Professional Documents
Culture Documents
GONZAGA DE ICA
FUNDAMENTOS DE LA
INGENIERIA ARTIFICAL
FACULTAD DE INGENIERIA DE SISTEMAS
INTEGRANTES :
Flores Yarasca, Luis Manuel
Hernndez Ramrez Frank, Carlos
Hernndez Ramos, William Antonio
Oncebay Ochoa, Eduardo Jhoel
Pea Siguas, Jesus Enrique
Pario Prada, Anglica Esther
INDICE
INDICE......................................................................................................... 2
BASES DE LA INTELIGENCIA ARTIFICIAL..........................................................4
1.
2.
3.
4.
5.
6.
7.
8.
HISTORIA................................................................................................................ 34
DEFINICIN.............................................................................................................. 35
VENTAJAS................................................................................................................ 36
LIMITACIONES........................................................................................................... 36
ARQUITECTURA BSICA DE LOS SISTEMAS EXPERTOS........................................................37
TENDENCIA DE LOS SISTEMAS EXPERTOS........................................................................38
APLICACIONES.......................................................................................................... 38
VIDA ARTIFICIAL.........................................................................................39
1.
2.
3.
4.
5.
6.
7.
DEFINICIN.............................................................................................................. 40
PERSPECTIVA METODOLGICA......................................................................................41
VENTAJAS................................................................................................................ 41
DESVENTAJAS........................................................................................................... 41
EJEMPLOS DE VIDA ARTIFICIAL......................................................................................41
AUTMATAS CELULARES.............................................................................................. 42
APLICACIONES.......................................................................................................... 42
RESEA.................................................................................................................. 44
DEFINICIN.............................................................................................................. 46
ARQUITECTURA DE LOS SISTEMAS BASADOS EN CONOCIMIENTO.........................................47
SBC VS. SISTEMAS TRADICIONALES..............................................................................47
SISTEMA EXPERTO Y SISTEMA BASADO EN CONOCIMIENTO: EVOLUCIN.................................48
MOTIVACIONES......................................................................................................... 49
FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL DISTRIBUIDA.............................................50
RESOLUCIN DISTRIBUIDA DE PROBLEMAS......................................................................52
CARACTERIZACIN..................................................................................................... 53
LGICA DIFUSA..........................................................................................58
INTRODUCCIN................................................................................................................ 58
1. TEORA DE CONJUNTOS DIFUSOS..................................................................................58
2. EL CONTROLADOR DIFUSO.........................................................................................60
3. FUSIFICACIN........................................................................................................... 60
4. BASE DE CONOCIMIENTO............................................................................................ 61
5. INFERENCIA.............................................................................................................. 61
6. DEFUSIFICACIN....................................................................................................... 61
REDES NEURONALES ARTIFICIALES..............................................................62
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
DEFINICIN Y CARACTERSTICAS...................................................................................62
ARQUITECTURA DE LAS RNA.......................................................................................63
APRENDIZAJE DE LAS RNA.......................................................................................... 64
APRENDIZAJE SUPERVISADO.........................................................................................64
APRENDIZAJE POR CORRECCIN DE ERROR.....................................................................65
APRENDIZAJE POR REFUERZO.......................................................................................65
APRENDIZAJE ESTOCSTICO.........................................................................................65
NO SUPERVISADO O AUTO ORGANIZADO........................................................................66
APRENDIZAJE HEBBIANO.............................................................................................66
APRENDIZAJE COMPETITIVO Y COMPARATIVO................................................................66
COMPUTACIN EVOLUTIVA..........................................................................68
1.
2.
3.
4.
5.
6.
7.
8.
9.
BREVE HISTORIA:...................................................................................................... 68
DEFINICIN:............................................................................................................. 68
REPRESENTACIN GENTICA O CODIFICACIN..................................................................71
FUNCIN DE EVALUACIN O DESEMPEO........................................................................72
OPERADORES GENTICOS............................................................................................72
MUTACIN............................................................................................................... 72
RECOMBINACIN....................................................................................................... 73
SELECCIN.............................................................................................................. 74
REEMPLAZO POBLACIONAL..........................................................................................74
MINERIA DE DATOS.....................................................................................75
1.
2.
3.
4.
5.
MARCO TERICO...................................................................................................... 75
TENDENCIAS O SITUACIN PROBLEMATICA......................................................................86
APLICACIN DE LA MINERA DE DATOS..........................................................................86
CONCLUSIONES Y RECOMENDACIONES...........................................................................86
BIBLIOGRAFA....................................................................................................... 86
leyes fsicas. Los animales, por el contrario, no poseen esta cualidad dual; ii
ellos se le podran concebir como si se tratasen de mquinas. Una alternativa al
dualismo es el materialismo, que considera que las operaciones del cerebro
realizadas de acuerdo a las leyes de la fsica constituyen la mente. El libre
albedro es simplemente la forma en la que la percepcin de las opciones
disponibles aparecen en el proceso dc seleccin.
Dada una mente fsica que gestiona conocimiento, el siguiente problema
es establecer las fuentes de este conocimiento. El movimiento emprico, iniciado
con el Novum Orginun, de Francis Bacon (1 561 - 1626), se caracteriza por el
aforismo de John Locke (1632- 1704): Nada existe en la mente que no haya
pasado antes por los sentidos. David Hume (1711 - 1776) propuso en Treatise
of Human Nature (Hume 1739) lo que actualmente se conoce como principio
de induccin: las reglas generales se obtienen mediante la exposicin a
asociaciones repetidas entre sus elementos. Sobre la base de las propuestas de
Ludwig Wittginstein (1 889- 1951) y Brertrand Russell (1872 - 1970), el famoso
Crculo de Viena, liderado por Rudolf' Carnap, (1891 - 1970), dcsarrol1o la
doctrina del positivismo lgico. Esa doctrina sostiene quc todo el conocimiento
se puede caracterizar mediante teoras lgicas relacionadas, en ltima
instancia, con sentencias de observacin que corresponden a estmulos
sensoriales. La teora de la confirmacin de Carnap y Carl Hempel (1905 - 1997)
intenta explicar cmo el conocimiento se obtiene a partir de la experiencia. El
libro de Carnap. The lgical Structure of de Word (1928), define un
procedimiento computacional explcito para la extraccin de conocimiento a
partir de experiencias primarias. Fue posiblemente la primera teora en mostrar
la mente corno un proceso computacional. El ltimo elemento en esta discusin
filosfica sobre la mente es la relacin que existe entre conocimiento y accin.
Este asunto es vital para la IA, ya que la inteligencia requiere tanto accin como
razonamiento. Ms aun, simplemente con comprender como se justifican
determinadas acciones se puede llegar a saber cmo construir un agente cuyas
acciones sean justificables (o racionales). Aristteles argumenta que las
acciones se pueden justificar por la conexin lgica entre los objetivos y el
conocimiento de los efectos de las acciones.
Como es que el pensamiento viene acompaado en algunos casos de
acciones y en otros no, en algunos casos por movimiento y en otros no'?
Parece como si la misma cosa sucediera tanto si razonramos o hiciramos
inferencias sobre objetos que no cambian; pero en este caso el fin es una
proposicin especulativa... mientras la conclusin resultante de las dos premisas
es una accin... Yo necesito abrigarme, una manta abriga. Yo necesito una
manta. Que necesito, que debo hacer; necesito una manta. Necesito hacer una
manta. Y en conclusin. (Yo tengo que hacer una manta, es una accin.
(Nussbaum 1078, p. 40)
En Nicomachean Ethics (Libro III. 3 , 1 1 12b). Aristteles contina
trabajando en este tema, sugiriendo un algoritmo:
Nosotros no reflexionamos sobre los fines, sino sobre los medios. Un
mdico no reflexiona sobre si debe curar, ni un orador sobre si debe persuadir...
Ellos asumen el fin y consideran cmo y con qu medios lo obtienen, y si resulta
fcil y es por tanto productivo; mientras que si slo se puede alcanzar por un
medio se tiene en consideracin como se alcanzar por este y porque medios
se obtendr este, hasta que se llegue a la causa primera y lo ltimo en el
orden del anlisis para ser lo primero en el orden de los acontecimientos. Y si se
Pierre Fermat (1601 - 1665), Blasie Pascal (1623 - 1662), James Bernoulli (1654 1705), Pierre Laplace (1749 - 1827), entre otros, hicieron avanzar esta teora e
introdujeron
nuevos mtodos estadsticos. Thomas Bayes (1702 - 1761)
propuso una regla para la actualizacin de probabilidades subjetivas a la luz de
nuevas evidencias. La regla de Bayes y el rea resultante llamado anlisis
Bayesiano conforman la base de las propuestas ms modernas que abordan el
razonamiento incierto en sistemas de IA.
Partes de una clula nerviosa o neurona. Cada neurona contiene un cuerpo celular, o soma, que
tiene un ncleo celular. Un nmero de fibras llamadas dendritas se ramifican a partir del cuerpo
de la clula junto con una nica fibra larga llamada axn. El axn se alarga considerablemente,
mucho ms que lo que se representa en esta imagen. Normalmente miden un centmetro (100
veces ms que el dimetro del cuerpo de la clula), pero pueden alcanzar hasta un metro de
longitud. Una neurona se conecta con entre 10 y 100.000 neuronas formando una maraa
llamada sinapsis. Las seales se propagan de neurona a neurona mediante una reaccin
electroqumica complicada. Las seales, controlan la actividad del cerebro a corto plazo, y
permiten establecer cambios en la posicin y conectividad de las neuronas a largo plazo. Se
piensa que estos mecanismos forman la base del aprendizaje del cerebro. La mayora del
procesamiento de informacin se lleva a cabo en la corteza del cerebro, la capa ms externa de
ste. La unidad de organizacin bsica es una columna de tejido de aproximadamente 0,5 mm de
dimetro, con lo cual se ampla la profundidad total de la corteza cerebral, que en el caso de los
humanos es de cuatro mm. Una columna contiene aproximadamente 20.000 neuronas.
de nuevo en acciones. Dej muy claro por qu consideraba que estos eran los
requisitos idneos para disear un agente:
SI el organismo tiene en su cabeza Un modelo a pequea escala de la
realidad externa y de todas SUS posibles acciones, ser capaz, de probar
diversas opciones, decidir cul es la mejor, planificar su reaccin ante posibles
situaciones futuras antes de que stas surjan, emplear lo aprendido de
experiencias pasadas en situaciones presentes y futuras, y en todo momento,
reaccionar ante los imprevistos que acontezcan de manera satisfactoria, segura
y ms competente (Craik, 1943).
Unidades
computacionales
Unidades de
almacenamiento
Duracin de un ciclo
Ancho de banda
Memoria
actualizacin/sec.
Computador
1 UCP, 108 Puertas
1010 bits RAM
1011 bits disco
10-9 sec.
1010 bits/sec.
109
Cerebro Humano
1011 neuronas
1011 neuronas
1014 sinapsis
10-3 sec
1014 bits/sec
1014
Comparacin bsica entre los recursos de cmputo generales de que disponen los computadores
(circa 2003) y el cerebro. Las cifras correspondientes a los computadores se han incrementado en
al menos un factor 10 desde la primera edicin de este libro, y se espera que suceda la mismo en
esta dcada. Las cifras correspondientes al cerebro no han cambiado en los ltimos 10000 aos.
2. reas y aplicaciones:
Problemas de clasificacin.
precisos
algoritmos
con
Aplicaciones:
Dominio Industrial
Controlador de la planta
Robot para tratamiento de material peligroso
Uso militar
Sistema de reconocimiento de blancos automtico
Sistema de guiado de misiles y navegacin
Sistemas altamente crticos
Plantas nucleares
Sistemas de avinica
En esta rea el objeto de estudio son las situaciones en las que agentes
de este tipo cooperan, formando coaliciones, bajo qu condiciones se retiran de
una coalicin, y cuando compiten (Sandholm 98) y (Conte, Castelfranchi. 95).
Al disear un sistema basado en el conocimiento para un problema
particular se elaboran bases de conocimiento, para seguidamente, configurar
mecanismos de inferencia que razonen sobre ellas. Sin embargo, este
procedimiento es demasiado costoso para construir sistemas inteligentes a gran
escala y se plantea 'reutilizar' bases de conocimiento ya existentes.
Caractersticas de un agenteinteligente:
capaces
capaces
capaces
capaces
de
de
de
de
tomar la iniciativa
compartir conocimiento
cooperar y negociar,
comprometerse con metas comunes.
Aplicaciones:
Vocales de Yves Demazeau es una de las primeras propuestas en el rea y
considera la concepcin de sistemas multiagentes desde varios puntos de
vista correspondientes a las vocales: Agente, entorno, interacciones y
organizacin.
MADKiT es una herramienta de desarrollo, propuesta por Jacques Ferber,
basada en el paradigma Agente-Role-Organizacin de la metodologa Aladin
diversas
formas,
pero
la
Ser predictivos
Contemplar el propsito para el cual el caso se va a utilizar
Ser suficientemente abstractos para ensanchar el uso de la base de casos
Ser suficientemente concretos para ser reconocidos en el futuro
Programacin evolutiva
Estrategias Evolutivas
Algoritmos genticos
Un ejemplo:
19. Bibliografa
https://es.wikipedia.org/wiki/Aprendizaje_autom%C3%A1tico
http://www.ptolomeo.unam.mx:8080/xmlui/bitstream/handle/132.248.52.100/21
9/A5.pdf?sequence=5
http://www.itnuevolaredo.edu.mx/takeyas/Apuntes/Inteligencia
%20Artificial/Apuntes/tareas_alumnos/LD/LD(2005-II).pdf
http://www.esi.uclm.es/www/cglez/downloads/docencia/2011_Softcomputing/Log
icaDifusa.pdf
http://disi.unal.edu.co/~lctorress/RedNeu/LiRna001.pdf
SISTEMAS EXPERTOS
1. Historia
Sus inicios datan a mediados de los aos sesenta. Durante esta dcada los
investigadores Alan Newell y Herbert Simon desarrollaron un programa
llamado GPS (General Problem Solver; solucionador general de problemas).
Poda trabajar con criptoaritmtica, con las torres de Hanoi y con otros
problemas similares. Lo que no poda hacer el GPS era resolver problemas
del mundo real, tales como un diagnstico mdico.
Un
ejemplo
de SE moderno
evala proyectos de inversin y
VATIA,
del impuesto sobre el valor aadido o IVA.
es
que
CASHVALUE,
asesora
que
acerca
2. Definicin
Es una aplicacin informtica capaz de solucionar un conjunto de problemas
que exigen un gran conocimiento sobre un determinado tema. Un sistema
experto es un conjunto de programas que, sobre una base de conocimientos,
posee informacin de uno o ms expertos en un rea especfica. Se puede
entender como una rama de la inteligencia artificial, donde el poder de
resolucin de un problema en un programa de computadora viene del
conocimiento de un dominio especfico. Estos sistemas imitan las actividades
de un humano para resolver problemas de distinta ndole (no
necesariamente tiene que ser de inteligencia artificial). Tambin se dice que
un SE se basa en el conocimiento declarativo (hechos sobre objetos,
situaciones) y el conocimiento de control (informacin sobre el seguimiento
de una accin).
Los sistemas expertos son llamados as porque emulan el razonamiento de
un experto en un dominio concreto, y en ocasiones son usados por stos.
Con los sistemas expertos se busca una mejor calidad y rapidez en las
respuestas, dando as lugar a una mejora de la productividad del propio
experto al usar este tipo de sistemas informticos.
Es un software que imita el comportamiento de un experto humano en la
solucin de un problema. Pueden almacenar conocimientos de expertos para
un
campo
determinado
y
solucionar
un
problema
mediante deduccin lgica de conclusiones.
3. Ventajas
Permanencia: A diferencia de un experto humano un SE (sistema experto)
veces.
Rapidez: Un SE puede obtener informacin de una base de datos y
Apoyo Acadmico.
4. Limitaciones
Sentido comn: Para un Sistema Experto no hay nada obvio. Por ejemplo,
un sistema experto sobre medicina podra admitir que un hombre lleva 40
meses embarazado, a no ser que se especifique que esto no es posible ya
que un hombre no puede gestar hijos.
Conocimiento
no
estructurado:
Un
SE
no
es
capaz
de
manejar
7. Aplicaciones
Sus principales aplicaciones se dan en las gestiones empresariales debido a
que;
REAS DE APLICACIN
Militar
Informtica
Telecomunicacio
nes
Qumica
Derecho
Aeronutica
Geologa
Arqueologa
Agricultura
Electrnica
Transporte
Educacin
Medicina
Industria
Finanzas y
Gestin
Ejemplos
SISTEM
A
FECH
A
AUTOR
APLICACIN
DENDRAL
1965
Stanford
Macsyma
1965
MIT
HearSay
1965
CarnegieMellon
Mycin
1972
Stanford
Diagnstico de enfermedades
de sangre
Tieresias
1972
Stanford
Herramientas para la
transformacin de
conocimientos
Prospecto
r
1972
Stanford
Exploracin mineral y
herramientas de identificacin
Age
1973
Stanford
OPS5
1974
Carnegie
Caduceus
1975
University of
Pittsburg
Rosie
1978
Rand
Herramienta de desarrollo de
sistemas expertos.
R1
1978
Carnegie Mellon
Configurador de equipos de
computacin para DEC
VIDA ARTIFICIAL
La vida artificial es un desarrollo humano que tiene como objeto de estudio
la investigacin de la vida y los sistemas artificiales que exhiben propiedades
similares a los seres vivos, a travs de modelos de simulacin.
El cientfico Christopher Langton fue el primero en utilizar el trmino a fines de
la dcada de 1980 cuando se celebr la "Primera Conferencia Internacional de la
Sntesis y Simulacin de Sistemas Vivientes" (tambin conocido como Vida
Artificial I) en Laboratorio Nacional de Los lamos en 1987.
El rea de vida artificial es un punto de encuentro para gente de otras reas
ms
tradicionales
como lingstica, fsica, matemticas,filosofa, psicologa, ciencias
de
la
computacin, biologa, antropologa y sociologa en las que sera inusual que se
discutieran enfoques tericos y computacionales. Como rea, tiene una historia
controvertida; John Maynard Smith critic ciertos trabajos de vida artificial
en 1995 calificndolos de "ciencia sin hechos", y generalmente no ha recibido
mucha atencin de parte de bilogos. Sin embargo, la reciente publicacin de
artculos
sobre
vida
artificial
en
revistas
de
amplia
difusin,1 como Science y Nature son evidencia de que las tcnicas de vida
artificial son cada vez ms aceptadas por los cientficos, al menos como un
mtodo de estudio de la evolucin.
El tema de la "vida artificial" se relaciona con el tema de la "inteligencia
artificial". Ambos trminos se refieren a disciplinas sumamente nuevas y de
carcter interdisciplinario. Adems, ambas hacen uso esencial de las tcnicas de
1. Definicin
Entendemos por inteligencia artificial una disciplina que se dedica a procurar
que los ordenadores sean capaces de realizar tareas intelectuales que, si las
hicieren los seres humanos, diramos que requieren inteligencia. Llamamos
Vida Artificial a la realizacin de comportamientos similares a la vida de
parte de sistemas hechos por el hombre, consistentes en poblaciones de
entes semiautnomos cuyas interacciones locales mutuas estn gobernadas
por un conjunto de reglas simples. Lo interesante de estas situaciones es que
en esos comportamientos se logran observar dinmicas y estructuras de alto
nivel que tienen la calidad de propiedades emergentes, originadas en el
transcurso del tiempo a partir de la totalidad de las interacciones locales
entre los componentes de bajo nivel.
2. Perspectiva metodolgica
Los fenmenos biolgicos de la evolucin han sido estudiados hasta ahora en
su encarnacin concreta en especies que mutan, se recombinan, luchan con
el ambiente, se reproducen, y -como resultado de esas peripecias- se
transforman en otras especies. Pero todo pareciera indicar que estos
fenmenos son objeto de inters con independencia de la encarnacin de las
poblaciones en compuestos carbnicos; igualmente seran interesantes si la
base qumica de la vida fuera diferente. Pero si esto es as, estamos slo a un
paso de entender que los fenmenos de la evolucin son independientes de
la materia que constituye su objeto, que lo realmente importante es el
aspecto formal de estas interacciones. Podemos entonces postular una
disciplina de la vida totalmente formal, anloga a la teora formal de la
inteligencia: en esa disciplina lo importante ser la existencia de poblaciones
de elementos semejantes que transcurren en el tiempo, son capaces de
mutar y recombinan, luchan por la supervivencia en un ambiente comn y se
reproducen a s mismos. En tal disciplina los elementos pueden ser seres
3. Ventajas
4. Desventajas
6. Autmatas celulares
Los autmatas celulares aparecen por primera vez a finales de los aos
40, ms concretamente a partir de 1947, de la mano de Von Neumann y
Stanislaw Ulam, dos expertos en fsica computacional con una fuerte
relacin de amistad tras las colaboraciones que realizaron durante el
desarrollo del proyecto Manhattan.
7. Aplicaciones
Las aplicaciones de la vida artificial se pueden encontrar en alguno de estos
casos:
Los sistemas complejos adaptativos, que han dado paso a una nueva
generacin de sistemas expertos, que son capaces de aprender y
evolucionar.
Avances
Un equipo cientfico internacional ha creado por primera vez en laboratorio
un cromosoma completo de una clula con ncleo el tipo de clula que forma
el cuerpo humano. El avance, presentado ayer en la web de la revista Science,
supone un hito hacia el objetivo an lejano de crear un ser vivo ntegramente en
laboratorio. La investigacin se ha centrado en el ms pequeo de los 16
cromosomas de la levadura de la cerveza (Saccharomyces cerevisiae), un hongo
unicelular que se utiliza en la produccin de pan, cerveza y vino. Se trata de una
clula con ncleo o eucariota, al igual que las de animales y plantas.
2.
Definicin
Los sistemas basados en el conocimiento son el resultado de un largo
proceso de investigacin realizado por los cientficos en el rea de la
Inteligencia Artificial, cuando, en los aos setenta, comenzaron a
comprender que la capacidad de un programa de ordenador para resolver
problemas no reside en la expresin formal ni en los esquemas lgicos de
inferencia que emplea sino en el conocimiento que posee.
Un experto es alguien que posee unos determinados conocimientos y
experiencia en un campo de la actividad humana y es capaz de aplicarlos
con rapidez y eficiencia en la resolucin de tareas diferentes aunque no le
hayan sido encomendadas con anterioridad, pero que caen dentro de su
dominio.
As, un sistema basado en el conocimiento es un cuerpo de programas de
ordenador que intenta imitar e incluso superar en algunas situaciones a un
experto humano en un mbito concreto de su actividad. No pretende, en
absoluto, reproducir el pensamiento humano, sino simplemente la pericia de
un profesional competente (tngase en cuenta que para construir un SBC se
suele contar con grandes expertos en la materia que incorporan su
conocimiento al sistema). Esta pretensin es ms sencilla ya que en algunos
campos reducidos los expertos trabajan siguiendo reglas, aunque,
generalmente, no sean conscientes de ello. En aquellos campos en los que
no sea necesario aplicar la intuicin ni el sentido comn, los sistemas
basados en el conocimiento han conseguido notables xitos, consiguiendo en
ocasiones ser ms regulares y rpidos que los propios expertos.
Los sistemas basados en el conocimiento desarrollados hasta hace poco
constituyen la primera generacin cuya caracterstica comn reside en la
superficialidad del conocimiento que se incluye en el mismo. Los ingenieros
de conocimiento (desarrolladores de los sistemas basados en el
conocimiento) se limitan a incorporar en los sistemas la experiencia y
criterios de los especialistas sin buscar las razones ltimas en las que se
basan.
Actualmente existen sistemas ms avanzados, Sistemas de Segunda
Generacin, en la que el conocimiento se estructura en dos niveles. El primer
nivel, de control (se suele aludir a l como Meta conocimiento y las reglas
que lo constituyen reciben el nombre de meta reglas), sirve para determinar
la forma de utilizar el segundo nivel que es el que contiene el conocimiento
de los expertos.
4.2.
MODIFICACION/MANTENIMIENTO DEL CONOCIMIENTO DE LA
APLICACIN
1965-1970: Precursores
DENDRAL (Stanford) /MACSYMA (MIT)
1970-1977: Prototipos
INTERNIST (Pittsburg)
MYCIN (Stanford)
CASNET (Rutgers)
PROSPECTOR (S.R.I.)
1977-1981: Primeras herramientas
PROLOG (Marsella-Edimburgo)
OPS5 (CMU)
MYCIN -> EMYCIN
PROSPECTOR -> KAS
CASNET -> EXPERT
1981-1884: Comercializacin grandes ss.ee.
R1/XCON (DEC)
ACE (Bell)
Drilling Advisor (Teknowledge)
5.1.
Base de Conocimiento
CONTROL
o Estrategia de alto nivel de la aplicacin: fases de la aplicacin,
bases de conocimiento que se van a utilizar
o Ejemplo: Primero, pedir los datos al cliente, despus decidir si se le
concede un crdito, y, en caso afirmativo, estimar la cuanta del
crdito.
CONOCIMENTO HEURSTICO
Reglas del tipo
si <condicin> entonces <accin>
- Ejemplo: si el solicitante tiene avalista, entonces se le concede el
crdito
desarrollo
de
modelos
cognitivos
de
cooperacin
4. Caracterizacin
En la SDP los agentes cumplen unas caractersticas mnimas [Durfee &
Rosenschein, 1994]: benevolencia (intencin positiva de cooperar), objetivos
compartidos, diseo central (se integran en un sistema capaz de resolver un
problema). Los agentes comparten un lenguaje y desempean funciones
Fundamentos
Los sistemas de este tipo se caracterizan por [Dufee & Rosenschein,
1994]:
heterogeneidad
de
agentes
(diferentes
arquitecturas,
representaciones, lenguajes, etc.) y homogeneidad de intereses.
En esta rea se estudia cmo se coopera, se forman coaliciones, se
compite, etc. [Sand holm, 1999]. Para ello se definen diferentes tcnicas
de negociacin [Muller, 1996]: negociacin de contratos [Smith, 1980],
negociacin para asignacin de recursos [Conry et al., 1988], negociacin
para resolucin de conlictos [Cammarata et al.], modelado cognitivo de la
negociacin [Sycara, 1989], planificacin multiagente [Durfee, 1996], etc.
Por otro lado, tambin se distinguen diferentes tcnicas de resolucin de
discrepancias entre agentes. En este marco los agentes comparten una
ontologa (conocimiento comn) y en el transcurso de las interacciones se
producen las distintas discre pancias que se reconocen mediante las
creencias de los distintos agentes (las propias y las de los dems
agentes) [Gasser & Briot, 1992].
Modelos de coordinacin
Es importante resaltar que, desde el punto de vista de la ingeniera, las
caractersticas de cada dominio influyen en la construccin del modelo de
coordinacin. Por ejemplo, el tipo de interaccin de agentes que
necesitan cooperar es mucho ms complejo que la coordinacin de
agentes que sean autosuficientes. Tambin influye notablemente las
caractersticas de los propios agentes. As por ejemplo, en un sistema de
resolucin de problemas los agente pueden disearse especialmente para
desempear cierto papel dentro del sistema multiagente, con el fin de
que surja la funcionalidad deseada.
Se distinguen tres grandes opciones para modelar la coordinacin en
sociedades de agentes autnomos:
Enfoque pragmtico: tiene su origen en la visin tradicional de la infor
m tica de la resolucin distribuida de problemas. En este caso hay uno o
ms agentes coordinadores que se encargan de armonizar las
actividades de un grupo de agentes. En estos casos hay que considerar:
Agentes autnomos
La parte de la IAD que estudia los agentes autnomos se centra en los
micro-aspectos, es decir, en los agentes inteligentes, ms que en los
macro-aspectos tratados en la IAD clsica (apartado comprueba 11.2).
El estudio de estos temas se divide en tres reas:
Teora de agentes:
trata de responder a la pregunta de qu es un agente y de la utilizacin
de formalismos matemticos para representar y razonar sobre las
propiedades de agentes.
Arquitecturas de agentes:
trata de las arquitecturas software/hardware que permiten reflejar las
propiedad enunciadas por los tericos.
Lenguajes de agentes:
Son los sistemas software para programar y experimentar con agentes.
Centrndonos en las propiedades que caracterizan a un agente software,
se distinguen los siguientes aspectos esenciales [Wooldridge & Jennings,
1995]:
Capacidad para resolver problemas no triviales: debe poder razonar sobre
el entorno para realizar un conjunto de tareas.
Racionalidad (limitada): poseen objetivos y emprenden acciones para
realizarlos. Eligen sus acciones segn el principio de racionalidad(sec.
10.1COMPRUEBA LINKS).
LGICA DIFUSA
Introduccin
La lgica borrosa es una rama de la inteligencia artificial que se funda en el
concepto "Todo es cuestin de grado, lo cual permite manejar informacin vaga
o de difcil especificacin si quisiramos hacer cambiar con esta informacin el
funcionamiento o el estado de un sistema especfico. Es entonces posible con la
lgica borrosa gobernar un sistema por medio de reglas de 'sentido comn' las
cuales se refieren a cantidades indefinidas.
Las reglas involucradas en un sistema borroso, pueden ser aprendidas con
sistemas adaptativos que aprenden al ' observar ' como operan las personas los
dispositivos reales, o estas reglas pueden tambin ser formuladas por un
experto humano. En general la lgica borrosa se aplica tanto a sistemas de
control como para modelar cualquier sistema continuo de ingeniera, fsica,
biologa o economa.
La lgica borrosa es entonces definida como un sistema matemtico que
modela funciones no lineales, que convierte unas entradas en salidas acordes
con los planteamientos lgicos que usan el razonamiento aproximado.
Se fundamenta en los denominados conjuntos borrosos y un sistema de
inferencia borroso basado en reglas de la forma " SI....... ENTONCES...... ", donde
los valores lingsticos de la premisa y el consecuente estn definidos por
conjuntos borrosos, es as como las reglas siempre convierten un conjunto
borroso en otro.
2. El Controlador Difuso
La lgica difusa se aplica principalmente en sistemas de control difuso que
utilizan expresiones ambiguas para formular reglas que controlen el sistema.
Un sistema de control difuso trabaja de manera muy diferente a los
sistemas de control convencionales. Estos usan el conocimiento experto
para generar una base de conocimientos que dar al sistema la capacidad
de tomar decisiones sobre ciertas acciones que se presentan en su
funcionamiento [7]. Los sistemas de control difuso permiten describir un
conjunto de reglas que utilizara una persona para controlar un proceso
y a partir de estas reglas generar acciones de control. El control difuso
puede aplicarse tanto en sistemas muy sencillos como en sistemas cuyos
modelos matemticos sean muy complejos. La estructura de un
controlador difuso se muestra en la figura 3.4.
3. Fusificacin
La fusificacin tiene como objetivo convertir valores crisp o valores
reales en valores difusos. En la fusificacin se asignan grados de
pertenencia a cada una de las variables de entrada con relacin a los
las
funciones
de
4. Base de Conocimiento
La base de conocimiento contiene el conocimiento asociado con el
dominio de la aplicacin y los objetivos del control. En esta etapa se deben
definir las reglas lingsticas de control que realizarn la toma de decisiones
que decidirn la forma en la que debe actuar el sistema.
5. Inferencia
Se llama reglas difusas al conjunto de proposiciones IF-THEN que modelan el
problema que se quiere resolver. Una regla difusa simple tiene la forma: si u
es A entonces v es B dnde A y B son conjuntos difusos definidos en los
rangos de u y v respectivamente. Una regla expresa un tipo de relacin
entre los conjuntos A y B cuya funcin caracterstica sera ) , ( y xB A y
representa lo que conocemos como implicacin lgica. La eleccin apropiada
de esta funcin caracterstica est sujeta a las reglas de la lgica
proposicional. Como es bien sabido se puede establecer un isomorfismo
entre la teora de conjuntos, la lgica proposicional y el lgebra booleana que
garantiza que cada teorema enunciado en una de ellas tiene un homlogo en
las otras dos. La existencia de estos isomorfismos nos permitir traducir las
reglas difusas a relaciones entre conjuntos difusos y stas a trminos de
operadores algebraicos con los que podremos trabajar.
La inferencia relaciona los conjuntos difusos de entrada y salida para
representar las reglas que definirn el sistema. En la inferencia se
utiliza la informacin de la base de conocimiento para generar reglas
mediante el uso de condiciones, por ejemplo: si caso1 y caso2, entonces
accin1.
6. Defusificacin
La defusificacin realiza el proceso de adecuar los valores difusos
generados en la inferencia en valores crisp, que posteriormente se utilizarn
en el proceso de control. En la defusificacin se utilizan mtodos
matemticos simples como el mtodo del Centroide, Mtodo del Promedio
Ponderado y Mtodo de Membresa del Medio del Mximo.
1. Definicin y caractersticas
Una RNA puede definirse como un sistema de procesamiento de informacin
compuesto por un gran nmero de elementos de procesamiento (neuronas),
profusamente
conectados
entre
s
a
travs
de
canales
de
comunicacin(Reguero, 1995). Estas conexiones establecen una estructura
jerrquica y permiten la interaccin con los objetos del mundo real tratando
de emular al sistema nervioso biolgico. A diferencia de la computacin
tradicional, basada en algoritmos predecibles, la computacin neuronal
permite desarrollar sistemas que resuelvan problemas complejos cuya
formalizacin matemtica es sumamente difcil. Esto se logra gracias a los
4. Aprendizaje supervisado
El aprendizaje supervisado se caracteriza porque el proceso de aprendizaje
se realiza mediante un entrenamiento controlado por un agente externo
(supervisor, maestro) que determina la respuesta que debera generar la red
a partir de una entrada determinada. El supervisor controla la salida de la
red y en caso de que sta no coincida con la deseada, se proceder a
modificar los pesos de las conexiones, con el fin de conseguir que la salida
obtenida se aproxime a la deseada. Donde la red trata de minimizar un error
entre la salida que calcula y la salida deseada (conocida), de modo que la
salida calculada termine siendo la deseada.
En este tipo de aprendizaje se suelen considerar, a su vez, tres formas de
llevarlo a cabo, que dan lugar a los siguientes aprendizajes supervisados:
1) Aprendizaje por correccin de error.
2) Aprendizaje por refuerzo.
3) Aprendizaje estocstico.
7. Aprendizaje estocstico
Consiste bsicamente en realizar cambios aleatorios en los valores de los
pesos de las conexiones de la red y evaluar su efecto a partir del objetivo
deseado y de distribuciones de probabilidad.
En el aprendizaje estocstico se suele hacer una analoga en trminos
termodinmicos, asociando a la red neuronal con un slido fsico que tiene
cierto estado energtico. En el caso de la red, la energa de la misma
representara el grado de estabilidad de la red, de tal forma que el estado de
mnima energa correspondera a una situacin en la que los pesos de las
conexiones consiguen que su funcionamiento sea el que ms se ajusta al
objetivo deseado.
9. Aprendizaje hebbiano
Esta regla de aprendizaje es la base de muchas otras, la cual pretende medir
la familiaridad o extraer caractersticas de los datos de entrada. El
fundamento es una suposicin bastante simple: si dos neuronas Ni y Nj
toman el mismo estado simultneamente (ambas activas o ambas inactivas),
el peso de la conexin entre ambas se incrementa.
Las entradas y salidas permitidas a la neurona son: {-1, 1} o {0, 1}
(neuronas binarias). Esto puede explicarse porque la regla de aprendizaje de
Hebb se origin a partir de la neurona biolgica clsica, que solamente
puede tener dos estados: activa o inactiva.
COMPUTACIN EVOLUTIVA
1. Breve historia:
Durante los aos 50 se comenz a aplicar los principios de Charles Darwin en
la resolucin de problemas. Durante los aos 60 y 70, varias corrientes de
investigacin independientes comenzaron a formar lo que ahora se conoce
como computacin evolutiva:
Programacin evolutiva
Estrategias Evolutivas
Algoritmos genticos
J.
Fogel.
Este
desarrollo
comenz
como
un
esfuerzo
2. Definicin:
La computacin evolutiva es una rama de la computacin y la inteligencia
artificial que comprende mtodos de bsqueda y aprendizaje automatizado
inspirados en los mecanismos de la evolucin natural. Diversos enfoques a
la computacin evolutiva han sido propuestos: las estrategias evolutivas,
los algoritmos genticos, la programacin gentica y los clasificadores
genticos entre otros. A estos mtodos se les denomina de manera
colectiva como algoritmos evolutivos, entre los cuales los ms conocidos
son probablemente los algoritmos genticos. Estos algoritmos han sido
aplicados exitosamente en la resolucin de problemas en distintas ramas de
la ingeniera, el diseo, la industria, la economa y las ciencias naturales.
La computacin evolutiva emula a la evolucin natural en el diseo e
implementacin de herramientas computacionales para la resolucin de
problemas. A partir de 1960, varios modelos de computacin evolutiva han
sido propuestos y estudiados, a los cuales se les denomina colectivamente
como algoritmos evolutivos (Eiben y Smith, 2003). Estos algoritmos han sido
aplicados a una amplia variedad de problemas encontrados tanto en la
industria y el comercio, como en la investigacin cientfica de punta. Dado
Naturaleza
Individuo
Poblacin
Adecuacin (fitness)
Algoritmos Evolutivos
Solucin al problema
Conjunto de soluciones
Calidad de la solucin
Representacin o codificacin de una
solucin
Parte
o
componente
de
la
representacin de
una solucin
Cromosoma
Gen
Mutacin
recombinacin
Operadores de bsqueda
Preservacin o re-utilizacin de
Seleccin natural
buenas
soluciones (o sus componentes)
Tabla1: Analogas entre aspectos de la evolucin natural y los algoritmos
evolutivos
5. Operadores genticos
Los operadores genticos introducen diversidad gentica en la poblacin; su
propsito es generar nuevos individuos a partir de los individuos existentes
en la poblacin actual. Los algoritmos genticos contienen dos tipos
principales de operadores: la recombinacin y la mutacin los cuales estn
inspirados en los mecanismos anlogos de la reproduccin en la naturaleza.
Cada operador tiene un parmetro asociado que controla la probabilidad de
su aplicacin en cada iteracin (generacin) del algoritmo. El cmo asignar
estos parmetros es todava tema de investigacin, ya que es conocido que
el funcionamiento del algoritmo es muy sensible a los valores de los
mismos.
6. Mutacin
Cuando la representacin gentica consiste en una cadena de bits, el
operador de mutacin simplemente altera un bit, es decir, lo cambia de 0 a 1
o viceversa. La probabilidad de que un bit sea alterado depende de un
parmetro: la probabilidad o tasa de mutacin. Los bits de la cadena son
mutados de manera independiente, es decir, la mutacin de un bit no altera
la probabilidad de mutacin de los otros bits (Figura 3). Para
representaciones distintas a las cadenas de bits, otros operadores de
mutacin deben ser diseados. La idea detrs de un operador de mutacin
es la de realizar una alteracin o perturbacin pequea al genotipo, para
generar un individuo ligeramente distinto pero relacionado con el progenitor.
Tradicionalmente, la mutacin se considera como un operador secundario en
los algoritmos genticos, cuyo rol es el de restaurar el material gentico
perdido, siendo la recombinacin el principal operador de bsqueda. Sin
embargo, algunos investigadores sostienen que un mtodo basado en
mutacin y seleccin resulta un algoritmo de bsqueda poderoso; y que el
rol de la mutacin en los algoritmos genticos ha sido sub-estimado mientras
que el de la recombinacin sobre-estimado.
7. Recombinacin
La recombinacin o crossover se considera el operador de bsqueda
principal en los algoritmos genticos. Este operador produce individuos
descendientes a partir de combinar o mezclar el material gentico de dos (o
ms) individuos progenitores. La motivacin detrs de este operador es que
la mezcla de sub-partes de los progenitores puede crear nuevos individuos
con combinaciones favorables de genes. La aplicacin de la recombinacin
es controlada por un parmetro (la probabilidad o tasa de cruce). Varios
operadores de recombinacin han sido propuestos en la literatura. Los ms
conocidos son los de un punto, dos puntos, mltiples puntos y uniforme. En
la recombinacin de un punto, un nico punto de corte es seleccionado
aleatoriamente en los progenitores; luego los segmentos antes y despus del
punto de corte son intercambiados. La recombinacin de mltiples puntos es
una generalizacin de esta idea que introduce varios puntos de corte e
intercambia los segmentos entre dichos puntos. En la recombinacin
uniforme, los segmentos intercambiados se reducen a bits nicos. En lugar
de puntos de corte, se sortea aleatoriamente de cual progenitor proviene
cada bit. La figura 4 ilustra la operacin de la recombinacin de dos-puntos
(izquierda) y uniforme (derecha) sobre cadenas de bits. Varios trabajos han
comparado el desempeo de los distintos operadores de recombinacin, sin
embargo, no hay evidencia concluyente sobre cual es mejor. Es probable que
la eleccin del operador ms adecuado sea dependiente del problema.
Parece haber, sin embargo, un consenso general respecto a las ventajas de
los operadores de dos puntos y uniforme sobre el operador de un punto. Tal
como ocurre con la mutacin, para representaciones genticas distintas de
las cadenas de bits, operadores de recombinacin especializados y capaces
de preservar la estructura gentica, deben ser diseados.
8. Seleccin
La seleccin se encarga de asignar oportunidades de reproduccin a cada
uno de los miembros de la poblacin. Mientras ms alto sea el valor de la
funcin de desempeo de un individuo, ms oportunidades tendr de
reproducirse. En los algoritmos evolutivos, la seleccin debe ser balanceada
con los operadores de variacin (mutacin y recombinacin). Todo algoritmo
de bsqueda debe balancear estas dos fuerzas opuestas: la exploracin de
nuevas zonas en el espacio de bsqueda, y la explotacin de zonas
promisorias del mismo que ya han sido descubiertas. La seleccin es el
componente que determina principalmente las caractersticas del proceso de
bsqueda. Si la seleccin es muy fuerte, individuos de calidad sub-ptima
pueden dominar la poblacin y por lo tanto reducir la diversidad gentica
requerida para el cambio y el avance; por otro lado, una seleccin muy dbil
puede resultar en un proceso evolutivo muy lento. Varios esquemas de
seleccin han sido propuestos en la literatura: seleccin proporcional, por
escalamiento, por torneo, basada en rango, etc. No existe consenso respecto
a cul esquema es preferible, aunque algunos son ms sencillos
conceptualmente que otros, y por tanto ms fciles de implementar.
9. Reemplazo poblacional
Pueden distinguirse dos modelos bsicos para realizar el reemplazo de una
poblacin simulada de una generacin o iteracin del algoritmo a la
siguiente: en el modelo generacional, toda la poblacin es reemplazada en
cada generacin; mientras que en el modelo de estado-estacionario, solo
pocos individuos son reemplazados en cada generacin (tpicamente uno o
dos). Entre estos dos extremos, se encuentra el llamado gap (brecha)
generacional, el cual define un porcentaje (gap) de los individuos que sern
reemplazados cada generacin.
Bibliografa:
http://www.cs.stir.ac.uk/~goc/papers/GOchoaIntroCompEv.pdf
https://es.wikipedia.org/wiki/Computaci%C3%B3n_evolutiva
MINERIA DE DATOS
1. Marco Terico
1.1.
Definicin
1.2.
1.2.1. DATOS
Los datos son en esencia nmeros o texto que puede ser procesado
en una computadora, en la actualidad las organizaciones acumulan
grandes cantidades de datos en distintos formatos y en distintas
bases de datos, entre las que se incluyen datos operacionales o
transaccionales en las que se almacenan costos, ventas, inventarios,
contabilidad, etc.
1.2.2. INFORMACIN
Los patrones, asociaciones o relaciones entre los datos proporcionan
informacin, por ejemplo el anlisis de transacciones de un punto de
venta nos pueden dar informacin sobre que cantidad de productos
se han vendido y durante cuanto tiempo.
1.2.3. CONOCIMIENTO
La informacin puede ser convertida en conocimiento partiendo de
patrones histricos
1.3.
Pregunta
de Cul ha sido mi ingreso en los ltimos
5 aos?
Cuales han sido las unidades de venta
en Nueva Inglaterra el mes pasado?
(1980s)
Data Warehousing y Cuales han sido las unidades de
soporte de decisin venta en Nueva Inglaterra el mes
(1990s)
pasado? Durante el entrenamiento en
Boston ?
Minera de datos
Que puede suceder el mes que viene
en las ventas de Boston? Y por que?
Los componentes que conforman el ncleo de la minera de datos han
estado en desarrollo durante dcadas, reas tales como estadstica,
inteligencia artificial y mquinas de aprendizaje. Hoy la madurez de estas
tcnicas acopladas al alto desempeo de los motores de bsqueda de
bases de datos relacionales y los esfuerzos de integracin de datos,
hacen estas tecnologas prcticas para los entornos del Data
warehousing.
1.4.
Definir Problema:
un
de
la
se
generacin de modelo de
Tambin debe considerar las maneras en las que los resultados del
modelo se pueden incorporar en los indicadores de rendimiento
clave (KPI) que se utilizan para medir el progreso comercial.
2)
generacin de modelo de
3)
generacin de modelo de
Generar Modelos
El cuarto paso del proceso de minera de datos, como se resalta
en el siguiente diagrama, consiste en generar el modelo o
modelos de minera de datos. Usar los conocimientos adquiridos
en el paso Explorar los datos para definir y crear los modelos.
generacin de modelo de
generacin de modelo de
1.5.
Geogrfica
Data Mart
Anlisis
Data mining
Data source
Data warehouse
4. Conclusiones y Recomendaciones
Se determin que la minera de datos es el conjunto de herramientas y
tcnicas de anlisis de datos que permiten crear escenarios, de los cuales se
puede obtener informacin til para la toma de decisiones a nivel gerencial.
5. BIBLIOGRAFA
http://www.monografias.com/trabajos16/sistemas-expertos/sistemasexpertos.shtml
https://es.wikipedia.org/wiki/Sistema_experto
http://sbc-unesr-2014-b.blogspot.pe/p/ventajas-y-desventajas-de-se.html
https://es.wikipedia.org/wiki/Vida_artificial
http://platea.pntic.mec.es/jdelucas/vidaartificial.htm
https://msdn.microsoft.com/es-es/library/ms174949(v=sql.120).aspx
http://biblioteca.usac.edu.gt/tesis/08/08_0307_CS.pdf
http://www.lantares.com/blog/tendencias-en-mineria-de-datos