Aprendizaje y Adaptación

Casi todos los sistemas de reconocimiento de patrones son sistemas complejos y en ellos es posible no tener alguna suposición sobre lo que sería una meta al diseñar el sistema de clasificación. Por lo tanto y en un amplio sentido, cualquier método que incorpora información sobre un ejemplo o conjunto entrenamiento en el diseño del clasificador, necesariamente emplea algún tipo de aprendizaje, razón básica para considerar nociones sobre aprendizaje. Además al construir clasificadores es importante imponer algún tipo de generalidad para realizar el modelo, forma de modelo o forma de un clasificador y por lo cuál es necesario utilizar patrones de entrenamiento para resolver las incógnitas en los patrones del modelo. Este aprendizaje se refiere a algún tipo de algoritmo que ayude a reducir la cantidad de errores en la información para el entrenamiento. Existen varios tipos de aprendizaje:

• Aprendizaje Supervisado.
  En el aprendizaje supervisado una especie de profesor suministra una marca o costo para cada patrón en el conjunto de entrenamiento y también busca en reducir la suma de estos costos.

• Aprendizaje no Supervisado.
  En el aprendizaje no supervisado no hay un profesor explicito pero el sistema realiza agrupamientos en forma natural sobre los patrones de entrada. Lo natural puede ser definido tanto implícitamente como explícitamente dentro del sistema de agrupación y es dado por un conjunto particular de patrones o funciones de costo, los diferentes algoritmos que generan agrupaciones también generan agrupaciones de patrones diferentes.

• Aprendizaje Reforzado.
  Este tipo de aprendizaje también es conocido como aprendizaje con la asistencia de un critico o editor. Esto quiere decir que aunque no existe una categoría sugerida, en cambio la categoría dada en un nuevo grupo de sugerencias puede interpretarse como correcta o incorrecta aunque específicamente no se señale ni el porqué ni el como de que esté equivocada.