Ethan Frome

DESARROLLO DEL TEMARIOIntroduccin

La Inteligencia: permite tener la habilidad de:

Tener actitudes mentales (creer, deseo, intencin)

Aprender (habilidad de adquirir nuevos conocimientos)

Resolver problemas (habilidad de romper problemas complejos en pequeos)

Comprender

Planificacin y prediccin de consecuencias por acciones contempladas

Conocer sus limitaciones de conocimiento y habilidades

Deducir diferencias entre situaciones aparentemente similares

Ser original (adquirir sus nuevas propias ideas y conceptos)

Generalizar (encontrar situaciones comunes de situaciones superficialmente distintas)

Percibir y modelar el mundo externo

Comprender y usar los lenguajes y utilitarios de smbolos relacionados.

Inteligencia Artificial: Es simplemente una va para crear computadoras pensando inteligentemente

reas de la IA: Varias son las reas entre ellas tenemos:Juegos InteligentesLos programas de juegos han alcanzado gran desarrollo hoy en da, llegando a ganar a expertos en el tema como es el caso del ajedrez (eje: ID3 genera programas de ajedrez, MEPHISTO IV: programa de ajedrez) ANEXO (tres en raya) MIN-MAX (simulacin)

MN-MAX (SIMULACIN)

Algunos antecedentes para la explicacin del mtodo:

Estado inicial: que incluye la posicin inicial en el tablero y una indicacin de a quien le toca jugar

Operadores: quienes definen que jugadas estn permitidas a un jugador

Prueba Terminal: que define el termino del juego, es decir, los estados donde termina el juego

Utilidad: conocida como funcin resultado, donde asigna un valor numrico al resultado obtenido en un juego

Lo que se trata es hacer que MAX encuentre una estrategia que conduzca a un estado Terminal ganador, independiente de lo que haga MIN

grafico pag. 133 (inteligencia artificial)

donde se observa un rbol de bsqueda parcial del juego del tres en raya y al final en cada nodo hoja un numero que representa el valor de utilidad del estado Terminal desde el punto de vista de MAX y malos para MIN

de ah que nace el algoritmo MN-MAX que sirve para obtener la estrategia mas optima para MAX, posee 5 pasos:

Generacin de todo el rbol de juego, completamente hasta alcanzar los estados terminales

Aplicacin de la funcin de utilidad a cada estado Terminal y obtencin de su valor respectivo

Uso de la utilidad de los estados terminales para calcular la utilidad de los nodos del siguiente nivel superior en el rbol de bsqueda.

Es as que si la utilidad que estamos calculando del nivel superior es cuando le toca jugar a MIN se deber escoger o poner la menor utilidad (en referencia que estamos buscando el algoritmo de MAX) de los nodos descendientes,

En cambio, si la utilidad que estamos calculando del nivel superior es cuando le toca jugar a MAX se deber escoger o poner la mayor utilidad (en referencia que estamos buscando el algoritmo de MAX) de los nodos descendientes

Continuacin de esta transferencia de utilidad en direccin a la raz, una capa a la vez

Finalmente si los valores transferidos llegan a la parte superior del rbol, en este sitio MAX elige la jugada que le permita obtener el valor mas alto, esta decisin se la conoce como decisin min-max

PODA ALFA-BETA (SIMULACIN)

Si se nota en la bsqueda anterior, se debe barrer todos los nodos del rbol de bsqueda, lo cual es valido para casos de pocos nodos, pero si el rbol es demasiado grande es recomendable buscar un algoritmo correcto sin tener que explorar todo, esto se denomina PODA y especficamente Poda-alfa-beta que se aplica al rbol mn-max estndar

Donde har la misma jugada pero elimina las ramas que no le representan alternativas positivas y no influyan en la decisin final

Recurdese que la bsqueda mn-max es preferente por profundidad, es decir, que en todo momento es necesario considerar todos los nodos que estn en una sola ruta del rbol

Sea el valor mejor opcin encontrada hasta entonces en un punto dentro de la ruta MAX el valor mejor opcin encontrada hasta entonces en un punto dentro de la ruta MIN (valor mas bajo)

estos dos valores anteriores irn variando a lo largo de la bsqueda, en donde se encuentra un subrbol que es peor valor que y y se lo elimina.

Procesamiento de lenguaje natural

Lenguaje Natural Lenguaje natural es el sistema de comunicacin entre el hombre y el ordenador

PLN es la rea de IA que hace que los ordenadores lean, hablen y entiendan en lenguaje de las personas. Este tipo de programas denominados proceso de lenguaje natural.

Facilitar la comunicacin hombre-computadora por medio del lenguaje humano, o lenguaje natural

producir sistemas informticos que posibiliten dicha comunicacin, por medio de la voz o del texto

disciplina tan antigua como el uso de las computadoras (aos 50), de gran profundidad, y con aplicaciones tan importantes como la traduccin automtica o la bsqueda de informacin en Internet

Niveles de Procesamiento de Lenguaje Natural

Estos son utilizados para la explicacin de la arquitectura de un sistema de PLN.

Nivel Fonolgico: cmo las palabras se relacionan con los sonidos que representan.

Nivel Morfolgico (lxico): Cmo las palabras se construyen a partir de unidades de significado mas pequeas llamadas morfemas.

Ejemplo: Rpida + Mente = Rpidamente.

Sufijo (ando, endo) trabajandoRaz (ar, ir) salirPrefijo (in) incomodar.

Nivel Sintctico: cmo las palabras pueden unirse para formar oraciones, mediante reglas gramaticales tenemos:

Frase nominal: FN (nombre), (articulo, nombre), (articulo, nombre, adjetivo), etc.Frase Verbal: FV (Verbo), (Verbo, complemento), (verbo, nombre), (verbo, adverbio, nombre) etc. Nivel Semntico: trata del significado de las palabras y de cmo los significados se unen para dar significado a una oracin

Ejemplo: de una oracin con artculo, nombre, verbo; se la define reglas por el orden de las palabras.

ANEXO (anlisis gramatical grafico)

Nivel Pragmtico: Cmo las oraciones se usan en distintas situaciones y de cmo el uso afecta al significado de las oraciones. Se suele reconocer un subnivel recursivo: discursivo, que trata de cmo el significado de una oracin se ve afectado por las oraciones inmediatamente anteriores.

El problema de la Ambigedad

Uno de los grandes problemas del PLN se produce cuando una expresin en LN posee ms de una interpretacin.

Este problema de la ambigedad se presenta en todos los niveles del lenguaje, sin excepcin. Ejemplo:

"Juan vio a Mara, con el telescopio

"Juan vio a Mara con el telescopio

Al presentarse en todos los niveles del lenguaje, se tienen que desarrollar programas (en lenguaje formal) para solucionarlos en cada caso.

Arquitectura de un sistema de PLN

Conocidos los niveles del lenguaje, el siguiente paso es la elaboracin de la arquitectura del sistema de PLN, o sea, como va la computadora a interpretar y analizar las oraciones que le sean proporcionadas, basndose en el siguiente esquema:

El usuario le expresa a la computadora que es lo que desea hacer.

La computadora analiza las oraciones proporcionadas, en el sentido morfolgico y sintctico, es decir, si las frases contienen palabras compuestas por morfemas y si la estructura de las oraciones es correcta.

El siguiente paso, es analizar las oraciones semnticamente, es decir saber cual es el significado de cada oracin, y asignar el significado de estas a expresiones lgicas (T o F).

Luego se realiza el anlisis pragmtico de la instruccin, obtenindose la expresin final.

Una vez obtenida la expresin final, el siguiente paso es la ejecucin de esta, para obtener as el Resultado y poder proporcionrselo al usuario.

Dificultades en el PLN Deteccin de separacin entre las palabras En la lengua hablada, no se suelen hacer pausas entre palabra y palabra. Mientras que en la lengua escrita, idiomas como el idioma chino mandarn tampoco tienen separaciones entre las palabras Ambigedad semntica Cualquier palabra puede tener varios significados, se selecciona el significado que tiene un mayor sentido dentro del contexto Ambigedad sintctica La gramtica de lenguas naturales tienen normalmente ambigedades estructurales, pudindose construir distintos rboles sintcticos. Para escoger el ms apropiado, a menudo, hay que tener en cuenta informacin semntica y contextual Informacin pragmtica Una oracin, a menudo, no significa lo que realmente se est diciendo. Elementos tales como la irona tienen un papel importante en la interpretacin del mensaje Recepcin imperfecta de datos Acentos extranjeros, regionalismos o dificultades en la produccin del habla, errores de mecanografiado o expresiones no gramaticales.

Aplicaciones del PLN

Traduccin automtica: la traduccin correcta de un lenguaje a otro, tomando en cuenta lo que se quiere expresar en cada oracin, y no solo palabra por palabra. Ejemplo Babiln,

Recuperacin de la informacin: Se da una instruccin en LN y el computador responde lo referente al tema

Extraccin de Informacin y Resmenes: Programas que tienen capacidad de crear un resumen de un documento

Resolucin cooperativa de problemas: Cooperar con los humanos para la solucin de problemas complejos, proporcionando datos e informacin, debiendo existir una excelente interactividad

Tutores inteligentes: Es una aplicacin acadmica, ya que se refiere a la enseanza asistida por computadora, con capacidad de evaluar al educando y tener la capacidad de adaptarse a cada tipo de alumno

Reconocimiento de Voz: El reconocimiento de voz puede tener dos posibles usos: para identificar al usuario o para procesar lo que el usuario dicte, existiendo ya programas comerciales, que son accesibles por la mayora de los usuarios, ejemplo: ViaVoice.

Robtica

El objetivo de esta rea es que los ordenadores interaccionen con el mundo exterior desarrollndoles capacidades sensoriales (SHRDLU robot que puede mover bloques, hablar y otras funciones mas) Una maquina puede hacer el trabajo de 100 hombres, pero ninguna maquina puede hacer el trabajo de un hombre extraordinario.

Robot, un manipulador reprogramable de uso general con sensores externos e internos que puede realizar diferentes tareas especficas.

La robtica es un rea formada por:Mecnica: Diseo, Anlisis Esttico y DinmicoMicroelectrnica: Transmitir informacinInformtica: Programas, coordinacin mecnicaLocomocin y manipulacin: ligados con componentes mecnicosPercepcin: ligada con dispositivos que proveen informacinRazonamiento: seleccionan acciones que deben tomar para realizar una tareaAmbientes Preparados y ambientes no predecibles.Leyes de la Robtica:Primera Ley: Un robot no puede daar a un humanoSegunda Ley: Deben obedecer al humano excepto cuando este en contra de la primera leyTercera Ley: Proteger su existencia siempre y cuando no este en conflicto con la 1 y la 2 ley.Morfologa del Robot:

Clasificacin de los Robots:

De acuerdo a:

Generacin

Robots Play-back, regeneran una secuencia de instrucciones grabadas, ejemplo: robot utilizado para recubrimiento de spray o soldadura por arco. Estos robots comnmente tienen un control de lazo abierto.

Robots controlados por sensores, estos tienen un control en lazo cerrado de movimientos manipulados, y hacen decisiones basados en datos obtenidos por sensores.

Robots controlados por visin, donde los robots pueden manipular un objeto al utilizar informacin desde un sistema de visin.

Robots controlados adaptablemente, donde los robots pueden automticamente reprogramar sus acciones sobre la base de los datos obtenidos por los sensores.

Robots con inteligencia artificial, donde los robots utilizan las tcnicas de inteligencia artificial para hacer sus propias decisiones y resolver problemas.

A su nivel de inteligencia

Dispositivos de manejo manual, controlados por una persona.

Robots de secuencia arreglada.

Robots de secuencia variable, un operador puede modificar la secuencia fcilmente.

Robots regeneradores, el operador humano conduce el robot a travs de la tarea.

Robots de control numrico, el operador alimenta la programacin del movimiento, hasta que se ensee manualmente la tarea.

Robots inteligentes, los cuales pueden entender e interactuar con cambios en el medio ambiente.

A su nivel de control

Nivel de inteligencia artificial, el programa aceptar un comando como "levantar el producto" y descomponerlo dentro de una secuencia de comandos de bajo nivel basados en un modelo estratgico de las tareas.

Nivel de modo de control, los movimientos del sistema son modelados, para lo que se incluye la interaccin dinmica entre los diferentes mecanismos, trayectorias planeadas, y los puntos de asignacin seleccionados. Niveles de servosistemas, los actuadores controlan los parmetros de los mecanismos con el uso de una retroalimentacin interna de los datos obtenidos por los sensores, y la ruta es modificada sobre la base de los datos que se obtienen de sensores externos. Todas las detecciones de fallas y mecanismos de correccin son implementadas en este nivel.

A su nivel de lenguaje de programacin: La clave para una aplicacin efectiva de los robots, es el desarrollo de lenguajes de alto nivel. Existen muchos sistemas de programacin de robots, aunque la mayora del software ms avanzado se encuentra en los laboratorios de investigacin Sistemas guiados, en el cual el usuario conduce el robot a travs de los movimientos a ser realizados. Sistemas de programacin de nivel-robot, en los cuales el usuario escribe un programa de computadora al especificar el movimiento y el sensado. Sistemas de programacin de nivel-tarea, el usuario especifica la operacin por sus acciones sobre los objetos que el robot manipula.

Categoras de los Robots:

Cartesiano (horizontal, vertical),

Cilndrico (rota en un eje),

Esfrico Polar(rotacin esfrica: rotacin, angular, lineal),

Brazo Articulado (movilizacin en todo sentido)

Grados de libertad:

Es el nmero y tipo de movimientos del robot

se obtiene observando los movimientos del brazo y de la mueca

tanto en el brazo como la mueca se encuentra la variacin de tres grados de libertad

en la mueca pueden existir los siguientes grados:

giro (hand rotate)

elevacin (wrist flex)

desviacin (wrist rotate)

en el brazo los grados de libertad dependen de su anatoma o configuracin.

Sensores de Robots:

Posicin y proximidad: Internos o externos. Velocidad y aceleracin.

Dimensiones y entornos de objetos

Sensores de Temperatura, Presin (Presductores), etc. Sensores Optoelctricos: led, fotodiodos, fototransistores

Galgas Extensiomtricas: medir fuerza, material flexible

Sensores de proximidad: inductivos, capacitivos, triangulacin

Sensores Elctricos: Estado de motores de corrientes continuas Sensores Electromecnicos: tacmetros, transductores de vibracin, sensores de efecto Hall

Sensores Ultrasnicos.Efectores:

dispositivos que producen efectos en el entorno bajo el control del robot

herramientas para ejecucin

es el actuador

Formas de comunicarse con el Robot:

reconocimiento de palabra discreta y continua, reconocimiento por parte del robot de cierto grupo de palabras discretas (lenguaje natural)

ensear y reproducir(propiocepcion), se lo hace en tres pasos

se lo dirige lentamente al robot con control manual

edicin y reproduccin del movimiento enseado

si es correcta la enseanza se ejecuta a una velocidad apropiada y de forma repetitiva

lenguajes de programacin de alto nivel, los conocidos son el AL (Universidad de Stanford) y al AML (IBM).

Enviando estmulos a los sensores.Metodologa del diseo de un Robot

El proyecto consta bsicamente de cuatro etapas; Etapa de Investigacin, Etapa de Sntesis Informativa, Etapa de Diseo y Construccin, Etapa de pruebas, calibracin y control. I. Etapa de Investigacin

a) Adquisicin de Bibliografa.

b) Bsqueda de las fuentes de informacin especficas de aquellos elementos que constituyen el prototipo.

c) Investigacin de las variables que intervienen en el proceso de control del prototipo.

d) Adquisicin y estudio del software para el desarrollo e implementacin de los algoritmos de control.

II. Etapa de Sntesis de la Informacin Se basa en la etapa anterior y da como resultado una serie de elementos que son necesarios para el desarrollo de las siguientes etapas de el proyecto. III. Etapa de Diseo y Construccin Se aplica toda la informacin que se recaba y consulta, y que el diseo del prototipo requiere para el cumplimiento de los objetivos planteados anteriormente. En base a estos lineamientos se construyen las piezas que conforman el prototipo, con el material y componentes adecuados. IV. Etapa de Pruebas, Calibracin y Control sta es la etapa final, se adoptan las medidas necesarias para alcanzar los objetivos planteados. Se aplican los algoritmos de control y se prueban hasta conseguir el resultado esperado. Para que sirven los Robots:

fabricacin y manejo de materiales

en actualidad existen 600.000 robots, de los cuales el 70% estn en USA, Japn y Francia

industria automotriz, microelectrnica

presencia en la construccin para mover objetos muy pesados con precisin y eficiencia

esquila de ovejas(Australia) (automticos, percepcin sensorial, retroalimentacin tctil)

Mensajero

Mviles

En edificios, hospitales, al fondo de mar

Sus requerimientos son pedidos a travs de terminales de computo

Gran disponibilidad

Confiabilidad

Monitoreo

Ambiente peligrosos

Disminucin de riesgos para la vida humana

Mantenimiento rutinario a plantas nucleares

Eliminacin de residuos txicos

Rescate a profundidad

Exploracin minera

No debern producir dao a los seres humanos presentes en el entorno

Tele presencia y Realidad Virtual

Sitios remotos y/o imaginarios

Para diversin

Robots teleoperador para dar solucin al desarmado de bombas

Ingenieros y arquitectos utilizan para mostrar sus proyectos en detalle

Mdicos especialistas que consultan e intervienen quirrgicamente a miles de kilmetros

Sentido de tacto remoto

Ampliacin de capacidades humanas

Duplicar extremidades humanas perdidas

Perros lazarillos

Visin artificial

Los brazos binicos y las articulaciones artificiales. En los Estados Unidos ya hay 85.000 rodillas mecnicas, 120.000 caderas y 70.000 hombros. Parte de ellos ya cuentan con sistemas robticos para su implantacin.

En Israel estn perfeccionando un sistema de retroalimentacin continuo, proveniente de los sensores implantados en los nervios del hombro del miembro amputado, que produce una respuesta inmediata a la comunicacin elctrica de un nervio, en la misma forma en que se comporta el sistema nervioso. Eso permite que el brazo binico (que encierra una mini computadora) funcione suavemente, casi como uno normal.

VideosRedes Neuronales

Neurona

El tejido nervioso est constituido por clulas nerviosas, fibras nerviosas y la neuroglia,

La clula nerviosa se denomina neurona, las hay neuronas bipolares, con dos prolongaciones de fibras y multipolares, con numerosas prolongaciones. Pueden ser neuronas sensoriales, motoras y de asociacin Se estima que en cada milmetro del cerebro hay cerca de 50.000 neuronas.

El cuerpo de la neurona o Soma contiene el ncleo, el cual se encarga de todas las actividades metablicas de la neurona y recibe la informacin de otras neuronas vecinas a travs de las conexiones sinpticas.

Las dendritas son las conexiones de entrada de la neurona.

El axn es la "salida" de la neurona y se utiliza para enviar impulsos o seales a otras clulas nerviosas. que forman sinpsis con el soma o axones de otras clulas. Esta unin puede ser "inhibidora" o "excitadora" segn el transmisor que las libere.

La Red Neuronal

El sistema de neuronas biolgicas esta compuesto por neuronas de entrada (sensores) conectados a una compleja red de neuronas "calculadoras" (neuronas ocultas), las cuales, a su vez, estn conectadas a las neuronas de salidas que controlan, por ejemplo, los msculos.

Los sensores pueden ser seales de los odos, ojos, etc. las respuestas de las neuronas de salida activan los msculos correspondientes.

En el cerebro hay una gigantesca red de neuronas "calculadoras" u ocultas que realizan la computacin necesaria. De esta manera similar, una red neuronal artificial debe ser compuesta por sensores del tipo mecnico o elctrico.

Funcionamiento de las sinapsis

Cientos de datos fluyen por los nervios hasta cada sinapsis, donde son procesados. Una vez analizada y tratada la informacin esta sale ya transformada por los canales nerviosos

En los seres vivos no pueden permitirse el lujo de la especializacin ya que si algo se rompe otro elemento debe hacerse cargo de la funcin. Por eso cada sinapsis es simultneamente una compuerta Ad, Or, Not etc.

Una sinapsis suma las tensiones de los impulsos entrantes. Cuando se sobrepasa un determinado nivel de tensin; el llamado umbral de indicacin; esta se enciende, esto es deja libre el camino para que pasen los impulsos.

Si el umbral de indicacin de tensin es demasiado bajo, la sinapsis es como una puerta lgica del tipo Or, pues en tal caso pocos impulsos bastan para que tenga lugar la conexin.

En cambio cuando el umbral de indicacin es alto, la sinapsis acta como una puerta And, ya que en ese caso hace falta que lleguen la totalidad de los impulsos para que el camino quede libre.

Tambin existen conducciones nerviosas que tienen la particularidad de bloquear el paso apenas llegan los impulsos. Entonces la sinapsis hace la funcin de una compuerta inversora. Esto demuestra la flexible del sistema nervioso.

REDES REURONALES ARTIFICIALES

La Neurona Artificial

Un circuito elctrico que realiza la suma ponderada de las diferentes seales que recibe de otras unidades iguales y produzca en la salida un uno o un cero segn el resultado de la suma con relacin al umbral o nivel de disparo,

a funcin de transferencia para la activacin o disparo de la neurona puede ser:

de umbral lgico

de limitacin duracin

de funcin tipo.

Se produce un entrenamiento, cuando se presenta un mismo tipo de ambiente varias veces y cierto numero de neuronas se activan, esto produce un refuerzo, la red queda entrenada y con el peso de conexiones definido. As, se puede cargar a la neurona con los valores predeterminados.

Redes Neuronales Artificiales

Son construidos imitando el proceso de aprendizaje biolgico humano inteligente, auto modificacin, y aprendizaje por creacin de inferencias, proveen un aprendizaje por experiencia dinmica. Funcionan con la interconexin de neuronas que ejecutan clculos dando resultados que son transmitidos a otras neuronas a lo largo de todas las vas. Esos resultados o seales son igualmente procesados y enviados a otras si los resultados del proceso lo permiten. Si la entrada esta inhibida es seal negativa y si es exitosa es valor positivo. Si la suma de valores positivos y negativos superan el threshold Level (Umbral), la neurona puede enviar seal a otras, este proceso se conoce con el nombre firing (encendiendo).

Estructuras de conexin de atrs hacia delante

Hay tres tipos de capas de neuronas: de entrada, ocultas y de salida.

Entre dos capas de neuronas existe una red de pesos de conexin que pueden ser de los tipos: Hacia delante, hacia atrs, lateral y de retardo.

Conexiones hacia delante: los datos de las neuronas de una capa inferior son propagadas hacia las neuronas de la capa superior.

Conexiones hacia atrs: llevan los datos de las neuronas de una capar superior a otras de la capa inferior.

Conexiones laterales: ejemplo es el circuito(winner-takes-all, el ganador toma todo que cumple un papel importante en la eleccin del ganador.

Conexiones con retardo: se incorporan en las conexiones para implementar modelos dinmicos y temporales, es decir, modelos que precisan de memoria.Entrenamiento

Redes Neuronales Supervisadas y no Supervisadas

Las redes neuronales se clasifican comnmente en trminos de sus correspondientes algoritmos o mtodos de entrenamiento:

Redes de Pesos Fijos:

no existe ningn tipo de entrenamiento.

Redes de entrenamiento Supervisado:

modelos de redes ms desarrolladas desde el inicio.

Los datos para el entrenamiento estn constituidos por varios pares de patrones de entrenamiento de entrada y de salida.

El hecho de conocer la salida implica que el entrenamiento se beneficia la supervisin de un maestro.

Dado un nuevo patrn de entrenamiento, por ejemplo, (m+1)-simo, los pesos sern adaptados de la siguiente forma:

Wij(m+1) = Wij(m) + Wij(m)

un diagrama esquemtico de un sistema de entrenamiento supervisado:

tienen 2 fases:

Fase de Prueba:

los parmetros de diseo de la red neuronal se han obtenido a partir de unos patrones representativos de las entradas que se denominan patrones de entrenamiento.

Los resultados pueden ser tanto calculados de una vez como adaptados iterativamente, segn el tipo de red neuronal, y en funcin de las ecuaciones dinmicas de prueba.

Una vez calculados los pesos de la red, los valores de las neuronas de la ltima capa, se comparan con la salida deseada para determinar la validez del diseo.

Fase de Aprendizaje:

Aprenden por la actualizacin o cambio de los pesos sinpticos que caracterizan a las conexiones.

Los pesos son adaptados de acuerdo a la informacin extrada de los patrones de entrenamiento nuevos que se van presentando.

Normalmente, los pesos ptimos se obtienen optimizando (minimizando o maximizando) bajo una funcin determinada

ejemplos tpicos (supervisados) son:

red perceptron: en la fase de entrenamiento determina funciones discriminantes, que dictaminan las regiones de decisin

red adaline: usa la frmula de aproximacin basada en el criterio del error cuadrtico medio lineal.

Minimizar E = Mm=1(y(m) t(m))2

Redes de entrenamiento No Supervisado

El conjunto de datos de entrenamiento consiste slo en los patrones de entrada Por lo tanto, la red es entrenada sin el beneficio de un maestro La red aprende a adaptarse basada en las experiencias recogidas de los patrones de entrenamiento anteriores.

El diagrama esquemtico es similar al supervisado sino sin el Maestro (teacher), pero igual con retroalimentacin.

Ejemplos tpicos (no supervisados) son:

Regla de Aprendizaje de Hebb: consiste en reforzar el peso que conecta dos nodos que se excitan simultneamente Regla de Aprendizaje Competitiva: si un patrn nuevo se determina que pertenece a una clase reconocida previamente, entonces se da la inclusin de este nuevo patrn a esta clase. Si el patrn de la entrada se determin que no pertenece a ninguna de las clases reconocidas anteriormente, entonces la estructura y los pesos de la red neuronal sern ajustados para reconocer la nueva clase.

SMA MAS SISTEMAS MULTIAGENTES

Agente: Es un Sistema computacional que opera de forma autnoma, con capacidad de reaccionar dinmicamente a estmulos externos y comunicarse entre s y que posee conocimientos e intencionalidad para resolver problemas especficos.

Agente Inteligente: es aquel que emprende la mejor accin posible en una situacin dada.

Percibe su ambiente mediante sensores y que responde mediante efectores en el caso de agentes de software sus percepciones o acciones son las cadenas de bits codificados

estos agentes deben poseer conocimiento.Agente racional: aquel que hace correcto las cosas, es decir, con mejor desempeo (como y cuando hacer).

Secuencia de percepciones: todo lo que el agente haya percibido hasta el momento, como una historia.

Agente inteligente racional ideal: en todos los casos de secuencia de percepciones, deber hacer todas las acciones que favorezcan a tener el mximo rendimiento, basndose en evidencias aportadas por la secuencia de percepcin y de todo el conocimiento incorporado en el agente.

Tipos de Agentes

Existen varios tipos de agentes, como podemos observar de acuerdo al manejo de programas se consideran cuatro tipos de agentes:

Agente de reflejo simple:

basados en reglas de condicin-accin o situacin-accin, o reglas si-entonces; toma una accin de acuerdo a una conexin el agente establece conexin entre percepciones y acciones ejemplo: si el carro de adelante frena, se prende la luces de alto, la cmara capta y entonces debe frenar (regla condicin-accin: SI el carro de adelante est frenado ENTONCES empiece a frenar) grfico (pag 43- figura 2.7) (los rectngulos son estado internos en un momento dado de la decisin del agente, los valos son informacin de base) Agente bien informado de todo lo que pasa:

no siempre los sensores no informan acerca del estado del mundo si se produce una percepcin el agente debe tener un cierto tipo de estado interno que no es demasiado extenso el agente necesita actualizar algo de informacin en el estado interno que permita diferenciar entre estados del mundo que generan la misma entrada de percepciones esta actualizacin de informacin es de dos tipos: de como evoluciona el mundo, independiente de los agentes de como afecta al mundo las acciones que puede tomar el agente ejemplo: si se quiere cambiar de carril y se ve por retrovisor si existe carros atrs, se debe tener cuidado si existe carros en el ngulo que el espejo no ve, y que luego de tomar la accin en que afectara al mundo, se dejara vaco el espacio que antes ocupaba el carro, etc (grafico pag 45 figura 2.9) Agente basado en metas:

no siempre basta con tener informacin del estado actual del ambiente, sino tambin que sucedera si hago tal o cual cosa? se requiere de cierta informacin sobre su meta (situaciones deseables) el agente debe combinar la informacin anterior con esta nueva informacin y como resultado se producirn las posibles acciones que se emprendan se habla de agente reflejo donde se permiten elegir aquellas acciones que permitan alcanzar la meta en situaciones sencillas en fcil elegir, pero en situaciones mayores es necesario tener mtodos de bsqueda y planificacin que ayudaran a encontrar la secuencia de acciones que permitan alcanzar las metas de un agente es mas flexible que el anterior, ya que permite dirigirse a varios destinos, modificando su conducta. ejemplo: si esta en una autopista y hay una Y, se debe decidir por donde ir izquierda o derecha dependiendo cual sea su meta (grfico pag. 46 figura 2.11) Agente basado en utilidad:

las metas no bastan para determinar una conducta de alta calidad (velocidad, seguridad, confiables, etc.) de acuerdo a tal o cual resultado se sentir mayor felicidad que traducido a nuestra rea se dice que es Utilidad (calidad de ser til) Utilidad es una funcin que correlaciona un estado y un nmero real mediante el cual se caracteriza el correspondiente grado de satisfaccin esta utilidad se ve implicada al momento que el agente debe elegir entre varias metas, entonces debe medir la posibilidad de tener xito considerando la importancia de las diferentes metas (grfico pag. 48 figura 2.12)Propiedades de los Ambientes

Accesible y no accesible Si el aparato sensorial del agente le permite tener acceso al estado total de un ambiente si sus sensores detectan todos los aspectos relevantes a la eleccin de una accin no necesita de que el agente mantenga un estado interno para estar al tanto que sucede en el mundo ejemplos de accesible: un sistema de anlisis de imgenes, capta todos los aspectos relevantes; ajedrez; backgammon ejemplos de no accesible: conducir un taxi; sistema de diagnostico medico. Determinista y no determinista Si el estado siguiente de un ambiente se determina completamente mediante el estado actual y las acciones escogidas por los agentes es un punto de vista mejor que el anterior, visto desde el agente ejemplos son los mismos de los casos de accesibles y no Episdicos y no episdicos la experiencia del agente se divide en episodios (partes) cada episodio consta de un agente que percibe y acta la calidad actuacin depender del episodio mismo ya que no depende de las otras partes o episodios ejemplo, tenemos el sistema de anlisis de imgenes donde se tiene episodios de captura de imagen, interpretacin de imagen, edicin de imagen, manipulacin de imagen Estticos y dinmicos dinmico, cuando existe la posibilidad de que el ambiente sufra modificaciones mientras el agente se encuentra deliberando (cuando pasa el tiempo) (ejemplo: conducir un taxi, diagnostico medico) esttico, cuando no varia el ambiente mientras el agente se encuentra deliberando, (ejemplo: ajedrez sin reloj) existe otro tipo que es la mezcla de los dos anteriores donde bsicamente no vara los aspectos principales del ambiente y no modifica la calificacin asignada al agente, estos se denominan semidinmico (ejemplo: el ajedrez con reloj, varia el tiempo pero no importa para tomar una accin) Discretos y continuos discreto, si existe una cantidad limitada de percepciones y acciones distintas y claramente discernibles (ejemplo: el ajedrez) continuo, la cantidad ilimitada de percepciones y acciones distintas (ejemplo: el conducir un taxi, anlisis de imgenes).

En SMA se intenta dividir los problemas en subproblemas cada vez ms sencillos de resolverLos agentes, tienden a un planteamiento en el que mltiples agentes autnomos interactan, se coordinan y todo ello de una forma adaptativaPorque usar SMA:

Al ser un solo agente existe problemas de escalabilidad y prdida de eficienciaEs mejor dividir, consiguiendo as modularidad, flexibilidad, robustez, modificabilidad, escalabilidad

conocimiento concentrado: ya que si aparecen problemas en el manejo de un solo agente que concentra todo el conocimiento, se propagan a todo el sistemadistribucin de la carga, de este modo, los agentes de un SMA pueden disearse como componentes autnomos que actan en paralelo para resolver problemas de mbito general

Para problemas excesivamente complejos

Interconexin con otros mecanismos clsicos, como son los sistemas expertos.

Caractersticas de los agentes:

Intencionalidad: Declaracin de metas y medios para llegar a ellas.Racionalidad: Capacidad de evaluar y realizar acciones a ejecutar. Compromiso: Planificacin de las tareas coordinado y negociado entre agentes. Adaptabilidad: Control comportamientos de acuerdo con las funciones que ejecuta.Clasificacin de los agentes:

Estticos o Mviles segn su movilidad. Deliberativos y Reactivos de acuerdo con su capacidad de reaccin. Autnomos o no, si operan sin necesidad de intervencin humana.En IA los agentes de mayor inters son los autnomos, pues presentan caractersticas que los acercan al comportamiento humano, tales como: racionalidad, habilidad social, cooperacin, capacidad de aprendizaje, reactividad y proactividad

Caractersticas principales de SMA

La no existencia de benevolencia, los agentes son menos vulnerables a desviaciones del objetivo principal por las influencias externas.

La obtencin de Mltiples metas, capacidad de resolver problemas y enfrentar el problema de varias formas. La Autonoma permite seleccionar la mejor manera para cumplir con sus objetivos.

La Heterogeneidad hace necesaria la existencia de un sistema de comunicacin que permita la interaccin entre los diferentes agentes.Estructura organizacional de los SMA

Estructura Centralizada: Un agente controla la interaccin entre los otros agentes.

Estructura Horizontal: Todos los agentes estn en el mismo nivel, por lo tanto no hay agentes controladores. Estructura Jerrquica

Formal. Cuando un agente de menor nivel solo puede recibir ordenes del agente de su nivel inmediatamente superior

Informal. Cuando puede recibir ordenes de cualquier agente de un nivel superior al suyo. Estructura Ad Hoc : Es una mezcla de las anteriores y eso le da una caracterstica de dinamismo. Los diferentes grupos de agentes se ajustan entre ellos.Pilares de los SMA

Cooperacin

Cooperacin compartiendo tareas y resultados Con los resultados generados por los dems agentes, un agente realiza sus propias tareas.

Cooperacin por delegacin Agente supervisor divide una tarea en subtareas, asigna a sus agentes para ejecutarlas, y las integra para hallar solucin global. Cooperacin por ofrecimiento: El agente supervisor divide una tarea en subtareas las ubica, en una lista esperando que los agentes del sistema se ofrezcan a realizarlas dependiendo de sus habilidades. El supervisor elige entre los ofrecimientos y las distribuye.Coordinacin

Coordinacin Global: Cuando el SMA determina y planifica las acciones de los diferentes agentes.

Coordinacin Individual: El SMA da autonoma a los agentes, es decir cada agente decide qu hacer y resuelve localmente los conflictos que detecte con otros agentes.Control

Provee apoyo en la implementacin de mecanismos de coordinacin.

El control puede ser considerado desde el punto e vista local y global.

Si se asigna mucho control global aumentara el tiempo de computo, mientras que cuando se desborda control local se pierde eficiencia en operacin.Planificacin

Incluye factores importantes en el tiempo de ejecucin:

Recursos computacionales,

Disponibilidad de los Agentes,

Tiempo de ejecucin empleado por cada agente.

Esta informacin se obtiene del sistema de informacin histrica Proceso Inicialmente recibe la Informacin del Problema

Subdivide en tareas

Busca qu agente(s) puede(n) realizarlas

Negocia con ste las caractersticas de la ejecucin

Se crea el cronograma de trabajo

Se confirman las caractersticas de la ejecucin

Se asignan tareas a los agentes

Luego, durante la ejecucin del trabajo, el agente planificador realizar auditorias peridicas con el fin de verificar la correcta ejecucin del sistema.Sistemas Expertos:

Es un sistema informtico que simula el proceso de aprendizaje, de memorizacin, de razonamiento, de comunicacin, y de accin de un experto humano en una determinada rama de la ciencia, suministrando, de esta forma, un consultor que puede sustituirse con unas ciertas garantas de xito.

Papel de SE: son relacionados con el papel que juega el experto humano

como suministradores de informacin

resolviendo problemas

explicando (razones)

Componentes de un SE:

Los elementos ms importantes de un sistema experto son:

Experto Humano: Es quien aporta el conocimiento en el rea de intersIngeniero del Conocimiento: Esta persona interpreta este conocimiento en forma tal que hace capaz que el sistema asimile.

Estos dos anteriores van hablar lenguajes distintos,

Multitud de preguntas de IC al EH,

IC no se contentar con las respuestas, exigiendo razones,

IC controlara la coherencia del conocimiento en su conjunto

EH queda mas especializado, por orden de ideas,

Subsistema de control de la coherencia:

Sirve para mantener coherencia con el conocimiento,

Es un nuevo concepto puesto en SE, muchos SE algunos de los sistemas actuales no disponen del mismo,

permite forma mas ordenada,

mas fiable,

avisar de las imperfecciones antes sealadas,

para evitar que existan reglas que se contradigan,

el sistema debe suministrar informacin para que controle incoherencias,

evita que pase la informacin mala a la base del conocimiento,

Subsistema de Adquisicin del conocimiento:encargado de recibir los elementos de conocimiento,

comprobar que sean elementos nuevos (aun no en Base del Conocimiento)

el conocimiento de 2 tipos:

abstracto: validez general (reglas, espacios probabilisticos), forma parte del sistema (eje: todas las diferentes enfermedades, nombres, tratamientos...)

concreto: validez particular, no forma parte del sistema, es efmero, es decir se destruye (eje: sntomas de un paciente en particular)

Base del Conocimiento:

Elemento que almacena el conocimiento abstracto

Pone el conocimiento a disposicin del motor de inferencia para su tratamiento

La memoria de trabajo:

es la que almacena el conocimiento concreto

igualmente almacena todos los procedimientos de los diferentes sistemas y subsistemas

es de carcter transitorio o cambianteEl motor de inferencia:

Es el corazn de todo sistema experto

Su funcin es aplicar el conocimiento abstracto al conocimiento concreto

Con la accin de sacar conclusiones

(eje: el diagnostico de una paciente, consiste en analizar los sntomas (concreto) y detectar la enfermedad que posee mediante el anlisis de diferentes sintomatologas (abstracto))

Subsistema de demanda de informacin:

Se recurre a este subsistema cuando el conocimiento concreto es muy limitado y que no se puede sacar conclusiones fiables

Completa ese conocimiento para proceder de nuevo a la reelaboracin y repetir este ciclo hasta conseguir conclusiones validas

Interfase de Usuario:

Permite que el usuario introduzca informacin al sistema

Se debe usar hardware (ratones, pantallas grficas, a color, etc.) y software (mens, Windows, grficos, etc). Para que sea atractivo al usuario.

Subsistema de ejecucin de ordenes:

para realizar acciones pertinentes luego de haber sacado las conclusiones

(eje: Un sistema de control de una central nuclear puede producir apertura de ciertas vlvulas, la activacin de alarmas, etc)

Subsistema de explicacin:

De igual manera luego de tener las conclusiones, el usuario puede pedir razones

Que por medio de los procesos hechos por el motor de inferencia, comunique al usuario el forma ordenada los hechos

Es recomendable tener un mecanismo de eleccin que permita elegir el nivel de contenido de explicacin (mas detallada o no)

Subsistema de propagacin de la incertidumbre:

Por su complejidad es el elemento mas dbil de los SE

Entenderlo en el sentido que la propagacin de la incertidumbre es normalmente incorrecto, dando como resultado que las conclusiones no son muy fiables

Existen medidas como probabilidades, factores, de certeza, teora de la evidencia, lgica difusa (veremos mas adelante)Bsicamente, lo que se hace es asociar a cada hecho una cierta medida de incertidumbre (probabilidad)

Subsistema de aprendizaje:

Es uno de los elementos ltimamente incorporados

Dan el concepto de que los SE son capaces de aprender (demostrado)

Dos tipos aprendizaje:

Aprendizaje Estructural:

Relacionado con la estructura del conocimiento (reglas, espacios probabilisticos, etc)

La incorporacin de nuevas reglas a la base del conocimiento constituye aprendizaje estructural

Aprendizaje Parametrico:

Se refiere a los parmetros de la base del conocimiento

La determinacin de probabilidades en los hechos constituyen aprendizaje parametrico

Se pueden manipular estas probabilidades (desde hacerle nula para evitar el hecho, para luego si la hiptesis es incorrecta simplemente modificar los parmetros (probabilidades) para incluir al hecho) (eje: medico)

Subsistema de experiencias:

Es la inclusin de la base de datos de experiencias existentes sobre el tema en el cual se esta aplicando el SE

Se puede decir que un SE se podra generar sin la necesidad de un Experto Humano (contradictorio con el concepto), partiendo de datos o experiencias recogidas por no expertos, con garantas casi iguales como si se lo hiciese con un experto humano.

Funciones de un SE:

Los elementos anteriores nos sirven para definir claramente las funciones de un SE, siendo la mejor forma de entender que es lo realmente hay detrs de estos sistemas y conocer sus posibilidades.

Adquirir conocimiento

Almacenar conocimiento

Razonar e inferir

Demandar nueva informacin

Aprender

Propagar incertidumbre

Asistir al experto a dar informacin coherente

Explicar las conclusiones

Realizar ciertas acciones como consecuencia del razonamiento

Controlar la coherencia del conocimiento del sistema

A estas se le pueden ir adicionando mas conforme avance la tecnologa que en esta rea es bien agresiva.

Etapas de desarrollo de un SE:Definicin del problema a resolver (Anlisis) No escatimar tiempo

trabajar con precisin

Bsqueda de un EH o de los datos o experiencia EH que este en condiciones de resolver el problema con posibilidades de xito (abierto)

En algunos casos bastara con bases de datos, experiencias que sustituirn al EH

prcticamente en todos los casos se cambian algunos aspectos que ya se definieron en la primera etapa, por orientaciones del EH

Diseo del SE Donde se incluyen las estructuras para almacenamiento del conocimiento, motor de inferencia, los sistemas de explicacin, interfase con el usuario, etc

Se dejaran ventanas abiertas para acceso a informacin estadstico y de control.

Eleccin del grado de intervencin del usuarioSeleccin de la herramienta, concha o lenguaje de desarrollo la etapas 4 y 5, muy necesarias en su eleccin para evitar esfuerzos intiles,

por otro lado son caras las herramientas o conchas,

el uso de conchas es mas fiable por su control de calidad

desarrollo de un prototipoprueba del prototipo las etapas 6 y 7, se convierten en un ciclo de repeticin hasta que se obtengan resultados apetecidos

refinamiento y generalizacin relacionado con la anterior, aqu se van puliendo defectos o incluyendo nuevos casos no contemplados en el diseo inicial

mantenimientoactualizacin

Las dos ultimas etapas son muy importantes para obtener un producto de calidad y/o con xito comercial

En estas etapas habr que atender las demandas de los clientes, resolviendo sus problemas,

actualizando el sistema con nuevos avances.

Tipos de SE:Entre los SE que se destacan estn los:

basados en Reglas

basados en Probabilidades

Comparacin de elementos en los dos sistemas:

Estrategias de representar el conocimiento:La eleccin de que tipo de representacin depende del tipo de problema que pretende resolver el SE, pues no hay una estrategia que sirva para todos los casos, pero si se debe tener la mejor eleccin porque la eficiencia del sistema depende de la estrategia usada. Las mas frecuentes representaciones de conocimiento son:

Redes Semnticas: Es el sistema de representacin mas general de todos y mas antiguo

es una coleccin de objetos, tambin llamados nodos(representan objetos)

unidos mediante arcos o enlaces formando una red (representan relaciones entre esos objetos) (es, tiene, colabora, etc)

Estos elementos llevan asociado una etiqueta o palabra, en el caso de los nodos un nombre, y en los enlaces es un verbo.

Grfico sobre red semntica (cargos de una empresa)

Ternas objeto-atributo-valor:

es un caso especial de la red semntica,

donde existen tres nodos: objetos, atributos y valores y se suprimen los enlaces

Hay ocasiones donde se aade a las ternas un factor de certeza que sirve para medir la confianza que se tiene de que la terna sea correcta

En otras ocasiones se suprime el atributo y se trabaja solo con parejas objeto-valor

(grfico sobre Terna objeto-atributo-valor)

Reglas: Las reglas se usan para representar relaciones y constan de dos partes: la premisa y la conclusin a su vez la premisa consta del condicional Si y de una expresin lgica(constituida por una o varias ternas objeto-atributo-valor unidas por los operadores y, o y no). Alguna ocasiones, cuando el sistema amerita se forza a que solo exista el operador lgico y y solo se maneje con objeto-valor

la conclusin consta del adverbio entonces y de una expresin lgica

Si luego de evaluar la premisa y esta resulta correcta, entonces se hace que la expresin lgica de la conclusin sea cierta

(Grfico de reglas sobre cargos de la empresa)

Marcos: es otro de las formas de representar objetos y relaciones casos particulares de redes semnticas

Un marco suministra toda la informacin existente sobre un objeto esta informacin puede ser declarativa o descriptiva y de tipo indirecta, es decir directamente caractersticas del objeto o dar procedimientos o reglas para determinarlas

Esta forma indirecta hizo popular su uso

(grfico de marco)

Expresiones Lgicas: La lgica es una disciplina que esta relacionada con la validez de argumentos, determinar si unas conclusiones pueden deducirse correctamente a partir de unos hechos

En la lgica se comparan los hechos o supuestos contra una serie de patrones abstractos (modelos que estn conformados por reglas que previamente han sido comprobados y validados de una forma matemtica o formal)

Existen 2 tipos comunes de notaciones lgicas:

lgica proporcional:

es un sistema de lgica comn en el que las proposiciones son expresiones que pueden ser verdaderas o falsas, las mismas que estn unidas por conectivos y, o, implica, equivalente y se denominan expresiones compuestas la lgica proporcional se ocupa de las expresiones compuestas

Existen diferentes reglas para propagar la veracidad de las expresiones dependiendo de los conectivos. (eje: si X es verdadero y Y es falso, la expresin compuesta X e Y es falso; Mientras X o Y es verdadero. Otras reglas permiten inferencias como, si X es verdadero y X implica a Y se puede decir que Y es verdadero)

lgica de predicados: es una extensin de lo anterior

la unidad fundamental es un objeto

las expresiones acerca del objeto se llaman predicados (a veces los predicados expresan relacin entre objetos)

(grfico de expresiones lgicas)

Sistemas Expertos Basados en Reglas:Se va ha dar mayor importancia a la base del conocimiento y al motor de inferencia

La Base del Conocimiento: el centro de este tipo de sistemas lo constituye el conjunto de reglas de la base del conocimiento, conocido con el nombre de conocimiento abstracto

Cuando la premisas de algunas reglas coinciden en su totalidad o parte con las conclusiones de otras, se llama lo que se produce encadenamiento de reglas, es decir, las premisas de ciertas reglas son conclusiones de otras(grafico de ejemplo de reglas y reglas encadenadas)

Motor de Inferencia: Las reglas sirven para obtener nuevos hechos y/o conclusiones, partiendo de verdades o hechos iniciales

ya que si el hecho representado por una premisa es cierto, tambin lo ser el hecho representado por la conclusin.

existen 2 tipos de conclusiones:

Conclusiones simples: aquellas que resultan de la aplicacin de slo una regla

Conclusiones compuestas: aquellas que resultan del encadenamiento de varias reglas

No siempre resulta la conclusiones del anlisis de un regla o encadenamiento de reglas; en estos casos el motor de inferencia podr optar por:

abandonar la regla por no poder concluir nada (luego de un rango de interacciones)

preguntar, a travs del subsistema de demanda de informacin, sobre la verdad o falsedad de las premisas y continuar con el proceso hasta producir la conclusin

para obtener conclusiones se utilizan diferentes tipos de estrategias de inferencia y control de razonamiento:

para las conclusiones simples:

modus ponens estrategia ms comn

afirma que si se tiene la regla Si A es cierto entonces B es cierto

Si se conoce que A es cierto, entonces puede afirmarse que B es cierto, es una afirmacin trivial por su familiaridad

modus tollens estrategia bastante menos corriente que la anterior

afirma si se sabe que B es falso, entonces puede afirmarse que A es falso

es curioso que algunos SE no incluyen este tipo de estrategia de inferencia, a pesar que resulta muy sencilla y prctica su aplicacin

Para conclusiones compuestas:

mecanismo de resolucin, consta de los siguientes pasos

se sustituye las reglas por expresiones lgicas equivalentes

se combinan stas entre si para dar una nueva expresin lgica

se combina sta con la evidencia de los hechos

(Grafico de sustituir, combinar, tabla de verdad a, b) pagina 49Un ejemplo de este mecanismo:

sustitucin de reglas por expresiones lgicasSi llueve las calles de mojan = No llueve o las calles se mojan

combinar expresiones lgicasNo llueve o se producen filtraciones

combinar con evidenciasevidencia es lluvia

Si llueve las calles de mojan

Si las calles de mojan se producen filtraciones

la conclusin es: Se producen filtraciones

(Tabla de verdad a, b, c) pagina 50) tcnicas de razonamiento incierto: (lgica incierta)

(Grfico de implicaciones inciertas pag 52) Lgica clsica:

donde se parte que si la premisa de una regla es cierta la conclusin tambin lo ser.

Si A es cierto entonces B es cierto donde A implica a B con probabilidad 1. (caso I del grfico implicaciones inciertas)

este modelo tiene limitaciones, ya que existen varios casos donde no siempre es as (en el caso de enfermedades donde los sntomas no necesariamente da cierta enfermedad)

toda afirmacin es siempre segura es una lgica de tipo determinista

Lgica incierta: toda afirmacin debe ir acompaada de una medida de incertidumbre, que expresa la confianza que se tiene de que esa afirmacin sea cierta

Incertidumbre (medida de la aleatoriedad de algn suceso)

cuando se trabaja con implicaciones inciertas, las afirmaciones hay que entenderlas como posibles en vez de como seguras

A implica B con una probabilidad P(B|A) (probabilidad de B condicionada por A o probabilidad de B supuesto que A es cierta) (caso II del grfico implicaciones inciertas) Para el caso de no implicacin A no implica B puede tratarse como caso extremo de implicacin A implica B con probabilidad nula. (caso III del grfico implicaciones inciertas) El problema en estos casos es la propagacin de la incertidumbre, para esto se exponen medidas de incertidumbre:

Probabilidad:

Espacio probabilistico, consta de 2 elementos (U, A): un conjunto U y una clase A de subconjuntos de U. (ejemplo: el conjunto U es la poblacin de pacientes y la clase A constituida por conjuntos que cumplen ciertas condiciones (sntomas-enfermedades))

Se dice que se tiene definido una probabilidad en el espacio probabilistico (U, A) si a cada subconjunto de A se le asocia un nmero real (entre 0 y 1) de tal forma que se cumpla que la probabilidad del conjunto universal U siempre sea 1 y que la probabilidad de cualquier conjunto unin de conjuntos disyuntos es la suma de sus probabilidades

Existe tambin el caso especial, y es la probabilidad condicional P(A|E), (P= nmero de elementos que pueda ocurrir (A y E) / nmero de elementos que ocurra E) (ejemplo: A aparece un dos por lo menos en un dado, E suma es 6; P(A|E)=2/5)

Factor de Certeza:

medida de certeza que se tiene de un hecho o suceso, su valor oscila entre (-1, 1)

medida de credibilidad: mide el decremento relativo de incredibilidad de una hiptesis A debida a una evidencia o informacin E. MC(A, E) = (P(A|E) - P(A)) / (1 - P(A)) y si el valor sale negativo se pone 0

medida de incredibilidad: mide el decremento relativo de credibilidad de una hiptesis A debida a una evidencia o informacin E. MI(A, E) = (P(A) - P(A|E)) / P(A) y si el valor es negativo se pone 0

FC(A|E) = MC(A, E) - MI(A|E) (ejemplo complejo: pagina 117 y 89) estrategias de encadenamiento

de estas depende la total eficacia del sistema

en estas estrategias se debe tener presente:

procedimientos para decidir por donde empezar, ya que tenemos los datos en la Base de datos esttica y debemos tener mecanismo que lo pongan a funcionar, como es la forma de localizar reglas que hagan referencia a un valor de un cierto objeto.

adems, debe tener mecanismos para que el sistema pueda decidir como continuar cuando se le presenten varias alternativas al mismo tiempo

las estrategias mas comunes: encadenamiento hacia adelante y hacia atrs

Durante el proceso de evaluacin de las premisas o conclusiones de las reglas, se da lo que se denomina concluir una regla, se dice que esa regla se ha disparado o que esta activa. Estas reglas sern tomadas en cuenta al momento o forman parte de la base del subsistema de explicacin

existen bsquedas verticales y horizontales en un rbol de reglas encadenadas

bsqueda vertical

es buscar primero los detalles, es decir penetrando cada vez ms en los detalles siguiendo una cadena de reglas

mas usado

insiste sobre el mismo tema hasta que obtiene toda la informacin

ejemplo: realiza preguntas relacionadas con el tema al mismo tiempo

similar a lo que un medico especialista hara

bsqueda horizontal

se barre todas las premisas de una regla, antes de enterarse de ningn detalle

eficiente cuando una regla funciona y aparece rpidamente el valor del objetivo

hay ocasiones que pregunta el sistema preguntas aparentemente raras, debido a que mezcla temas diferentes

ejemplo: hace preguntas fuera del tema; si esta haciendo la pregunta de anlisis de sangre, le empieza a preguntar como es el anlisis, como es su respiracin, como es el color de su piel.

similar a lo que un medico general hara

Existe el razonamiento montono y no montono

montono, si los hechos de las reglas siempre tienen el mismo valor en la sesin de consulta

no montono, si se permite variar los valores de los hechos de las reglas durante la sesin de consulta; es complejo esto porque se debe controlar si varia un valor hacerlo tambin en sus derivados

Encadenamiento hacia adelante

en esta estrategia se diferencian claramente la memoria de trabajo y la de la base del conocimiento, en memoria de trabajo esta los datos que surgen en la consulta, y en la base del conocimiento las reglas

estos dos tipo de informacin son comparados, que sus resultados de esto pasan a incrementar el conocimiento

esta estrategia se utiliza en problemas orientados a los datos o de diagnostico, en donde se tiene unos hechos (sntomas) y se quiere saber cuales son las conclusiones (enfermedades) que pueden derivarse de ellos

(grfico de encadenamiento hacia adelante pag 54) Encadenamiento hacia atrs

esta estrategia se utiliza en problemas orientados al objetivo (enfermedades), en donde se quiere saber que hechos (sntomas) son necesarios para conseguirlos

(grfico de encadenamiento hacia atrs pag 53)

Temas Avanzados

Lenguaje Lisp

Lenguaje Prolog

Lenguaje Natural

Robtica

Redes Neuronales

MAS (sistemas multiagentes)

A-life

El aprendizaje (formas de aprendizaje de la maquina, por experiencia, por retroalimentacin, por esfuerzo, parametrico, estructural, etc.)

La percepcin (forma de obtener informacin relacionada con el mundo que nos rodea (sensores))

La planificacin (planificacin de acciones y luego ponerlos en practica)

El razonamiento (formas de razonamiento lgico, razonamiento probabilistico, etc.)

Juegos inteligentesPAGE 1