SlideShare ist ein Scribd-Unternehmen logo
1 von 21
José M. Torres
C.I 19.106.680
El conocer es un hecho primario, espontáneo e instintivo, y
por ello no puede ser definido estrictamente. Se podría
describir como un ponerse en contacto con el ser, con el mundo
y con el yo; también podríamos decir que es un proceso en el
que están vinculados estrechamente las operaciones y
procedimientos mentales, subjetivos, con las operaciones y
formas de actividad objetivas prácticas, aplicadas a los
objetos.
El conocer se caracteriza como una presencia del objeto frente
al objeto: el sujeto se posesiona en cierta forma del objeto,
lo capta y lo hace suyo, reproduciéndolo de tal manera que
responda lo más fielmente posible a la realidad misma del
objeto. Por medio de esta reproducción, se tiene la imagen, no
física como sería una fotografía, sino psíquica, cognoscible,
intencional.
 Cobertura, significa que la representación del conocimiento
cubre la información en anchura y profundidad.
 Comprensible por humanos. La representación del conocimiento
es vista como un lenguaje natural, así que la lógica debería
fluir libremente.
 Consistencia. Siendo consistente, la representación del
conocimiento puede eliminar conocimiento redundante o
conflictivo.
 Eficiencia.
 Facilidad de modificación y actualización.
 Soporte de la actividad inteligente que usa la base de
conocimiento
 Cobertura, significa que la representación del conocimiento
cubre la información en anchura y profundidad.
 Comprensible por humanos. La representación del conocimiento
es vista como un lenguaje natural, así que la lógica debería
fluir libremente.
 Consistencia. Siendo consistente, la representación del
conocimiento puede eliminar conocimiento redundante o
conflictivo.
 Eficiencia.
 Facilidad de modificación y actualización.
 Soporte de la actividad inteligente que usa la base de
conocimiento
Voluminoso
Difícil
Caracterización
Impreciso
Indeciso
Actualiza
Constantemente
Para representar algo necesitamos saber su forma o estructura:
Que uso le dan los seres inteligentes
Que uso le dará una inteligencia artificial
Como adquirir el conocimiento
Como almacenarlo y manipularlo.
 Conocimiento Declarativo
 Conocimiento Procedimental
 Conocimiento Heurístico
Conocimiento Declarativo:
Son hechos sobre objetos o situaciones. Posee mayor
capacidad expresiva, menor capacidad creativa o
computacional. es conocimiento pasivo, expresado como
sentencias acerca de los hechos del mundo que nos rodea. La
información personal en una base de datos es un típico
ejemplo de conocimiento declarativo. Tales tipos de datos
son piezas explícitas de conocimiento independiente.
El conocimiento declarativo puede ser representado con
modelos relacionales y esquemas basados en lógica. Los
modelos relacionales pueden representar el conocimiento en
forma de árboles, grafos o redes semánticas. Los esquemas
de representación lógica incluyen el uso de lógica
proposicional y lógica de predicados.
 Conocimiento relacional: conjunto de relaciones expresables
mediante tablas como en una Base de Datos. Hemos de aportar
procedimientos que lo enriquezcan Motor de inferencia:
genera conocimiento a partir de información. Ej.: media de
compras en una población, mejor cliente, tipología de
cliente.
 Conocimiento heredable: Estructuración jerárquica del
conocimiento taxonomía jerárquica. Se trata de construir un
árbol o grafo de conceptos basado en la generalización o
especialización
 Conocimiento inferible: Conocimiento descrito mediante
lógica. Se puede utilizar la semántica de los operadores y
el Modus Ponens para inferir nuevo conocimiento.
Es aquel conocimiento compilado que se refiere a la forma
de realizar una cierta tarea el saber cómo hacerlo. Por
ejemplo, los pasos necesarios para resolver una ecuación
algebraica son expresados como conocimiento procedimental.
Los modelos procedimentales y sus esquemas de
representación almacenan conocimiento en la forma de cómo
hacer las cosas. Pueden estar caracterizados por gramáticas
formales, usualmente implantadas por sistemas o lenguajes
procedimentales y sistemas basados en reglas sistemas de
producción. Por ejemplo, los pasos necesarios para resolver
una ecuación algebraica son expresados como conocimiento
procedimental.
Es un tipo especial de conocimiento usado por los humanos
para resolver problemas complejos.
El adjetivo heurístico significa medio para descubrir. Está
relacionado con la palabra griega heuriskein que significa
descubrir, encontrar. Se entiende por heurístico a un
criterio, estrategia, método o truco utilizado para
simplificar la solución de problemas.
La norma ISO 9241 en su parte número 12 (ISO 9241-12) nos
introduce como Etiqueta (Label) “Título descriptivo corto
para una entrada o campo de texto de solo lectura, tablas,
controles u objeto (…) Etiqueta incluye encabezamientos,
campos de aviso, textos descriptivos ejemplo: etiquetas de
iconos
Al respecto, esta misma norma nos propone algunos
consejos:
Las etiquetas deben explicar el propósito y el contenido
del ítem de información designado.
 Las etiquetas deben ser gramaticalmente consistentes.
 Las etiquetas deben estar localizadas adyacentemente al
ítem de información designado.
Son una estructura de datos compleja que representa una
situación estereotipada, en la que se organizar el
conocimiento como una colección de características comunes al
concepto, objeto, situación o sujeto.
Características Principales:
Precisión: se precisan los objetos, las relaciones entre
objetos y sus propiedades; en ausencia de evidencia contraria
se usan valores por omisión
Activación dinámica de procesos (Triggering): se pueden
adjuntar procedimientos a un marco o alguno de sus componentes
y ser llamados y ejecutados automáticamente tras la
comprobación de cambio de alguna propiedad o valor.
Herencia por defecto no-monotónica: los marcos están
conceptualmente relacionados, permitiendo que atributos de
objetos sean heredados de otros objetos predecesores en la
jerarquía
Modularidad: la base de conocimiento está organizada en
componentes claramente diferenciados
Estructura de un Slot:
Nombre: Cada slot debe tener un nombre único dentro del frame,
pero son propios de cada slot es decir dos o más frames pueden
coincidir en los nombres de los slots.
Valor del slot: Puede ser asignado inicialmente o estar vacío
para añadirle valor en procesos de búsqueda y razonamiento.
Procedimientos anexos: Estos son opcionales.
If – needed <procedimiento>: significa que antes de obtener el
valor del slot respectivo en una consulta, se ejecuta el
procedimiento adjunto y solo si tiene éxito se podrá obtener
el valor.
If – added <procedimiento>: significa que antes de asignarle
el valor al respectivo slot, debe ejecutarse con éxito el
procedimiento; de otra manera no se realizara acción alguna.
If – deleted <procedimiento>: Significa que antes de borrar el
valor del slot, debe ejecutarse con éxito el procedimiento; de
otra manera no se borrara el valor del slot.
Es un método procedimental de representación del conocimiento,
pone énfasis en representar y soportar las relaciones
inferenciales del algoritmo, en contraposición a los métodos
declarativos (hechos).
La estructura de una regla es:
SI <antecedentes>
ENTONCES <consecuentes>
Están basadas en la idea de que los objetos o los
conceptos pueden ser unidos por alguna relación. Estas
relaciones se representan usando una liga que conecte dos
conceptos.
Los nodos y las ligas pueden ser cualquier cosa,
dependiendo de la situación a modelar.
Una relación muy común que une a dos conceptos es la
relación es-un: A es-un B, la cual significa que A es un
concepto menos general que B.
Ejemplo: X es-un humano es-un animal
Existen otras relaciones comunes, como:
Tiene, es, causa, etc. Más aparte las que pudiera definir
el modelador de la red semántica.
 Captar generalizaciones.
 Ser comprensible.
 Fácilmente modificable, incrementable.
Ser usado en diversas situaciones y propósitos.
 Permitir diversos grados de detalle.
 Captar la incertidumbre, imprecisión.
 Representar distinciones importantes.
 Focalizar el conocimiento relevante.

Weitere ähnliche Inhalte

Was ist angesagt?

15857 cse422 unsupervised-learning
15857 cse422 unsupervised-learning15857 cse422 unsupervised-learning
15857 cse422 unsupervised-learningAnil Yadav
 
POO: Herencia, Abstraccion y Polimorfismo
POO: Herencia, Abstraccion y PolimorfismoPOO: Herencia, Abstraccion y Polimorfismo
POO: Herencia, Abstraccion y PolimorfismoActimel
 
Empresas con BDOO
Empresas con BDOOEmpresas con BDOO
Empresas con BDOOtec lerdo
 
El conocimiento en inteligencia artificial
El conocimiento en inteligencia artificialEl conocimiento en inteligencia artificial
El conocimiento en inteligencia artificialEmilio Ardila
 
Mineria de datos
Mineria de datosMineria de datos
Mineria de datosArnoldo Gil
 
Formas de representacion del conocimiento
Formas de representacion del conocimientoFormas de representacion del conocimiento
Formas de representacion del conocimientoequipoUFTsis2
 
Construcción de modelos y enfoque de sistema
Construcción de modelos y enfoque de sistemaConstrucción de modelos y enfoque de sistema
Construcción de modelos y enfoque de sistemahenri thonon
 
Machine Learning
Machine LearningMachine Learning
Machine LearningGokulks007
 
3.1 Representación de conocimiento mediante reglas.pptx
3.1 Representación de conocimiento mediante reglas.pptx3.1 Representación de conocimiento mediante reglas.pptx
3.1 Representación de conocimiento mediante reglas.pptxRam Vazquez
 
Decision Tree in Machine Learning
Decision Tree in Machine Learning  Decision Tree in Machine Learning
Decision Tree in Machine Learning Souma Maiti
 
1.1 tipos de datos abstractos
1.1 tipos de datos abstractos1.1 tipos de datos abstractos
1.1 tipos de datos abstractoserwin_alexander
 
1. introduccion a la programación orientada a objeto (poo)
1.  introduccion a la programación orientada a objeto (poo)1.  introduccion a la programación orientada a objeto (poo)
1. introduccion a la programación orientada a objeto (poo)Roberto Rojas
 

Was ist angesagt? (20)

Técnicas de representación del conocimiento
Técnicas de representación del conocimientoTécnicas de representación del conocimiento
Técnicas de representación del conocimiento
 
15857 cse422 unsupervised-learning
15857 cse422 unsupervised-learning15857 cse422 unsupervised-learning
15857 cse422 unsupervised-learning
 
POO: Herencia, Abstraccion y Polimorfismo
POO: Herencia, Abstraccion y PolimorfismoPOO: Herencia, Abstraccion y Polimorfismo
POO: Herencia, Abstraccion y Polimorfismo
 
Empresas con BDOO
Empresas con BDOOEmpresas con BDOO
Empresas con BDOO
 
Base de datos
Base de datosBase de datos
Base de datos
 
El conocimiento en inteligencia artificial
El conocimiento en inteligencia artificialEl conocimiento en inteligencia artificial
El conocimiento en inteligencia artificial
 
Mineria de datos
Mineria de datosMineria de datos
Mineria de datos
 
Formas de representacion del conocimiento
Formas de representacion del conocimientoFormas de representacion del conocimiento
Formas de representacion del conocimiento
 
Construcción de modelos y enfoque de sistema
Construcción de modelos y enfoque de sistemaConstrucción de modelos y enfoque de sistema
Construcción de modelos y enfoque de sistema
 
Machine Learning
Machine LearningMachine Learning
Machine Learning
 
Método de Vuelta Atrás (Backtracking)
Método de Vuelta Atrás (Backtracking)Método de Vuelta Atrás (Backtracking)
Método de Vuelta Atrás (Backtracking)
 
3.1 Representación de conocimiento mediante reglas.pptx
3.1 Representación de conocimiento mediante reglas.pptx3.1 Representación de conocimiento mediante reglas.pptx
3.1 Representación de conocimiento mediante reglas.pptx
 
Busqueda por profundidad iterativa
Busqueda por profundidad iterativaBusqueda por profundidad iterativa
Busqueda por profundidad iterativa
 
Decision Tree in Machine Learning
Decision Tree in Machine Learning  Decision Tree in Machine Learning
Decision Tree in Machine Learning
 
Introducción a machine learning
Introducción a machine learningIntroducción a machine learning
Introducción a machine learning
 
1.1 tipos de datos abstractos
1.1 tipos de datos abstractos1.1 tipos de datos abstractos
1.1 tipos de datos abstractos
 
unidad 1 simulacion completa
unidad 1 simulacion completaunidad 1 simulacion completa
unidad 1 simulacion completa
 
1. introduccion a la programación orientada a objeto (poo)
1.  introduccion a la programación orientada a objeto (poo)1.  introduccion a la programación orientada a objeto (poo)
1. introduccion a la programación orientada a objeto (poo)
 
Tipos De Datos Abstractos
Tipos De Datos AbstractosTipos De Datos Abstractos
Tipos De Datos Abstractos
 
Recursividad
RecursividadRecursividad
Recursividad
 

Ähnlich wie Representacion de Conocimiento en I.A

Representación del conocimiento
Representación del conocimientoRepresentación del conocimiento
Representación del conocimientohitwinenze
 
Conocimiento Inteligencia Artificial
Conocimiento Inteligencia ArtificialConocimiento Inteligencia Artificial
Conocimiento Inteligencia ArtificialMiguel Medina
 
Representación del Conocimiento en Inteligencia Artificial
Representación del Conocimiento en Inteligencia ArtificialRepresentación del Conocimiento en Inteligencia Artificial
Representación del Conocimiento en Inteligencia Artificialadrrog
 
Representación del Conocimiento en Inteligencia Artificial
Representación del Conocimiento en Inteligencia ArtificialRepresentación del Conocimiento en Inteligencia Artificial
Representación del Conocimiento en Inteligencia ArtificialEsaú SitiOficial
 
Conocimiento en la inteligencia artificial
Conocimiento en la inteligencia artificialConocimiento en la inteligencia artificial
Conocimiento en la inteligencia artificialarianny lopez
 
Representación del Conocimiento
Representación del ConocimientoRepresentación del Conocimiento
Representación del Conocimientodansua07
 
Inteligencia artificial. Representacion del Conocimiento
Inteligencia artificial. Representacion del ConocimientoInteligencia artificial. Representacion del Conocimiento
Inteligencia artificial. Representacion del Conocimientoclaudiarussos
 
Mecanismo de representación del conocimiento artificial
Mecanismo de representación del conocimiento artificial Mecanismo de representación del conocimiento artificial
Mecanismo de representación del conocimiento artificial GerimarAndrade
 
Sem.investigac.encuentro 3. matrices de datos
Sem.investigac.encuentro 3. matrices de datosSem.investigac.encuentro 3. matrices de datos
Sem.investigac.encuentro 3. matrices de datosAny Multirubro
 
El desarrollo de habilidades del pensamiento
El desarrollo de habilidades del pensamientoEl desarrollo de habilidades del pensamiento
El desarrollo de habilidades del pensamientoMarco Antonio López
 
Ccnn deber para el jueves
Ccnn deber para el juevesCcnn deber para el jueves
Ccnn deber para el juevesjustin bieber
 
Tema iv organización lógica.1 b
Tema iv organización lógica.1 b Tema iv organización lógica.1 b
Tema iv organización lógica.1 b Di Delphis
 

Ähnlich wie Representacion de Conocimiento en I.A (20)

Representación del conocimiento
Representación del conocimientoRepresentación del conocimiento
Representación del conocimiento
 
Conocimiento Inteligencia Artificial
Conocimiento Inteligencia ArtificialConocimiento Inteligencia Artificial
Conocimiento Inteligencia Artificial
 
Representación del Conocimiento en Inteligencia Artificial
Representación del Conocimiento en Inteligencia ArtificialRepresentación del Conocimiento en Inteligencia Artificial
Representación del Conocimiento en Inteligencia Artificial
 
Cap 3
Cap 3Cap 3
Cap 3
 
Representación del Conocimiento en Inteligencia Artificial
Representación del Conocimiento en Inteligencia ArtificialRepresentación del Conocimiento en Inteligencia Artificial
Representación del Conocimiento en Inteligencia Artificial
 
Conocimiento en la inteligencia artificial
Conocimiento en la inteligencia artificialConocimiento en la inteligencia artificial
Conocimiento en la inteligencia artificial
 
Representación del Conocimiento
Representación del ConocimientoRepresentación del Conocimiento
Representación del Conocimiento
 
Inteligencia artificial. Representacion del Conocimiento
Inteligencia artificial. Representacion del ConocimientoInteligencia artificial. Representacion del Conocimiento
Inteligencia artificial. Representacion del Conocimiento
 
Inteligencia Artificial
Inteligencia ArtificialInteligencia Artificial
Inteligencia Artificial
 
Mecanismo de representación del conocimiento artificial
Mecanismo de representación del conocimiento artificial Mecanismo de representación del conocimiento artificial
Mecanismo de representación del conocimiento artificial
 
Conocimiento en Inteligencia Artificial
Conocimiento en Inteligencia ArtificialConocimiento en Inteligencia Artificial
Conocimiento en Inteligencia Artificial
 
Trabajo Modulo 5
Trabajo Modulo 5Trabajo Modulo 5
Trabajo Modulo 5
 
Representacion del conocimiento Edwin Mogollon
Representacion del conocimiento Edwin MogollonRepresentacion del conocimiento Edwin Mogollon
Representacion del conocimiento Edwin Mogollon
 
Sem.investigac.encuentro 3. matrices de datos
Sem.investigac.encuentro 3. matrices de datosSem.investigac.encuentro 3. matrices de datos
Sem.investigac.encuentro 3. matrices de datos
 
El desarrollo de habilidades del pensamiento
El desarrollo de habilidades del pensamientoEl desarrollo de habilidades del pensamiento
El desarrollo de habilidades del pensamiento
 
Ccnn deber para el jueves
Ccnn deber para el juevesCcnn deber para el jueves
Ccnn deber para el jueves
 
Representación del conocimiento
Representación del conocimientoRepresentación del conocimiento
Representación del conocimiento
 
Tema iv organización lógica.1 b
Tema iv organización lógica.1 b Tema iv organización lógica.1 b
Tema iv organización lógica.1 b
 
Gestion del conocimiento
Gestion del conocimientoGestion del conocimiento
Gestion del conocimiento
 
Tarea3omarmoralessuriano.pptx
Tarea3omarmoralessuriano.pptxTarea3omarmoralessuriano.pptx
Tarea3omarmoralessuriano.pptx
 

Mehr von Jose Miguel Torres Mendoza (8)

Diseño de software
Diseño de softwareDiseño de software
Diseño de software
 
Diseño de software
Diseño de softwareDiseño de software
Diseño de software
 
Mantenimiento de sistemas
Mantenimiento de sistemasMantenimiento de sistemas
Mantenimiento de sistemas
 
Calidad de software
Calidad de softwareCalidad de software
Calidad de software
 
Auditoria de sistemas
Auditoria de sistemasAuditoria de sistemas
Auditoria de sistemas
 
Diseño del proyecto sistemas II
Diseño del proyecto sistemas IIDiseño del proyecto sistemas II
Diseño del proyecto sistemas II
 
Arboles
ArbolesArboles
Arboles
 
Arboles
ArbolesArboles
Arboles
 

Kürzlich hochgeladen

ingenieria grafica para la carrera de ingeniera .pptx
ingenieria grafica para la carrera de ingeniera .pptxingenieria grafica para la carrera de ingeniera .pptx
ingenieria grafica para la carrera de ingeniera .pptxjhorbycoralsanchez
 
Presentación Instrumentos de Medicion Electricos.pptx
Presentación Instrumentos de Medicion Electricos.pptxPresentación Instrumentos de Medicion Electricos.pptx
Presentación Instrumentos de Medicion Electricos.pptxwilliam801689
 
ELASTICIDAD PRECIO DE LA DEMaaanANDA.ppt
ELASTICIDAD PRECIO DE LA DEMaaanANDA.pptELASTICIDAD PRECIO DE LA DEMaaanANDA.ppt
ELASTICIDAD PRECIO DE LA DEMaaanANDA.pptRobertoCastao8
 
EFICIENCIA ENERGETICA-ISO50001_INTEC_2.pptx
EFICIENCIA ENERGETICA-ISO50001_INTEC_2.pptxEFICIENCIA ENERGETICA-ISO50001_INTEC_2.pptx
EFICIENCIA ENERGETICA-ISO50001_INTEC_2.pptxfranklingerardoloma
 
CAPACITACIÓN EN AGUA Y SANEAMIENTO EN ZONAS RURALES
CAPACITACIÓN EN AGUA Y SANEAMIENTO EN ZONAS RURALESCAPACITACIÓN EN AGUA Y SANEAMIENTO EN ZONAS RURALES
CAPACITACIÓN EN AGUA Y SANEAMIENTO EN ZONAS RURALESJHONJAIROVENTURASAUC
 
Resistencia-a-los-antimicrobianos--laboratorio-al-cuidado-del-paciente_Marcel...
Resistencia-a-los-antimicrobianos--laboratorio-al-cuidado-del-paciente_Marcel...Resistencia-a-los-antimicrobianos--laboratorio-al-cuidado-del-paciente_Marcel...
Resistencia-a-los-antimicrobianos--laboratorio-al-cuidado-del-paciente_Marcel...GuillermoRodriguez239462
 
1. Equipos Primarios de una Subestaciones electricas
1. Equipos Primarios de una Subestaciones electricas1. Equipos Primarios de una Subestaciones electricas
1. Equipos Primarios de una Subestaciones electricasurAN077
 
Video sustentación GA2- 240201528-AA3-EV01.pptx
Video sustentación GA2- 240201528-AA3-EV01.pptxVideo sustentación GA2- 240201528-AA3-EV01.pptx
Video sustentación GA2- 240201528-AA3-EV01.pptxcarlosEspaaGarcia
 
NTC 3883 análisis sensorial. metodología. prueba duo-trio.pdf
NTC 3883 análisis sensorial. metodología. prueba duo-trio.pdfNTC 3883 análisis sensorial. metodología. prueba duo-trio.pdf
NTC 3883 análisis sensorial. metodología. prueba duo-trio.pdfELIZABETHCRUZVALENCI
 
TAIICHI OHNO, historia, obras, reconocimientos
TAIICHI OHNO, historia, obras, reconocimientosTAIICHI OHNO, historia, obras, reconocimientos
TAIICHI OHNO, historia, obras, reconocimientoscuentaparainvestigac
 
Tema ilustrado 9.2.docxbbbbbbbbbbbbbbbbbbb
Tema ilustrado 9.2.docxbbbbbbbbbbbbbbbbbbbTema ilustrado 9.2.docxbbbbbbbbbbbbbbbbbbb
Tema ilustrado 9.2.docxbbbbbbbbbbbbbbbbbbbantoniolfdez2006
 
Auditoría de Sistemas de Gestión
Auditoría    de   Sistemas     de GestiónAuditoría    de   Sistemas     de Gestión
Auditoría de Sistemas de GestiónYanet Caldas
 
ESPECIFICACIONES TECNICAS COMPLEJO DEPORTIVO
ESPECIFICACIONES TECNICAS COMPLEJO DEPORTIVOESPECIFICACIONES TECNICAS COMPLEJO DEPORTIVO
ESPECIFICACIONES TECNICAS COMPLEJO DEPORTIVOeldermishti
 
Matrices Matemáticos universitario pptx
Matrices  Matemáticos universitario pptxMatrices  Matemáticos universitario pptx
Matrices Matemáticos universitario pptxNancyJulcasumaran
 
Tippens fisica 7eDIAPOSITIVAS TIPENS Tippens_fisica_7e_diapositivas_33.ppt
Tippens fisica 7eDIAPOSITIVAS TIPENS Tippens_fisica_7e_diapositivas_33.pptTippens fisica 7eDIAPOSITIVAS TIPENS Tippens_fisica_7e_diapositivas_33.ppt
Tippens fisica 7eDIAPOSITIVAS TIPENS Tippens_fisica_7e_diapositivas_33.pptNombre Apellidos
 
portafolio final manco 2 1816827 portafolio de evidencias
portafolio final manco 2 1816827 portafolio de evidenciasportafolio final manco 2 1816827 portafolio de evidencias
portafolio final manco 2 1816827 portafolio de evidenciasIANMIKELMIRANDAGONZA
 
Aportes a la Arquitectura de Le Corbusier y Mies Van der Rohe
Aportes a la Arquitectura de Le Corbusier y Mies Van der RoheAportes a la Arquitectura de Le Corbusier y Mies Van der Rohe
Aportes a la Arquitectura de Le Corbusier y Mies Van der RoheElisaLen4
 
ATS-FORMATO cara.pdf PARA TRABAJO SEGURO
ATS-FORMATO cara.pdf  PARA TRABAJO SEGUROATS-FORMATO cara.pdf  PARA TRABAJO SEGURO
ATS-FORMATO cara.pdf PARA TRABAJO SEGUROalejandrocrisostomo2
 
S3-OXIDOS-HIDROXIDOS-CARBONATOS (mineralogia)
S3-OXIDOS-HIDROXIDOS-CARBONATOS (mineralogia)S3-OXIDOS-HIDROXIDOS-CARBONATOS (mineralogia)
S3-OXIDOS-HIDROXIDOS-CARBONATOS (mineralogia)samuelsan933
 

Kürzlich hochgeladen (20)

ingenieria grafica para la carrera de ingeniera .pptx
ingenieria grafica para la carrera de ingeniera .pptxingenieria grafica para la carrera de ingeniera .pptx
ingenieria grafica para la carrera de ingeniera .pptx
 
Presentación Instrumentos de Medicion Electricos.pptx
Presentación Instrumentos de Medicion Electricos.pptxPresentación Instrumentos de Medicion Electricos.pptx
Presentación Instrumentos de Medicion Electricos.pptx
 
ELASTICIDAD PRECIO DE LA DEMaaanANDA.ppt
ELASTICIDAD PRECIO DE LA DEMaaanANDA.pptELASTICIDAD PRECIO DE LA DEMaaanANDA.ppt
ELASTICIDAD PRECIO DE LA DEMaaanANDA.ppt
 
EFICIENCIA ENERGETICA-ISO50001_INTEC_2.pptx
EFICIENCIA ENERGETICA-ISO50001_INTEC_2.pptxEFICIENCIA ENERGETICA-ISO50001_INTEC_2.pptx
EFICIENCIA ENERGETICA-ISO50001_INTEC_2.pptx
 
CAPACITACIÓN EN AGUA Y SANEAMIENTO EN ZONAS RURALES
CAPACITACIÓN EN AGUA Y SANEAMIENTO EN ZONAS RURALESCAPACITACIÓN EN AGUA Y SANEAMIENTO EN ZONAS RURALES
CAPACITACIÓN EN AGUA Y SANEAMIENTO EN ZONAS RURALES
 
Resistencia-a-los-antimicrobianos--laboratorio-al-cuidado-del-paciente_Marcel...
Resistencia-a-los-antimicrobianos--laboratorio-al-cuidado-del-paciente_Marcel...Resistencia-a-los-antimicrobianos--laboratorio-al-cuidado-del-paciente_Marcel...
Resistencia-a-los-antimicrobianos--laboratorio-al-cuidado-del-paciente_Marcel...
 
422382393-Curso-de-Tableros-Electricos.pptx
422382393-Curso-de-Tableros-Electricos.pptx422382393-Curso-de-Tableros-Electricos.pptx
422382393-Curso-de-Tableros-Electricos.pptx
 
1. Equipos Primarios de una Subestaciones electricas
1. Equipos Primarios de una Subestaciones electricas1. Equipos Primarios de una Subestaciones electricas
1. Equipos Primarios de una Subestaciones electricas
 
Video sustentación GA2- 240201528-AA3-EV01.pptx
Video sustentación GA2- 240201528-AA3-EV01.pptxVideo sustentación GA2- 240201528-AA3-EV01.pptx
Video sustentación GA2- 240201528-AA3-EV01.pptx
 
NTC 3883 análisis sensorial. metodología. prueba duo-trio.pdf
NTC 3883 análisis sensorial. metodología. prueba duo-trio.pdfNTC 3883 análisis sensorial. metodología. prueba duo-trio.pdf
NTC 3883 análisis sensorial. metodología. prueba duo-trio.pdf
 
TAIICHI OHNO, historia, obras, reconocimientos
TAIICHI OHNO, historia, obras, reconocimientosTAIICHI OHNO, historia, obras, reconocimientos
TAIICHI OHNO, historia, obras, reconocimientos
 
Tema ilustrado 9.2.docxbbbbbbbbbbbbbbbbbbb
Tema ilustrado 9.2.docxbbbbbbbbbbbbbbbbbbbTema ilustrado 9.2.docxbbbbbbbbbbbbbbbbbbb
Tema ilustrado 9.2.docxbbbbbbbbbbbbbbbbbbb
 
Auditoría de Sistemas de Gestión
Auditoría    de   Sistemas     de GestiónAuditoría    de   Sistemas     de Gestión
Auditoría de Sistemas de Gestión
 
ESPECIFICACIONES TECNICAS COMPLEJO DEPORTIVO
ESPECIFICACIONES TECNICAS COMPLEJO DEPORTIVOESPECIFICACIONES TECNICAS COMPLEJO DEPORTIVO
ESPECIFICACIONES TECNICAS COMPLEJO DEPORTIVO
 
Matrices Matemáticos universitario pptx
Matrices  Matemáticos universitario pptxMatrices  Matemáticos universitario pptx
Matrices Matemáticos universitario pptx
 
Tippens fisica 7eDIAPOSITIVAS TIPENS Tippens_fisica_7e_diapositivas_33.ppt
Tippens fisica 7eDIAPOSITIVAS TIPENS Tippens_fisica_7e_diapositivas_33.pptTippens fisica 7eDIAPOSITIVAS TIPENS Tippens_fisica_7e_diapositivas_33.ppt
Tippens fisica 7eDIAPOSITIVAS TIPENS Tippens_fisica_7e_diapositivas_33.ppt
 
portafolio final manco 2 1816827 portafolio de evidencias
portafolio final manco 2 1816827 portafolio de evidenciasportafolio final manco 2 1816827 portafolio de evidencias
portafolio final manco 2 1816827 portafolio de evidencias
 
Aportes a la Arquitectura de Le Corbusier y Mies Van der Rohe
Aportes a la Arquitectura de Le Corbusier y Mies Van der RoheAportes a la Arquitectura de Le Corbusier y Mies Van der Rohe
Aportes a la Arquitectura de Le Corbusier y Mies Van der Rohe
 
ATS-FORMATO cara.pdf PARA TRABAJO SEGURO
ATS-FORMATO cara.pdf  PARA TRABAJO SEGUROATS-FORMATO cara.pdf  PARA TRABAJO SEGURO
ATS-FORMATO cara.pdf PARA TRABAJO SEGURO
 
S3-OXIDOS-HIDROXIDOS-CARBONATOS (mineralogia)
S3-OXIDOS-HIDROXIDOS-CARBONATOS (mineralogia)S3-OXIDOS-HIDROXIDOS-CARBONATOS (mineralogia)
S3-OXIDOS-HIDROXIDOS-CARBONATOS (mineralogia)
 

Representacion de Conocimiento en I.A

  • 1. José M. Torres C.I 19.106.680
  • 2. El conocer es un hecho primario, espontáneo e instintivo, y por ello no puede ser definido estrictamente. Se podría describir como un ponerse en contacto con el ser, con el mundo y con el yo; también podríamos decir que es un proceso en el que están vinculados estrechamente las operaciones y procedimientos mentales, subjetivos, con las operaciones y formas de actividad objetivas prácticas, aplicadas a los objetos.
  • 3. El conocer se caracteriza como una presencia del objeto frente al objeto: el sujeto se posesiona en cierta forma del objeto, lo capta y lo hace suyo, reproduciéndolo de tal manera que responda lo más fielmente posible a la realidad misma del objeto. Por medio de esta reproducción, se tiene la imagen, no física como sería una fotografía, sino psíquica, cognoscible, intencional.
  • 4.  Cobertura, significa que la representación del conocimiento cubre la información en anchura y profundidad.  Comprensible por humanos. La representación del conocimiento es vista como un lenguaje natural, así que la lógica debería fluir libremente.  Consistencia. Siendo consistente, la representación del conocimiento puede eliminar conocimiento redundante o conflictivo.  Eficiencia.  Facilidad de modificación y actualización.  Soporte de la actividad inteligente que usa la base de conocimiento
  • 5.  Cobertura, significa que la representación del conocimiento cubre la información en anchura y profundidad.  Comprensible por humanos. La representación del conocimiento es vista como un lenguaje natural, así que la lógica debería fluir libremente.  Consistencia. Siendo consistente, la representación del conocimiento puede eliminar conocimiento redundante o conflictivo.  Eficiencia.  Facilidad de modificación y actualización.  Soporte de la actividad inteligente que usa la base de conocimiento
  • 7. Para representar algo necesitamos saber su forma o estructura: Que uso le dan los seres inteligentes Que uso le dará una inteligencia artificial Como adquirir el conocimiento Como almacenarlo y manipularlo.
  • 8.  Conocimiento Declarativo  Conocimiento Procedimental  Conocimiento Heurístico Conocimiento Declarativo: Son hechos sobre objetos o situaciones. Posee mayor capacidad expresiva, menor capacidad creativa o computacional. es conocimiento pasivo, expresado como sentencias acerca de los hechos del mundo que nos rodea. La información personal en una base de datos es un típico ejemplo de conocimiento declarativo. Tales tipos de datos son piezas explícitas de conocimiento independiente.
  • 9. El conocimiento declarativo puede ser representado con modelos relacionales y esquemas basados en lógica. Los modelos relacionales pueden representar el conocimiento en forma de árboles, grafos o redes semánticas. Los esquemas de representación lógica incluyen el uso de lógica proposicional y lógica de predicados.
  • 10.  Conocimiento relacional: conjunto de relaciones expresables mediante tablas como en una Base de Datos. Hemos de aportar procedimientos que lo enriquezcan Motor de inferencia: genera conocimiento a partir de información. Ej.: media de compras en una población, mejor cliente, tipología de cliente.  Conocimiento heredable: Estructuración jerárquica del conocimiento taxonomía jerárquica. Se trata de construir un árbol o grafo de conceptos basado en la generalización o especialización  Conocimiento inferible: Conocimiento descrito mediante lógica. Se puede utilizar la semántica de los operadores y el Modus Ponens para inferir nuevo conocimiento.
  • 11. Es aquel conocimiento compilado que se refiere a la forma de realizar una cierta tarea el saber cómo hacerlo. Por ejemplo, los pasos necesarios para resolver una ecuación algebraica son expresados como conocimiento procedimental. Los modelos procedimentales y sus esquemas de representación almacenan conocimiento en la forma de cómo hacer las cosas. Pueden estar caracterizados por gramáticas formales, usualmente implantadas por sistemas o lenguajes procedimentales y sistemas basados en reglas sistemas de producción. Por ejemplo, los pasos necesarios para resolver una ecuación algebraica son expresados como conocimiento procedimental.
  • 12. Es un tipo especial de conocimiento usado por los humanos para resolver problemas complejos. El adjetivo heurístico significa medio para descubrir. Está relacionado con la palabra griega heuriskein que significa descubrir, encontrar. Se entiende por heurístico a un criterio, estrategia, método o truco utilizado para simplificar la solución de problemas.
  • 13.
  • 14. La norma ISO 9241 en su parte número 12 (ISO 9241-12) nos introduce como Etiqueta (Label) “Título descriptivo corto para una entrada o campo de texto de solo lectura, tablas, controles u objeto (…) Etiqueta incluye encabezamientos, campos de aviso, textos descriptivos ejemplo: etiquetas de iconos Al respecto, esta misma norma nos propone algunos consejos: Las etiquetas deben explicar el propósito y el contenido del ítem de información designado.  Las etiquetas deben ser gramaticalmente consistentes.  Las etiquetas deben estar localizadas adyacentemente al ítem de información designado.
  • 15. Son una estructura de datos compleja que representa una situación estereotipada, en la que se organizar el conocimiento como una colección de características comunes al concepto, objeto, situación o sujeto. Características Principales: Precisión: se precisan los objetos, las relaciones entre objetos y sus propiedades; en ausencia de evidencia contraria se usan valores por omisión Activación dinámica de procesos (Triggering): se pueden adjuntar procedimientos a un marco o alguno de sus componentes y ser llamados y ejecutados automáticamente tras la comprobación de cambio de alguna propiedad o valor. Herencia por defecto no-monotónica: los marcos están conceptualmente relacionados, permitiendo que atributos de objetos sean heredados de otros objetos predecesores en la jerarquía Modularidad: la base de conocimiento está organizada en componentes claramente diferenciados
  • 16. Estructura de un Slot: Nombre: Cada slot debe tener un nombre único dentro del frame, pero son propios de cada slot es decir dos o más frames pueden coincidir en los nombres de los slots. Valor del slot: Puede ser asignado inicialmente o estar vacío para añadirle valor en procesos de búsqueda y razonamiento. Procedimientos anexos: Estos son opcionales. If – needed <procedimiento>: significa que antes de obtener el valor del slot respectivo en una consulta, se ejecuta el procedimiento adjunto y solo si tiene éxito se podrá obtener el valor. If – added <procedimiento>: significa que antes de asignarle el valor al respectivo slot, debe ejecutarse con éxito el procedimiento; de otra manera no se realizara acción alguna. If – deleted <procedimiento>: Significa que antes de borrar el valor del slot, debe ejecutarse con éxito el procedimiento; de otra manera no se borrara el valor del slot.
  • 17.
  • 18. Es un método procedimental de representación del conocimiento, pone énfasis en representar y soportar las relaciones inferenciales del algoritmo, en contraposición a los métodos declarativos (hechos). La estructura de una regla es: SI <antecedentes> ENTONCES <consecuentes>
  • 19. Están basadas en la idea de que los objetos o los conceptos pueden ser unidos por alguna relación. Estas relaciones se representan usando una liga que conecte dos conceptos. Los nodos y las ligas pueden ser cualquier cosa, dependiendo de la situación a modelar. Una relación muy común que une a dos conceptos es la relación es-un: A es-un B, la cual significa que A es un concepto menos general que B. Ejemplo: X es-un humano es-un animal Existen otras relaciones comunes, como: Tiene, es, causa, etc. Más aparte las que pudiera definir el modelador de la red semántica.
  • 20.
  • 21.  Captar generalizaciones.  Ser comprensible.  Fácilmente modificable, incrementable. Ser usado en diversas situaciones y propósitos.  Permitir diversos grados de detalle.  Captar la incertidumbre, imprecisión.  Representar distinciones importantes.  Focalizar el conocimiento relevante.