7.6: Puntos clave en el Capítulo Siete

• ¿Qué son las categorías?

  Las categorías son clases de equivalencia: conjuntos o grupos de cosas o entidades abstractas que tratamos igual.

  (Ver “El qué y el por qué de las categorías”)

• ¿Qué determina el tamaño de la clase de equivalencia?

  El tamaño de la clase de equivalencia está determinado por las propiedades o características que consideramos.

  (Ver “El qué y el por qué de las categorías”)

• ¿Por qué contrastamos la categorización cultural, individual e institucional?

  La categorización cultural, individual e institucional comparten algunas ideas centrales pero enfatizan diferentes procesos y propósitos para crear categorías.

  (Ver “El qué y el por qué de las categorías”)

• ¿Qué distingue a las categorías individuales?

  Las categorías individuales son creadas por actividad intencional que generalmente se lleva a cabo en respuesta a una situación específica.

  (Ver “Categorías Individuales”)

• ¿Qué distingue a las categorías institucionales?

  Las categorías institucionales se crean con mayor frecuencia en dominios abstractos e intensivos en información donde se necesitan categorías inequívocas y precisas.

  (Ver “Categorías Institucionales”)

• ¿Cuál es la relación entre categorías y clasificación?

  La rigurosa definición de categorías institucionales permite la clasificación, la asignación sistemática de recursos a categorías en un sistema de organización.

  (Ver “Categorías Institucionales”)

• ¿Cuándo es necesario crear categorías por métodos computacionales y no por personas?

  Las categorías computacionales son creadas por los programas de computadora cuando el número de recursos, o cuando el número de descripciones u observaciones asociadas a cada recurso, es tan grande que la gente no puede pensar en ellos de manera efectiva.

  (Ver “Categorías Computacionales”)

• ¿Cuál es la diferencia entre el aprendizaje supervisado y el no supervisado?

  En el aprendizaje supervisado, un programa de aprendizaje automático se capacita dándole elementos de muestra o documentos etiquetados por categoría. En el aprendizaje no supervisado, el programa obtiene las muestras pero tiene que idear las categorías por sí solo.

  (Ver aprendizaje supervisado y no supervisado)

• ¿Por qué importa si cada recurso de una colección tiene un identificador ordenable?

  Cualquier colección de recursos con identificadores ordenables (alfabéticos o numéricos) como propiedad asociada puede beneficiarse del uso del orden de clasificación como principio de organización.

  (Ver “Propiedades Individuales”)

• ¿Cuál es la preocupación cuando solo se utiliza una sola propiedad para asignar membresía a categoría?

  Si solo se usa una sola propiedad para distinguir entre algún conjunto de recursos y para crear las categorías en un sistema de organización, la elección de la propiedad es crítica porque diferentes propiedades a menudo conducen a diferentes categorías.

  (Ver “Propiedades Individuales”)

• ¿Qué es un sistema jerárquico de categorías?

  Una secuencia de decisiones de organización basada en un orden fijo de las propiedades de los recursos crea una jerarquía, un sistema de categorías multinivel.

  (Consulte “Categorías multinivel o jerárquicas”)

• ¿Qué se puede decir de cualquier miembro de una categoría clásica en términos de cómo representa la categoría?

  Una implicación importante de la definición de categoría necesaria y suficiente es que cada miembro de la categoría es un miembro igualmente bueno o ejemplo de la categoría.

  (Ver “Propiedades Necesarias y Suficientes”)

• ¿Qué es la redondez?

  Para la mayoría de los propósitos, la propiedad más útil de los recursos de información para categorizarlos es su torno, que no es directamente perceptible y que es difícil de caracterizar.

  (Ver “Los límites de la categorización basada en la propiedad”)

• ¿Cuándo es necesario adoptar una visión probabilística o estadística de las propiedades en la definición de categorías?

  En dominios donde las propiedades carecen de una o más de las características de separabilidad, perceptibilidad y necesidad, se necesita una visión probabilística o estadística de las propiedades para definir categorías.

  (Ver “Categorías probabilísticas y “semejanza familiar””)

• ¿Qué es el parecido familiar?

  Compartir algunas pero no todas las propiedades es similar a las semejanzas familiares entre los miembros de la categoría.

  (Ver “Categorías probabilísticas y “semejanza familiar””)

• ¿Qué es la similitud?

  La similitud es una medida del parecido entre dos cosas que comparten algunas características pero no son idénticas.

  (Ver “Similaridad”)

• ¿Cuáles son los cuatro enfoques motivados psicológicamente que proponen diferentes funciones para la similitud informática?

  Los enfoques basados en características o propiedades, basados en la geometría, transformacionales y basados en alineación o analogía son enfoques motivados psicológicamente que proponen diferentes funciones para la similitud informática.

  (Ver “Similaridad”)

• ¿Cuáles son las llamadas “categorías clásicas”?

  Las categorías clásicas se pueden definir con precisión con solo unas pocas propiedades necesarias y suficientes.

  (Ver “Categorías Básicas o Naturales”)

• ¿Cómo afecta la amplitud de una categoría a la compensación de recuperación/precisión?

  Las categorías más amplias o de grano grueso aumentan la memoria, pero disminuyen la precisión.

  (Ver “The Recall/Precision Tradeoff”)

• ¿Qué es un árbol de decisiones?

  Un árbol de decisión simple es un algoritmo para determinar una decisión mediante la toma de una secuencia de pruebas lógicas o de propiedad.

  (Ver “Implementación de Categorías Definidas por Propiedades”)

• ¿Cuál es el beneficio práctico de definir categorías según características necesarias y suficientes?

  La implementación más conceptualmente simple y directa de categorías en tecnologías para organizar sistemas adopta la visión clásica de categorías basadas en características necesarias y suficientes.

  (Ver “Implementación de Categorías Definidas por Propiedades”)

• ¿Cómo los lenguajes artificiales como la notación matemática y los lenguajes de programación permiten la especificación precisa de categorías?

  Un lenguaje artificial expresa ideas de manera concisa introduciendo nuevos términos o símbolos que representan ideas complejas junto con mecanismos sintácticos para combinarlas y operarlas.

  (Ver “Implementación de Categorías Definidas por Propiedades”)

• ¿Cómo aprenden los clasificadores Naïve Bayes?

  Los clasificadores Bayes ingenuos aprenden revisando la probabilidad condicional de cada propiedad para hacer la clasificación correcta después de ver las tasas base de la clase y propiedad en los datos de entrenamiento y qué tan probable es que un miembro de la clase tenga la propiedad.

  (Ver “Clasificadores Bayes Naïve”)

• ¿Cómo crean categorías las técnicas de clustering?

  Debido a que las técnicas de clustering no son supervisadas, crean categorías basadas en cálculos de similitud entre recursos, maximizando la similitud de recursos dentro de una categoría y maximizando las diferencias entre ellos.

  (Ver “Categorías creadas por Clustering”)