Aprendizaje maquina multitarea mediante edicion de datos y algoritmos de aprendizaje extremo. multitask learning with data editing and extreme learning machine

Cuando los seres humanos nos enfrentamos a un nuevo concepto que queremos aprender, nuestro cerebro no lo hace de forma aislada, sino que utiliza todo el conocimiento previamente aprendido para ayudarse en este nuevo aprendizaje. Ademas, nuestro cerebro es capaz de aislar lo que no va a beneficiarnos y a utilizar lo que realmente nos va ser util, esto lo hace muy bien y de forma inconsciente. Sin embargo, cuando una maquina de aprendizaje es entrenada para resolver una determinada tarea, por ejemplo, a diagnosticar una determinada enfermedad, normalmente esta maquina aprende en solitario solo con los datos disponibles sobre esa enfermedad. Hay una metodologia llamada Aprendizaje Multitarea, MTL ("Multi-Task Learning"), que se fundamenta en la idea inicialmente expuesta. De esta forma, la tarea a resolver (tarea principal) se aprende conjuntamente con otras tareas relacionadas (tareas secundarias), se produce una transferencia de informacion entre ellas que puede ser ventajosa para el aprendizaje de la primera. Sin embargo, en problemas reales, es dificil encontrar tareas que esten relacionadas o incluso, encontrandolas, es sumamente complejo determinar el grado en que se va a realizar esa ayuda, ya que una tarea puede contener informacion que puede ayudar pero tambien perjudicar. Esta Tesis incorpora una nueva metodologia que permite obtener tareas secundarias relacionadas con la que se pretende aprender (tarea principal). La segunda contribucion de este trabajo se enmarca tambien dentro del MTL, en este caso, disenando de forma automatica una maquina MTL que elimine todos aquellos factores que perjudiquen o no beneficien al aprendizaje de la tarea principal. Esta arquitectura es unica y ademas se obtiene sin necesidad de metodologias de ensayo/error que aumentan la complejidad de calculo.;When humans faced with a new concept that we want to learn, our brain does not work in isolation, but rather uses all previously learned knowledge to assist in this new learning. In addition, our brain is able to isolate what is not going to benefit and use what will be really useful, it does very well and unconsciously. However, when learning machines are trained for solving a specific problem, for example, to diagnose a particular disease, usually this machine learns only the available data on this disease. There is a methodology called Multi-Task Learning (MTL), which is based on the idea initially exposed. Thus, the task to be solved (main task) is learned together with other related tasks (secondary tasks), by producing a transfer of information among them which may be advantageous for learning of the main one. But in real problems, it is extremely difficult to determine how the simultaneous learning with other related tasks affects to the performance of the main one, because a task can contain information that can be helpful (i.e. the main task learning is improved) or harmful (i.e. the main task learning gets worse). This PhD. Thesis, proposes a new methodology that allows to obtain related secondary tasks in order to be helpful to the main one. The second contribution of this work is also included in the MTL framework: the complete automatically removing those factors which harm or no benefit the learning of the main task. This architecture is also unique and it is obtained without the traditional test/fail methodologies which usually increase the computational complexity.