Ing.

Aldo Méndez Burgoa

I-2019
 Inteligencia Artificial = Inteligencia Computacional
 Inteligencia exhibida por máquinas

Una
es Un Agente que
Máquina un
Racional percibe
“Inteligente“ entorno
Flexible
(ideal)

realiza

Un
para la para
Objetivo
lograr posibilidad maximizar acciones
o
de éxito
Tarea
http://ai.stanford.edu/
2
Cuatro pilares básicos, según
Nilsson:

1. Búsqueda del estado

2. Algoritmos genéticos
3. Redes neuronales artificiales
4. Razonamiento mediante una
lógica formal

Nils John Nilsson

3
1. Búsqueda del estado requerido
en el conjunto de los estados
producidos por las acciones
posibles.

Nils John Nilsson

4
2. Algoritmos genéticos (análogo
al proceso de evolución de las
cadenas de ADN).

Nils John Nilsson

5
3. Redes neuronales artificiales
(análogo al funcionamiento
físico del cerebro de animales y
humanos).

Nils John Nilsson

6
4. Razonamiento mediante una
lógica formal análogo al
pensamiento abstracto humano.
Nils John Nilsson

7
 Red Neuronal. Un gran número de pequeños
elementos procesadores interconectados
trabajando en forma paralela.

8
 Mediante reglas aprendidas de la experiencia,
el ser humano se manifiesta mucho más
eficaz que las computadoras en la resolución
de problemas definidos de manera imprecisa,
ambiguos, o que requieren procesar gran
cantidad de información, el cerebro alcanza
estos objetivos, mediante miles de millones
(1011) de células simples e interconectadas
entre sí, llamadas neuronas, localizadas en
un recinto determinado del cerebro.

9
 Reglas
Experiencia
aprendidas

Problemas
1. definidos de manera imprecisa,
2. ambiguos,
3. o que requieren procesar gran
cantidad de información

10
 Las R.N.A. originadas en el conocimiento de las
redes neuronales biológicas, funcionan porque cada
neurona recibe una serie de entradas a través de
interconexiones y emite una salida.

11
Entrada 1
Entrada 2
Entrada 3 Neurona Salida 1
...

Entrada n

12
 Esta salida viene dada por tres funciones:

1. Propagación

2. Activación

3. Transferencia

13
 Esta salida viene dada por tres funciones:

1. Propagación, en general consiste en el sumatorio

de cada entrada multiplicada por el peso de su
interconexión;

Valor 1 Peso 1
Valor 2 Peso 2 V1xp1+
= V2xp2+
Peso 3
Valor 3 Neurona
V3xp3+
...

Vnpn
Valor n Peso n

14
  Esta salida viene dada por tres funciones:

2. Activación, que modifica a la anterior y que puede

no existir, siendo en este caso la salida la misma
función de propagación;
Peso 1

Peso 2 V1xp1+
Peso 3
Neurona = V2xp2+
V3xp3+
x f(v,p)
Vnpn
Peso n
15
  Esta salida viene dada por tres funciones:

3. Transferencia, que se aplica al valor devuelto por

la función de activación. Se utiliza para acotar la
salida de la neurona y generalmente viene dada
por la interpretación que queramos darle a dichas
salidas. V1xp1+

= V2xp2+ x f(v,p) Interpretación

V3xp3+
Vnpn
Simulación Excel 16
Principales componentes RNA:

1. Neurona o Unidad Procesadora

2. Red Neuronal Artificial

Neurona o
Unidad
Procesadora

Red Neuronal Artificial

17
Principales componentes RNA:

1. Neurona o Unidad Procesadora

(X , f , Y)

Sobre un conjunto de N nodos

Nodos de Entrada: X ⊆ N ;
Nodo de Salida: Y ;
Función de activación: f

18
Principales componentes RNA:

2. Red Neuronal Artificial

(N;U)

 U es un conjunto de unidades procesadoras

sobre N
 Condición: cada nodo Xi es nodo de entrada o
de salida de al menos una unidad procesadora
de U.

19
 Red neuronal Artificial

 Función procesadora

20
Aprendizaje: características de las RNA,
aprender a partir de ciertos datos:

 Elegida la arquitectura de red para un

determinado problema,

 los pesos de las conexiones se ajustan para

codificar la información contenida en un
conjunto de datos de entrenamiento.

21
Aprendizaje. Categorías por tipo de información
disponible:

- Aprendizaje Supervisado (Relación Entrada-

Salida)

- Aprendizaje No Supervisado (No existe

relación Entrada-Salida, Red descubre
patrones y categorías)

22
- Aprendizaje No Supervisado:

1. Aprendizaje Hebbiano
2. Aprendizaje competitivo
3. Representación de características

23
- Aprendizaje No Supervisado:

1. Aprendizaje Hebbiano: modificar

pesos de acuerdo con algún criterio
de correlación entre las actividades
neuronales.

24
- Aprendizaje No Supervisado:

2. Aprendizaje competitivo: neuronas

diferentes se conectan con pesos
negativos (inhibitorios) que fuerzan
una competición para ganar la
actividad neuronal, y

25
- Aprendizaje No Supervisado:

3. Representación de características:
que concierne a la ordenación
geométrica de los vectores peso de
las unidades competitivas.

26
Machine Learning, disciplina científica de la IA,
que crea sistemas que aprenden
automáticamente.

Aprender en este contexto quiere decir

identificar patrones complejos en millones de
datos. (e.g. Big Data)

27
Se trata de crear programas capaces de
generalizar comportamientos a partir de una
información no estructurada suministrada en
forma de ejemplos.

28
Se solapa con el de la estadística, ambas se
basan en el análisis de datos.

Sin embargo, el aprendizaje automático se

centra más en el estudio de la complejidad
computacional de los problemas.

29
Aplicaciones:
1. motores de búsqueda,

2. diagnósticos médicos,
3. detección de fraude en el uso de tarjetas de
crédito,
4. análisis del mercado de valores,

5. clasificación de secuencias de ADN,

6. reconocimiento del habla y del lenguaje escrito,

7. juegos

8. y robótica

30
 El aprendizaje automático tiene como resultado
un modelo para resolver una tarea dada,
pueden ser:
1. Geométricos
2. Probabilísticos (estadística bayesiana)
3. Lógicos (árboles de decisión)
4. Agrupamiento
5. Gradiente

Conceptos 31
Atributo o característica es un tipo de medida
realizada sobre cualquier instancia a medir.

Los atributos mapean el espacio de instancias a

un conjunto de valores o dominio de atributos.

32
Los valores del dominio pueden ser:

- números como la frecuencia de aparición de

las instancias,

- valores binarios

- o un conjunto cualquiera como el de meses,

estaciones o colores.

33
El perceptrón, dentro de las RNA por Frank
Rosenblatt , puede ser un tipo de RNA o una
NA.

(1928 - 1969)

(1928 - 1969)

34
  Rosenblatt rechazó el uso de la lógica
simbólica aplicada a las RNA y defendió
métodos probabilísticos.
 Llamó “perceptrones”, a redes capaces de
modificar los pesos de sus conexiones si las
respuestas de la red no eran las correctas y
demostró que estas redes se podían entrenar
para clasificar ciertos patrones en iguales o
distintos, por tanto que eran capaces del
reconocimiento de formas sencillas.

Conceptos 35
36
El procesamiento de señales es el procesamiento,
amplificación e interpretación de señales, pueden
ser:
1. Digitales: circuitos digitales, microprocesadores
y ordenadores.
2. Analógicas: capacitores, resistencias,
inductores, transistores o circuitos integrados,
filtros, típicamente para voltaje, corriente, o
una carga eléctrica.
3. Audio: sonidos.
4. Voz: voz humana
5. Video: movimientos en escenas
6. Matrices: Combinación de las anteriores.

Caso: Tecnología FPGA para el monitoreo y diagnóstico de fallas en

maquinaria industrial.
37
 POA / AOP especialización de POO / OOP

 Paradigma que modela aplicaciones con un

conjunto de componentes llamados agentes.

38
 Los agentes se caracterizan por ser:

◦ Autónomos (independientes)
◦ Proactivos (tomar iniciativa)
◦ Comunicación (con otros agentes)

 Siendo todos iguales, como tal no existe un

servidor y un cliente en la comunicación

39
 Los sistemas multiagentes son utilizados por
la industria en:

◦ los sistemas de misión critica,

◦ aplicaciones industriales,
◦ control de procesos,
◦ diagnóstico,
◦ manufactura
◦ y redes.

40
 Se han creado plataformas y frameworks
específicos.

 Centrándose solo en la lógica de los

componentes y no en las características del
ambiente donde deben ser desplegadas.

 Plataformas: Jade, .NET AOP, Aspect J.

41
42