3.5. Razonamiento con incertidumbre 3.5.1 Aprendizaje

1. Instituto Tecnológico de Nuevo León.
UNIDAD 3: Representación del conocimiento
Equipo #:The Gamers
1/10/2014
Maestro: Enrique García
Carrera: ISC
Integrantes: 4
Lucero..........…10480352
Karla ……….…10480616
Francisco..…...10480334
Miguel....……...10480061

2. 3.5. Razonamiento con
incertidumbre
Razonar con incertidumbre es el
arte de representar y razonar
con resúmenes de excepciones.
Compromiso entre seguridad en
el razonamiento y eficiencia del
proceso.

3. Necesidad del razonamiento
con incertidumbre:
En la vida real es
necesario tomar
decisiones y en base
a ello deducir nuevos
hechos a partir de
esa información.
r-----------φ
¿verdadero
o falso?
El módelo
ideal de
razonamient
o humano o
no es el
razonamient
o exacto.

4. A continuación se mencionan algunas de
las características:
Parcial o
incompleta.
Incierta Imprecisa:
es cuando la
información o
enunciado admite
más de una
interpretación
posible.
Conflictiva

5. Es probable que si la fiebre es muy alta haya una
infección grave.
Si el numero de leucocitos es relativamente bajo, la
infección sera será probablemente leve.
Tengo fiebre muy alta y el numero de leucocitos es
muy elevado.
Tengo una infeccion grave φ
r  φ ?
r

6. • a) Tengo
fiebre muy
alta y el
numero de
leucocitos es
relativament
e bajo?
a)
• b) Tengo
fiebre
bastante
alta, y el
numero de
leucocitos es
normal?
b)
• c) Tengo 39
Ta y el
numero de
leucocitos es
alto? c)
Es probable que si la
fiebre es muy alta haya
una infección grave.
Si el numero de leucocitos
es relativamente bajo, la
infección sera
probablemente leve.
Que podemos afirmar
si...?

7. Fuentes de
incertidumbre
Información disponible (hechos)
-incompleta
-Incierta
-Errónea
Conocimiento (modelo) del dominio
(relaciones)
-Impreciso
-Incompleto
-Contradictorio
Representación del conocimiento/información:
-Insuficiente poder descriptivo
-No eficiente (excesivo costo computacional)

8. La incertidumbre es un concepto relativo enunciado información.
No es posible determinar son seguridad su validez, verdadero o falso.
Ejemplos de
dominio con
incertidumbre:
Diagnóstico
medico Predicción
financiera
Explotación
minera/petro
lera
Reconocimiento
del lenguaje
natural (hablado y
escrito)
Supervisión/
control de
procesos
industriales
complejos.

9. Fuentes de incertidumbre en
diagnóstico médico.

10. modelos de razonamiento
con incertidumbre
No numéricos
(cualitativas)
- Razonamiento por
defecto
- Sistemas de
mantenimiento de verdad
- Teoría de las
justificaciones
numéricos
-Teoría clásica de la
probabilidad (Naive Bayes)
-Probabilidades subjetivas
(MYCIN Y PROSPECTOR)
-Modelo evidencial
(Dempster-Shafer)
-Redes bayesianas
Logia difusa

11. NECESIDAD DEL RAZONAMIENTO CON INCERTIDUMBRE
En que grado o medida, con que confianza podemos
confirmar que el enunciado φ es cierto a partir de la
información disponible r? Definir:
-como se representa con incertidumbre?
-como se propaga? (por las reglas)
-como se calcula? (combinación de evidencias separadas,
diferentes lineas de razonamiento
el formalismo de lógica clásica es insuficiente para representar y
razonar con incertidumbre --> se necesitan métodos
alternativos.

12. Tratamiento de la incertidumbre
• La incertidumbre se puede medir o ponderar.
• -Asociación a los enunciados valores numéricos que
expresan el grado de confianza en la veracidad del
enunciado.
• Lógica clásica: r-->φ ? Verdadero o falso
• Razonamiento con incertidumbre:
-En que grado o medida r-->φ ? gr(φ )
• El tipo de gr(φ ) depende del tipo de incompletitud en la
información.

13. Caso 1: Sistema de vigilancia con sensores heterogéneos
*Utiliza 3 sensores de diferente tipo
-Un sensor es de tipo sonar, es decir, es capaz de
extraer la posición en la que se encuentra un
- El ultimo sensor es un detector de temperatura.
*La tarea de los sensores es distinguir entre operarios humanos y
robots.
Con objeto de simplificar el problema suponemos que cada sensor decide la identidad del objeto de
forma independiente
objeto.
-Otro sensor es una cámara que permite identificar
los contornos de un objeto.

14. Caso 1 sistema vigilancia.
OBJETIVO: Determinar la identidad de los objetos que
aparecen en la fábrica: Robots/Humanos.

16. OBJETIVO: Discriminar del sonido ambiente un llanto o balbuceo de
un bebé, así como un sonido que pudiera significar que el bebé se ha
movido y necesita asistencia.
• Tipo de sonido (frecuencia)
• Intensidad (dB)
• Duración de sonido
1. Sistema en reposo
2. Emitir
Entrada
Salida

17. Tipo de sonido imagen
Fuentes de incertidumbre:
*Existencia de sonido ambiental
*Errores de medición del micrófono
incorporado (distorsion de audio)

18. Intensidad db.
Fuentes de incertidumbre:
*Decidir los niveles de intensidad relevantes para cambiar
el estado del sistema.
*Imprecisión debida a la distorsión de micrófono

19. Duracion segundos.
“La duración promedio de una vocal puede
estar en un rango de 0.2 – 1 segundos”
*Fuente de incertidumbre:
*Decidir los valores de la duración
relevantes para cambiar el estado del
sistema.

20. Bibliografía:
http://www.giaa.inf.uc3m.es/doce
ncia/ii/rincertidumbre/teoria/tema
1-introduccion.pdf

21. 3.5.1 Aprendizaje
 El aprendizaje automático o aprendizaje de máquinas es una
rama de la inteligencia artificial cuyo objetivo es desarrollar
técnicas que permitan a las computadoras aprender.
 De forma más concreta, se trata de crear programas capaces
de generalizar comportamientos a partir de una información
no estructurada suministrada en forma de ejemplos.
http://prek-
8.com/games/puzzles/

22.  El aprendizaje automático se centra más en
el estudio de la complejidad computacional
de los problemas. Puede ser visto como un
intento de automatizar algunas partes del
método científico mediante métodos
matemáticos.

23.  El aprendizaje automático
tiene una amplia gama
de aplicaciones,
incluyendo motores de
búsqueda, diagnósticos
médicos, detección de
fraude en el uso de
tarjetas de crédito,
análisis del mercado de
valores, clasificación de
secuencias de ADN,
reconocimiento del habla
y del lenguaje escrito,
juegos y robótica.

24. Aprendizaje
 El esquema de aprendizaje de las ANN es
un esquema basado en ejemplos, para
que la red “aprenda” estos ejemplos han
de ser:
Suficientes:
La red requiere de una serie de
ciclos de aprendizaje (miles o
centenas) para “aprender”, es
decir, ajustar los pesos de sus
conexiones hasta lograr
resultados óptimos.
Significativos y variados:
Las ANN tienen como
característica principal su
capacidad de generalización y
para ello requiere que sea
entrenada con una variedad de
ejemplos.

25. Aprendizaje
 El proceso de aprendizaje de una red consiste
principalmente en dos pasos:
Se introducen los ejemplos
en las entradas y se
observan las salidas,
mediante los diversos
algoritmos de aprendizaje
A continuación se comprueba
si se está cumpliendo el criterio
de convergencia. De ser así, se
continua el proceso hasta
converger, y si no, se vuelve al
primer paso y se vuelven a
introducir los ejemplos.

26. Interacción Hombre-Máquina
 Algunos sistemas de Aprendizaje Automático
intentan eliminar toda necesidad de intuición o
conocimiento experto de los procesos de análisis
de datos, mientras otros tratan de establecer un
marco de colaboración entre el experto y la
computadora.

27.  De todas formas, la intuición humana no puede ser
reemplazada en su totalidad, ya que el diseñador
del sistema ha de especificar la forma de
representación de los datos y los métodos de
manipulación y caracterización de los mismos

28.  Los diferentes algoritmos de Aprendizaje
Automático se agrupan en una taxonomía en
función de la salida de los mismos. Algunos tipos
de algoritmos son:
Aprendizaje
Supervisado
Tipos de
Algoritmos
Aprendizaj
e no
Supervisad
o
Aprendizaj
e semi-supervisad
o
Aprendizaje
Multitarea
Aprendizaje
por esfuerzo

29. Aprendizaje
Supervisado
• El algoritmo produce una función que establece una correspondencia
entre las entradas y las salidas deseadas del sistema.
• Un ejemplo es el problema de clasificación, donde el sistema de
aprendizaje trata de etiquetar (clasificar) una serie de vectores utilizando
una entre varias categorías (clases).
Aprendizaje
No
Supervisado
•Todo el proceso de modelado se lleva a cabo sobre un conjunto de
ejemplos formado tan sólo por entradas al sistema.
• El sistema tiene que ser capaz de reconocer patrones para poder
etiquetar las nuevas entradas.
Aprendizaje
semisupervisa
do
• Este tipo de algoritmos combinan los dos algoritmos anteriores para
poder clasificar de manera adecuada.
• Se tiene en cuenta los datos marcados y los no marcados.

30. Aprendizaj
e por
refuerzo
• El algoritmo aprende observando el mundo que le rodea.
• Su información de entrada es de retroalimentación que
obtiene del mundo exterior como respuesta a sus acciones.
Por lo tanto, el sistema aprende a base de ensayo-error.
Aprendizaj
e multi-tarea
• Métodos de aprendizaje que usan conocimiento previamente
aprendido por el sistema de cara a enfrentarse a problemas
parecidos a los ya vistos.

31. Aprendizaje supervisado
 Es una técnica para deducir una función a
partir de datos de entrenamiento. Los datos de
entrenamiento consisten de pares de objetos
(normalmente vectores): una componente del
par son los datos de entrada y el otro, los
resultados deseados
Por ejemplo, aprender a reconocer la escritura

32. Aprendizaje supervisado
 El objetivo del aprendizaje supervisado es el de
crear una función capaz de predecir el valor
correspondiente a cualquier objeto de entrada
válida después de haber visto una serie de
ejemplos, los datos de entrenamiento

33. Aprendizaje no supervisado
 Es un método de Aprendizaje
Automático donde un modelo es ajustado a las
observaciones. Se distingue del Aprendizaje
supervisado por el hecho de que no hay un
conocimiento a priori. En el aprendizaje no
supervisado, un conjunto de datos de objetos
de entrada es tratado.
Un claro ejemplo de sistema con aprendizaje no
supervisado lo constituyen los sistemas topográficos

34. Aprendizaje no supervisado
 El aprendizaje no supervisado típicamente trata
los objetos de entrada como un conjunto
de variables aleatorias, siendo construido un
modelo de densidad para el conjunto de datos.

35. Aprendizaje por refuerzo
 En el aprendizaje por refuerzo se utilizan datos
de entrada con información sobre sus salidas
pero, a diferencia del supervisado, no se tiene
información acerca del error cometido, de
modo que simplemente se ha de determinar si
una salida dada por la ANN es buena o no
comparándola con la deseada, hasta que las
salidas de la ANN sean prácticamente iguales a
las del ejemplo.

36. Bibliografía
 Aprendizaje
http://es.wikipedia.org/wiki/Aprendizaje_autom%C3%A1tico