Incluye bibliografía

Part I. General issues in machine learning. 1. An overview of machine learning. 2. Why should machines learn? Part II. Learning from examples. 3. A comparative review of selected methods for learning from examples. 4. A theory and methodology of inductive learning. Part. III. Learning in problem-solving and planning. 5. Learning by analogy: formulating and generalizing plans from past experience. 6. Learning by experimentation: acquiring and refining problem-solving heuristics. 7. Acquisition of proof skills in geometry. 8. Using proofs and refutations to learn from experience. Part IV. Learning from observation and discovery. 9. The role of heuristics in learning by Discover: three case studies. 10. Rediscovering chemistry with the BACON system. 11. Learning from observation: conceptual clustering. Part V. Learning from instruction. 12. Machine transformation of advice into a heuristic search procedure. 13. Learning by being told: acquiring knowledge for information management. 14. The instructible production systems: A. Retrospective analysis. Part VI. Applied learning systems. 15. Learning efficient classification procedures and their application to chess and games. 16. Inferring student models for intelligent computer-aided instruction.

Parte I. Problemas generales en el aprendizaje automático. 1. Una visión general del aprendizaje automático. 2. ¿Por qué deberían aprender las máquinas? Parte II. Aprendiendo de ejemplos. 3. Una revisión comparativa de los métodos seleccionados para aprender de los ejemplos. 4. Una teoría y metodología del aprendizaje inductivo. Parte. III. Aprendizaje en resolución de problemas y planificación. 5. Aprendizaje por analogía: formulación y generalización de planes a partir de experiencias pasadas. 6. Aprendizaje por experimentación: adquisición y refinamiento de heurísticas de resolución de problemas. 7. Adquisición de habilidades de prueba en geometría. 8. Usar pruebas y refutaciones para aprender de la experiencia. Parte IV Aprendiendo de la observación y el descubrimiento. 9. El papel de la heurística en el aprendizaje de Discover: tres estudios de caso. 10. Redescubriendo la química con el sistema BACON. 11. Aprendiendo de la observación: agrupamiento conceptual. Parte V. Aprendiendo de la instrucción. 12. Transformación automática de consejos en un procedimiento de búsqueda heurística. 13. Aprender al ser dicho: adquirir conocimiento para la gestión de la información 14. Los sistemas de producción instructibles: A. Análisis retrospectivo. Parte VI Sistemas de aprendizaje aplicados. 15. Aprender procedimientos de clasificación eficientes y su aplicación al ajedrez y los juegos. 16. Inferir modelos de estudiantes para instrucción inteligente asistida por computadora.

Sistemas

Machine Learning: An Artificial Intelligence Approach contains tutorial overviews and research papers representative of trends in the area of machine learning as viewed from an artificial intelligence perspective. The book is organized into six parts. Part I provides an overview of machine learning and explains why machines should learn. Part II covers important issues affecting the design of learning programs—particularly programs that learn from examples. It also describes inductive learning systems. Part III deals with learning by analogy, by experimentation, and from experience. Parts IV and V discuss learning from observation and discovery, and learning from instruction, respectively. Part VI presents two studies on applied learning systems—one on the recovery of valuable information via inductive inference; the other on inducing models of simple algebraic skills from observed student performance in the context of the Leeds Modeling System (LMS).

This book is intended for researchers in artificial intelligence, computer science, and cognitive psychology; students in artificial intelligence and related disciplines; and a diverse range of readers, including computer scientists, robotics experts, knowledge engineers, educators, philosophers, data analysts, psychologists, and electronic engineers.

Aprendizaje automático: un enfoque de inteligencia artificial contiene resúmenes de tutoriales y trabajos de investigación representativos de las tendencias en el área del aprendizaje automático vistos desde una perspectiva de inteligencia artificial. El libro está organizado en seis partes. La Parte I proporciona una visión general del aprendizaje automático y explica por qué las máquinas deberían aprender. La Parte II cubre temas importantes que afectan el diseño de los programas de aprendizaje, particularmente los programas que aprenden de los ejemplos. También describe los sistemas de aprendizaje inductivo. La Parte III trata del aprendizaje por analogía, por experimentación y por experiencia. Las partes IV y V discuten el aprendizaje de la observación y el descubrimiento, y el aprendizaje de la instrucción, respectivamente. La Parte VI presenta dos estudios sobre sistemas de aprendizaje aplicados: uno sobre la recuperación de información valiosa mediante inferencia inductiva; el otro sobre la inducción de modelos de habilidades algebraicas simples a partir del desempeño estudiantil observado en el contexto del Sistema de Modelado de Leeds (LMS).

Este libro está dirigido a investigadores en inteligencia artificial, informática y psicología cognitiva; estudiantes en inteligencia artificial y disciplinas relacionadas; y una amplia gama de lectores, incluidos científicos informáticos, expertos en robótica, ingenieros de conocimiento, educadores, filósofos, analistas de datos, psicólogos e ingenieros electrónicos.