Estás leyendo la publicación: ¿Cómo se usa el álgebra booleana en el aprendizaje automático?
En los últimos años, hemos visto el éxito del aprendizaje automático en varios campos y, con esto, también hemos sido testigos del desarrollo de los algoritmos de aprendizaje automático. A veces, estos algoritmos se basan total o parcialmente en operaciones matemáticas y lógicas. Del mismo modo, el álgebra booleana también forma parte de las matemáticas y la lógica matemática que se puede utilizar en el aprendizaje automático. En este artículo, vamos a discutir la aplicación del álgebra booleana en el aprendizaje automático. Los puntos principales que se discutirán en la primera parte del artículo se enumeran a continuación.
Tabla de contenido
- ¿Por qué se usa el álgebra booleana en el aprendizaje automático?
- Trabajos relacionados: Álgebra booleana en aprendizaje automático
- Principales aplicaciones en el aprendizaje automático
- Aplicaciones de la vida real
Comencemos la discusión entendiendo por qué se usa el álgebra booleana en el aprendizaje automático.
¿Por qué se usa el álgebra booleana en el aprendizaje automático?
El álgebra booleana se introduce en el aprendizaje automático para superar algunos de los inconvenientes de este campo. Uno de los principales inconvenientes es que los algoritmos de aprendizaje automático son una especie de técnica de caja negra. Para entenderlo mejor, podemos tomar un ejemplo de una red de percepción de múltiples capas o máquinas de vectores de soporte. Con estas técnicas, podemos lograr una buena precisión al modelar, pero cuando se trata de comprender el funcionamiento interno del modelo, no obtenemos tantos detalles. Por otro lado, los algoritmos como el bosque aleatorio y los árboles de decisión pueden describir el funcionamiento, pero muchas veces no obtenemos buenos resultados. Este inconveniente de la caja negra se puede resolver usando álgebra booleana.
Además, esta introducción del álgebra booleana en el aprendizaje automático hizo uso del álgebra booleana para construir conjuntos de reglas inteligibles capaces de obtener un rendimiento muy bueno. El ejemplo anterior es solo una aplicación básica del álgebra booleana en el aprendizaje automático. perceptrones multicapa. perceptron es un algoritmo para el aprendizaje supervisado de clasificadores binarios.
Como sabemos, el álgebra de Boole trabaja sobre la lógica y las condiciones de las reglas. Un modelo básico que puede contener álgebra booleana puede funcionar en las reglas. Por ejemplo, un modelo básico con álgebra booleana comienza con los datos con una variable de destino y variables de entrada o de aprendizaje y, utilizando el conjunto de reglas, genera valor de salida al considerar una configuración dada de muestras de entrada. Una regla simple se puede escribir como:
Si premisa entonces consecuencias
En la regla anterior, la premisa contiene una o varias condiciones en la entrada y la consecuencia contiene un valor de salida. La condición en el local puede tener diferentes formas según el tipo de entrada:
- Si las variables son categóricas, el valor de entrada debe estar en un subconjunto,
- Si las variables están ordenadas, la condición se escribe como una desigualdad o un intervalo,
Por lo tanto, la posible regla se puede escribir de la siguiente manera:
En la expresión anterior, hemos discutido una intuición básica detrás de por qué necesitamos álgebra booleana en el aprendizaje automático. En la siguiente sección del artículo, discutiremos el trabajo que se ha realizado en base a esta intuición.
Trabajos relacionados: Álgebra booleana en aprendizaje automático
En esta sección del artículo, nos enfocamos principalmente en los trabajos donde podemos encontrar álgebra booleana en aprendizaje automático. Algunos de los trabajos relacionados con esto se enumeran a continuación:
- Conmutación de redes neuronales: un nuevo modelo conexionista para la clasificación: En este trabajo podemos ver un ejemplo de modelo donde se utiliza álgebra booleana con las capas de redes neuronales conexionistas. En la arquitectura de este trabajo, encontramos que la primera capa del modelo contiene un convertidor A/D que transforma las muestras de entrada en cadenas binarias, y luego las siguientes dos capas de la red usan una función booleana positiva que resuelve en A /D convertidor de dominio el problema de clasificación original. La función utilizada por la red neuronal en este trabajo se puede escribir en forma de reglas inteligibles. Se puede adaptar un método adecuado para reconstruir la función booleana positiva para entrenar el modelo. Han denominado al modelo Switching Neural Network. La siguiente imagen es una representación del esquema de Switching Neural Networks.
Podemos considerar este trabajo como una red neuronal con tres capas feed-forward donde la primera se usa para el mapeo binario y las siguientes dos capas se usan para expresar la función booleana positiva. Cada puerto en la segunda capa está conectado solo a algunas de las salidas que salen de los enrejados.
- Algoritmos de aprendizaje a través de redes lógicas neuronales: Este trabajo se basa en hacer un paradigma para que las redes neuronales aprendan usando la red neuronal booleana. Se utilizan operadores diferenciales básicos del sistema booleano como conjunción, disyunción y OR exclusivo. Estos operadores diferenciales básicos se pueden combinar con redes neuronales profundas como MLP. Este trabajo puede ser testigo de la superación de algunos de los inconvenientes del MLP para el aprendizaje de tareas algorítmicas discretas. El modelo de este trabajo se conoce como Red Lógica Neural en la que se han introducido Capas Lógicas Neurales basadas en cualquier función booleana. Los tipos de estas capas de lógica neuronal son los siguientes:
- Capa de conjunción neuronal: mantenga la función de conjunción del álgebra booleana.
- Capa de disyunción neuronal: contiene la función de disyunción del álgebra booleana.
- Capa Neural XOR: mantenga la función XOR o OR exclusiva del álgebra booleana.
La imagen a continuación es una comparación de MLP vs NLN para aprender funciones booleanas.
Los enfoques anteriores son dos trabajos básicos que, después de la introducción, se han actualizado y utilizado en varias aplicaciones de la vida real. En la siguiente sección del artículo, analizaremos la aplicación en la vida real de los algoritmos de aprendizaje automático que utilizan álgebra booleana.
Principales aplicaciones del álgebra booleana en el aprendizaje automático
Algunas de las principales aplicaciones del álgebra booleana en el campo del aprendizaje automático se enumeran a continuación:
- Demostración de clasificación por un perceptrón: Para demostrar cómo los perceptrones pueden clasificar los patrones linealmente separables, se pueden usar las tablas de verdad de las operaciones booleanas AND u OR. Los resultados de las operaciones indican las etiquetas de clase mientras que los patrones de entrada representan los puntos de datos en el espacio 2D.
- Problema XOR y Perceptrón Multicapa: Como se discutió anteriormente, los perceptrones pueden clasificar los patrones de entrada de las operaciones booleanas AND u OR con una arquitectura de una sola capa. Pero no logran clasificar los patrones de una operación XOR. Para clasificarlos correctamente, liderar el desarrollo de los perceptrones multicapa.
- Diferentes puertas utilizadas en LSTM Recurrent Neural Network: Podemos ver el uso de puertas en las redes LSTM, especialmente en las puertas. Podemos tomar un ejemplo de una puerta para olvidar donde el resultado de la función sigmoidea (es decir, el estado de olvido) es un indicador de la multiplicación puntual con el estado de la celda que hará que el estado de la celda “olvide toda la información” o “recuerde toda la información”. ”. Esto se puede completar utilizando el concepto de Gates basado en el álgebra booleana.
Aplicaciones de la vida real
Podemos ver los usos de este enfoque, es decir, el aprendizaje automático con álgebra booleana, en varios campos como la medicina, los servicios financieros y la gestión de la cadena de suministro. En esta sección del artículo, analizaremos algunas de las aplicaciones importantes y famosas de la vida real que se enumeran a continuación.
- El trabajo de la red neuronal Switching se ha aplicado a la ciencia médica donde se utiliza para clasificar los nuevos osteocondromas múltiples, que es un tipo de tumor de los huesos. Más detalles sobre esta aplicación se pueden encontrar aquí.
- Este enfoque se aplica para hacer un clasificador de pronóstico para pacientes con neuroblastoma. El neuroblastoma es un tipo de cáncer que se descubre principalmente en la glándula pequeña. Básicamente, este clasificador constaba de 9 reglas que utilizaban principalmente dos condiciones de la expresión relativa de 11 conjuntos de sondas y algoritmos aplicados a datos de micromatrices y clasificación de pacientes. Podemos encontrar más detalles sobre el trabajo aquí.
- Este enfoque se ha aplicado al diagnóstico del mesotelioma pleural. Para ello, han aplicado la máquina de aprendizaje lógico a un conjunto de datos de 169 pacientes en el norte de Italia. También compararon el resultado del algoritmo con los resultados de otros algoritmos como árboles de decisión, KNN y redes neuronales artificiales y descubrieron el rendimiento superior de las redes neuronales conmutadas. Podemos encontrar más detalles sobre este trabajo aquí.
Ultimas palabras
En este artículo, hemos discutido por qué necesitamos el álgebra booleana en el aprendizaje automático con una intuición de cómo se puede aplicar en el aprendizaje automático. Junto con esto, también hemos discutido algunos de los principales trabajos relacionados con su aplicación en la vida real.
