal: clustering (agrupa puntos según proximidad).
Variantes: k-means (con medias), jerárquico, etc.
Sin etiquetas → no hay clase objetivo.

1.3 Semi-supervisado

Punto intermedio: se parte de un clustering pero se añaden etiquetas externas (aportadas por un experto) a algunos datos.

Ejemplo de la clase: datos composicionales de sedimentos de tres lagos distintos. Al añadir la etiqueta "lago 1 / lago 2 / lago 3" a las muestras, el algoritmo pasa de no supervisado a semi-supervisado.

Teachable Machine (Google): herramienta interactiva que entrena un clasificador de imágenes con las clases que el usuario define. Ilustra perfectamente el semi-supervisado:

El usuario aporta imágenes etiquetadas (clase A / clase B).
La herramienta entrena el modelo internamente.
La cámara clasifica nuevas imágenes en tiempo real.

Demo en clase: clasificador perros/gatos con 100 % de acierto en ambas clases.

1.4 Aprendizaje por refuerzo

El agente aprende mediante un ciclo de recompensa/penalización:

Estado actual → Acción → Nuevo estado → Recompensa/Penalización → Actualizar política

Ejemplos: - Robot aspirador (Roomba): aprende el mapa de la casa chocando con obstáculos. - AlphaGo (2016): primer sistema de IA que derrotó al campeón mundial del juego de Go. ⚠️ EXAMEN

El juego de Go tiene un tablero de 19×19 intersecciones. Cada jugador dispone de fichas de un color; una ficha muere si sus cuatro "libertades" (intersecciones adyacentes) quedan bloqueadas por el adversario. La victoria se determina por el territorio controlado al final.

Relevancia computacional del Go:

	Ajedrez	Go
Opciones por turno	~35	~250
Opciones a 4 turnos vista	\(35^4 \approx 1.5 \times 10^6\)	\(250^4 \approx 3.9 \times 10^9\)

La fuerza bruta es inviable en Go. AlphaGo usó aprendizaje por refuerzo combinado con redes neuronales convolucionales para reducir drásticamente el espacio de búsqueda, aprendiendo qué movimientos merecen explorarse.

1.5 Aprendizaje multitarea (introducción)

Varios agentes/modelos leen la misma entrada simultáneamente, cada uno buscando características distintas:

Uno busca formas generales.
Otro busca expresiones faciales (posición de boca, ojos…).
Otro busca colores o texturas.

Sus salidas combinadas permiten tareas complejas como reconocimiento de género, edad o identidad a partir de una imagen.

2. Aprendizaje basado en reglas

Los modelos lógicos (introducidos en la clase 12) se basan en expresar el conocimiento como un conjunto de reglas del tipo SI condición ENTONCES clase.

2.1 Tipos de reglas

Tipo	Forma	Ejemplo
Proposicional	`IF A AND B THEN clase`	`IF edad > 18 THEN acceso = sí`
De intervalo	`IF a ≤ x ≤ b THEN clase`	`IF temp ∈ [20, 30] AND humedad ∈ [40, 70] THEN lluvia = no`
Difusa	`IF x ES "alto" THEN clase`	`IF temperatura ES alta AND humedad ES alta THEN lluvia = probable`

Las reglas proposicionales son las más estrictas (booleanas).
Las de intervalo permiten rangos numéricos, más fáciles de mutar.
Las difusas introducen incertidumbre lingüística (lógica difusa).

2.2 Cómo evolucionan las reglas

El operador de mutación actúa de forma diferente según el tipo:

Proposicional: añadir/eliminar condiciones del antecedente (AND humedad → eliminado).
Intervalo: desplazar los límites numéricos ([20, 30] → [22, 35]).
Difusa: modificar el grado de pertenencia o el término lingüístico.

3. Algoritmos evolutivos para aprendizaje de reglas

3.1 Idea central

Es posible utilizar algoritmos bioinspirados/evolutivos para realizar procesos de aprendizaje automático. Si codificamos las reglas usando individuos de una población —es decir, cada individuo representa una regla— podemos aplicar el ciclo evolutivo estándar sobre ellas.

Antes, un individuo era un vector de ceros/unos o de números reales representando una solución candidata. Ahora, el individuo ES una regla: su genotipo codifica las condiciones IF y el consecuente THEN.

Ciclo evolutivo aplicado a reglas:

flowchart LR
    A[Población inicial\nde reglas] --> B[Evaluación\nfitness]
    B --> C[Selección]
    C --> D[Cruce\nentre reglas]
    D --> E[Mutación\nde condiciones]
    E --> F[Nueva población\nde reglas]
    F --> B

3.2 Método de Michigan ⚠️ EXAMEN

Cada individuo de la población = una regla.
La población entera forma la base de conocimiento (conjunto de reglas).
Las reglas compiten entre sí: una regla con mayor fitness (mayor precisión, mayor cobertura) tiene más probabilidad de sobrevivir y reproducirse.
Mecanismo de cooperación/competición: las reglas que clasifican correctamente más ejemplos ganan terreno; las reglas redundantes o incorrectas se eliminan.

Diferencia clave con el enfoque alternativo (método de Pittsburgh):

	Michigan	Pittsburgh
Individuo	Una regla	Conjunto completo de reglas
Población	Muchas reglas compitiendo	Muchos conjuntos de reglas compitiendo
Cooperación	Dentro de la misma población	Dentro de cada individuo

Preguntas Tipo Examen

Define los tres paradigmas de aprendizaje (supervisado, no supervisado, semi-supervisado) y pon un ejemplo de cada uno. ⚠️ EXAMEN
¿En qué consiste el aprendizaje por refuerzo? ¿Cómo lo ilustra el caso de AlphaGo?
¿Por qué el juego de Go supuso un reto computacional mayor que el ajedrez para los algoritmos de IA?
Describe los tres tipos de reglas que se pueden usar en aprendizaje basado en reglas y cómo se mutaría cada una. ⚠️ EXAMEN
¿Cómo se adapta el ciclo evolutivo (selección, cruce, mutación) cuando los individuos son reglas en lugar de vectores numéricos?
Explica el método de Michigan: ¿qué representa cada individuo, cómo compiten las reglas y qué papel juega la población completa? ⚠️ EXAMEN
¿Cuál es la diferencia entre el método de Michigan y el de Pittsburgh en el aprendizaje evolutivo de reglas?