Contiene las diapositivas para la capacitación del grupo colaborativo 90169_66 de la UNAD

3. CONCEPTO
Marvin Minsky sugiere el carácter práctico de la inteligencia artificial mencionando:
"La inteligencia artificial es la ciencia de hacer que las máquinas hagan cosas que
requerirán inteligencia si fueran hechas por seres humanos".
Elaine Rich: "La inteligencia artificial es el estudio de cómo hacer que los ordenadores
hagan cosas que por el momento las personas realizan de una forma más perfecta".
Otras definiciones que pueden darnos una idea de lo se que llama IA.
Una de las áreas de las ciencias computacionales encargadas de la creación de
hardware y software con comportamientos inteligentes
El estudio de las computaciones que permitan percibir, razonar y actuar
Estudio como lograr que las máquinas realicen tareas que, por el momento, son
realizadas mejor por los seres humanos

4. CONCEPTO
Las redes neuronales son sistemas ideados como abstracciones de las
estructuras neurobiológicas (cerebros) encontradas en la naturaleza y tienen
la característica de ser sistemas desordenados capaces de guardar
información.

5. PROPIEDADES
Una función de propagación
Una función de activación
Una función de transferencia
VENTAJAS
Aprendizaje: aprenden mediante la etapa de aprendizaje
Auto organización: Crea su propia representación de la información
Tolerancia a fallos: Debido a que almacena la información de forma
redundante ésta puede seguir respondiendo de manera aceptable aún si se
daña parcialmente
Flexibilidad: Maneja cambios no importantes en la información de entrada
Tiempo real: La estructura es paralela, obteniendo respuestas en tiempo
real en eventos donde sea implementado en computadoras o dispositivos
electrónicos

6. TIPOLOGÍA DE LAS RNA
Perceptrón
Adaline
Perceptron multicapa
Memorias asociativas
Máquina de boltzmann
Máquina de cauchy
Propagación hacia atrásRedes de Elman
De Hopfield
De contra propagación
De base radial
De aprendizaje competitivo
Mapas autoorganizados
Crecimiento dinámico de células

7. TOPOLOGIA
Monocapa
Multicapa

8. CONCEPTO
Un agente inteligente, es una entidad capaz de percibir su entorno, procesar
tales percepciones y responder o actuar en su entorno de manera racional,
es decir, de manera correcta y tendiendo a maximizar un resultado esperado.
Es capaz de percibir su medioambiente con la ayuda de sensores y actuar en
ese medio utilizando actuadores (elementos que reaccionan a un estímulo
realizando una acción).

9. EJEMPLOS
Un robot con comportamiento variable autoregulado
Computadoras especializadas
CLASIFICACION
Reactivos
Reactivos basados en modelo
Basados en objetivos
Basados en utilidad
Que aprenden
De consulta

10. CONCEPTO
Sistemas informáticos que simulan el proceso de aprendizaje, de
memorización, de razonamiento, de comunicación y de acción en
consecuencia de un experto humano en cualquier rama de la ciencia.
ESTRUCTURA BÁSICA DE UN SE
Base de conocimientos
Base de hechos
Motor de inferencia
Módulo de justificación
Interfaz de usuario

11. Tipos de SE
Basados en reglas previamente establecidas
Basados en casos o CBR
Basados en redes bayesianas
VENTAJAS
Permanencia
Replicación
Rapidez
Bajo costo
Entornos peligrosos
Fiabilidad
Consolidar varios conocimientos
Apoyo académico

12. LIMITACIONES
Sentido común
Lenguaje natural
Capacidad de aprendizaje
Perspectiva global
Capacidad sensorial
Flexibilidad
Conocimiento no estructurado
EJEMPLOS IMPORTANTES
Dentral, Xcon, Dipmeter Advisor, Mycin, Caduceus, R1, Clips, Jess, Prolog

13. TAREAS DE REALIZA UN SE
Monitorización
Diseño
Planificación
Control
Simulación
Instrucción
Recuperación de la información

14. A tientas
Una ruta
Heuristicos
Búsqueda
Profundidad primero
Amplitud primero
Ascenso de colina
Búsqueda en haz
Primero el mejor
Ruta optima
Museo británico
Ramificación y cota
Programación dinámica
A*
Juegos
Minimax
Poda Alfa-beta
Continuación heurística
Profundidad progresiva

15. Para llevar a cabo una búsqueda en profundidad,


Inserte en una pila el elemento raíz (nodo de partida)
Hasta que el elemento tope sea el nodo meta, o se
vacié la pila

Si nodo tope tiene hijos, insertar el hijo siguiente aun no
visitado, según ordenamiento.


Si no, entonces eliminar nodo tope.
Si el nodo meta se alcanza, mencione éxito, de lo
contrario, notifique el fracaso.

16. s
1
a
d
2
b
d
3
a
e
e
b
4
c
5
e
b
f
6
d
f
b
f
c
g
d
e
7
g
f
g
a
c
g

17. Para llevar a cabo una búsqueda en amplitud,
Inserte
Hasta
en una cola el elemento raíz (nodo de partida)
que el elemento frontal sea el nodo meta, o se
vacié la cola
Si
nodo frontal tiene hijos, insertar todos sus hijos al final
de la cola.
Eliminar
Si
nodo frontal.
el nodo meta se alcanza, mencione éxito, de lo
contrario, notifique el fracaso.

18. s
1
2
a
d
3
4
b
d
7
8
c
13
e
10
11
b
e
14 15
d
a
9
e
6
5
16
f
b
f
g
c
g
17
b
18
d
12
19
e
a
f
g
f
20
c
21
g

19. 
La búsqueda se puede mejorar si existe una forma de
ordenar
las
posibilidades
de
modo
que
las
prometedoras se exploren primero.

Mayor conocimiento, menor tiempo de búsqueda

Tres métodos muy conocidos:
Ascenso
de colina (-> profundidad primero),
Búsqueda
Primero
en Haz (-> anchura primero),
el mejor
más

20. 
Mediciones de calidad convierten la búsqueda en profundidad
en ascenso de colina.

Se ordenan las posibilidades (estados hijo) usando una
medición heurística de la distancia que queda por recorrer.
Distancia

en línea recta al estado objetivo.
Mejor medición, mejor el ascenso de colina

21. s
10.4
8.9
a
d
6.9
10.4
b
d
a
e
3.0
6.7
c
e
d
b
e
f
b
f
g
c
g
d
b
e
f
g
a
f
c
g

22. En problemas orientados a ajuste de parámetros:
Problema de la falta de colina
Se
encuentra un punto optimo, pero se trata de un
máximo local.
Problema
de la meseta
La
operación de mejoramiento local fracasa por completo.
Todas las pruebas de paso normal dejan intacta la medición
de calidad.
Problema
Es
del borde
como estar en el filo de una navaja, solamente puede
salirse del problema si se tiene un número muy grande de
direcciones para orientar los pasos.

23. 
Parecida a la búsqueda en amplitud en cuanto a que
avanza de nivel en nivel.

Sólo se mueve hacia abajo a través de los w mejores
nodos de cada nivel.
Extiende
varias trayectorias parciales y elimina el
resto.

El número de nodos se mantiene manejable aún cuando
la ramificación sea alta y la búsqueda sea profunda.

24. s
10.4
8.9
a
d
6.7
8.9
b
d
4.0
6.9
10.4
a
e
6.9
c
3.0
6.7
e
b
e
b
f
Callejón
sin salida
d
f
b
f
g
c
g
d
e
f
g
a
c
g

25. 
Extiende la mejor trayectoria parcial en cada punto.
Considera

todos los nodos abiertos hasta el momento.
Ascenso de colina inspecciona la que parece la mejor
trayectoria hasta el final; la búsqueda primero el mejor
analiza varias trayectorias a la vez, siempre siguiendo la
mejor trayectoria parcial conocida al momento.

Generalmente la búsqueda primero el mejor encuentra
trayectorias más cortas a los estados meta.

26. s
10.4
8.9
a
d
6.9
10.4
b
d
a
e
3.0
6.7
c
e
d
b
e
f
b
f
g
c
g
d
b
e
f
g
a
f
c
g

27. 
Primero en profundidad es bueno cuando se sabe – con
seguridad – que el árbol no es muy profundo.
Primero en anchura, cuando el factor de ramificación no

es muy grande.

Los métodos heurísticos son adecuados cuando existe
una medida natural de la distancia entre cada estado y el
estado meta.

28. Estos métodos consideran, a diferencia de los

anteriores, el peso de las ramas.

Su objetivo no es únicamente encontrar una ruta, sino
encontrar la mejor (típicamente la más corta).

Entre ellos se encuentran:
El
procedimiento del museo británico
Ramificación
El
y cota
algoritmo A*

29. ¿qué hacer para asegurar encontrar la ruta óptima?

Procedimiento de museo británico:
Primero
encontrar todas las rutas al objetivo
Después
seleccionar la mejor
Puede usarse búsqueda en anchura o en profundidad
como estrategia de exploración.

Terminar

hasta recorrer el árbol completamente.
¿qué inconveniente le encuentran?

30. s
1
14
a
d
8
2
b
d
3
5
e
d
f
7
g
12
11
c
b
18
e
13
g
23
17
d
f
25
22
b
10
b
e
16
e
6
21
a
9
4
c
15
a
19
f
20
g
f
26
24
c
g

31. 
No tiene problemas con árboles (muy) pequeños.

En la mayoría de los casos no es aplicable.
Por

explosión exponencial
Si tenemos un árbol (mediano) con niveles d = 10, y un
factor de ramificación b = 10.
Los
estados visitados son bd.
1010 =
10 billones de estados

32. 
Menos sacrificado para encontrar la ruta óptima.
Idea básica es expandir en cada ocasión la ruta parcial
con el menor costo hasta el momento.

Es
decir, todos los nodos abiertos hasta el momento
entran en consideración.
Similar a método “primero el mejor”, pero al revés.

En
lugar de seguir el trayecto que aparentemente tiene
la menor distancia hacia el objetivo, se sigue aquel que
hasta el momento es el más corto.

33. Formar una cola de trayectos parciales. Inicialmente sólo
tiene el elemento raíz.
Hasta que la cola se vacié o se alcance el nodo objetivo,
determinar si el primer elemento alcanza el nodo objetivo.
Si alcanza el objetivo, salir.
Si no, entonces;

Borrar
el nodo de la cola
Agregar sus hijos a la cola
Ordenar los nodos por costo acumulado
Si el nodo objetivo fue encontrado mencionar éxito, de lo
contrario anunciar falla.


34. s
1
a
3
2
d
4
7
5
b
4
6
d
8
9
3
a
e
8
7
11
c
e
e
12
6
10
13
b
11
b
f
10
9
d
f
b
g
c
15
f
g
14
d
e
f
g
a
c
g
13

35. 5
3
b
b
1
1
s
s
2
a
3
g
2
a
3
g

¿cuál es la respuesta del método?

¿cómo podemos asegurar encontrar la ruta óptima?

¿cuándo debemos terminar el algoritmo?
Cuando
todas las rutas parciales tengan igual o mayor
peso que la trayectoria encontrada

36. s
1
a
3
2
d
4
7
b
11
11
5
c
6
d
12
e
4
8
9
3
a
e
10
7
e
12
6
10
13
b
11
8
b
f
10
9
14
d
16
f
b
g
c
15
f
g
14
d
e
f
g
a
15
c
15
g
13

37. Usar una estimación de la distancia restante a la meta
puede mejorar considerablemente el método.

Si es buena estimación, entonces ella mas distancia
recorrida debe ser un buen cálculo de la longitud total de la
trayectoria:

e(long
trayectoria) = d(ya recorrida) + e(dist. restante)
Si las conjeturas fueran correctas este método se
mantendría todo el tiempo en la ruta optima.

Mejor
estimación, mejor la búsqueda

38. Las estimaciones no son perfectas; esto puede traer serios
problemas al método.

¿Qué sucederá con sobreestimaciones de la distancia
restante?

Desvío
permanente de la trayectoria óptima
No
existiría la certeza, hasta recorrer el árbol
completo, que la ruta encontrada es la optima.
El método funciona adecuadamente con subestimaciones
de la distancia restante.


39. s
1
a
13.4
d
12.9
2
b
d
19.4
a
e
12.9
3
c
e
b
e
17.7
b
f
13
4
d
f
b
f
g
c
g
d
e
f
g
a
c
g
13

40. Ramificación y cota puede mejorarse eliminando las
trayectorias redundantes.


Se relaciona con el principio de programación dinámica.
El
mejor camino del punto de inicio a la meta, a través
de un lugar intermedio específico, es el mejor camino
hacia éste desde el lugar de inicio, seguido por el mejor
camino desde éste a la meta.
No
hay necesidad de buscar por otras trayectorias
hacia o desde el punto intermedio.

41. s
1
a
3
2
d
4
4
7
3
b
d
8
9
a
e
6
7
11
5
c
e
e
12
10
13
b
11
b
f
10
6
14
d
16
f
b
g
c
15
f
g
14
d
e
f
g
a
15
c
15
g
13

42. Es una búsqueda de ramificación y cota con:

Estimación
Eliminación

de distancia restante
de trayectorias redundantes
Si la estimación de la distancia restante es un limite
inferior de la distancia real, entonces A* produce
soluciones optimas.

43. 
http://es.wikipedia.org/wiki/Red_neuronal_artificial

http://es.wikipedia.org/wiki/Agente_inteligente_%28int
eligencia_artificial%29

http://es.wikipedia.org/wiki/Inteligencia_artificial

http://elvex.ugr.es/decsai/iaio/slides/A3%20Search.pd
f
.