Cuestionario

Cuestionario Inteligencia ArtificialRussel y Norving

1. Que es inteligencia artificialEs el estudio de cómo lograr que las computadoras realicen tareas que los seres humanos hacen mejor hasta el momento.

2. Cuando un sistema es racionalCuando este hace lo correcto en función de su conocimiento

3. En que consiste la prueba de TuringEs la incapacidad de diferenciar entre agentes inteligentes indiscutibles y seres humanos. El computador supera la prueba si un evaluador humano no es capaz de distinguir si las respuestas a una serie de preguntas son de una persona o no.

4. Cuál es el objetivo de cualquier programaAyudar a los seres humanos a realizar alguna actividad: Mecánica o inteligentemente.

5. Capacidades que debe poseer un computador para considerarse inteligente- Procesamiento del lenguaje natural: para comunicarse con los humanos(ingles).- Representación del conocimiento: para almacenar lo que aprende.- Razonamiento automático: para utilizar la inf. almacenada para responder preguntas.- Aprendizaje automático: para adaptarse a nuevas circunstancias detectar y extrapolar

patrones.6. Que es un silogismo

Estructuras de argumentación mediante los que siempre se llega a conclusiones correctas, si se parte de las premisas correctas.

7. Que es lógicaEs el estudio de las leyes del pensamiento que supuestamente gobiernan la manera de pensar de la mente.

8. Que es agente Es algo que razona

9. Agente racionalEs el que actúa con la intención de alcanzar el mejor resultado.

10. Fundamentos de la inteligencia artificialFilosofía, Matemáticas, Psicología, Economía, Lingüista, Neurociencia, Teoría de control.

11. Aplicaciones de la IATareas de la vida diaria: Percepción, visión, habla, lenguaje natural, comprensión, generación traducción.Tareas de expertos: Ingeniería, análisis científico, diagnóstico médico, análisis financiero, toma de decisiones.

12. Como modela la realidad en la IAMediante un sistema de símbolos físicos lógicamente relacionados.

13. Problemas del conocimiento- Es voluminoso, es difícil de caracterizar con exactitud, cambia constantemente.

14. Que es una técnica de inteligencia artificialEs un método que emplea conocimiento de tal manera que este debe ser comprendido por quien lo proporciona, pueda modificarse para corregir errores, y pueda generalizarse (emplearse en diferentes situaciones) aunque no sea exacto o completo.

15. Que es un agente Es una entidad que percibe y actúa.


16. Habilidades universalesHabilidades que todo ser humano puede realizar: Escuchar, ver, oler, tocar, caminar en otras palabras sentido común.

17. Habilidades de expertosHabilidades que solo seres humanos expertos tienen: probar teoremas, tocar un instrumento musical, jugar ajedrez, administrar empresas, diagnosticar (inteligencia).

18. En que lenguaje se pueden desarrollar los programas de inteligencia artificialEn cualquiera, ejemplo programación simbólica no admite números solo símbolos. Las estructuras de símbolos se representan comúnmente mediante listas. La manipulación de estructuras de símbolos involucra “patter matching” donde se comprueba la compatibilidad de símbolos. Un lenguaje de programación de símbolos debe incluir: estructuras de datos basadas en lista y “patter matching”.Programación exploratoria: Los problemas de IA son inherentemente exploratoria. Un programa explora la naturaleza del problema y dominio y descubre una solución.

19. Lenguajes clásicos de IALisp y Prolog

20. Lenguajes prácticos de IAClips y Jess

21. Cuál es la tarea del agenteEncontrar que secuencia de acciones permite obtener un objetivo.

22. Que es una medida de rendimientoIncluyen criterios que determinan el éxito en el comportamiento del agente

23. Cuál es el primer paso para solucionar un problemaFormular un objetivo, basado en la situación actual y la medida de rendimiento del agente.

24. Que es la formulación de un problemaEs decidir qué acciones y que estados tenemos que considerar dado un objetivo.

25. Define búsquedaEs el proceso de hallar la secuencia posible de acciones que conduzcan a un agente a valores conocidos.

26. Que es un entorno totalmente observable.Si los sensores del agente le proporcionan acceso al estado completo del medio en cada momento.

27. Factores por los que un entorno parcialmente observable.Debido al ruido o sensores poco exactos.

28. Que es un entorno deterministaEs cuando el siguiente estado está determinado completamente por el estado actual y la acción ejecutada por el agente.

29. Que es un entorno estocásticoEs aquel entorno en el cual no se puede determinar el estado futuro de un agente

30. Que es un entorno dinámicoSi el entorno puede cambiar cuando el agente está deliberando, entonces se dice que el entorno es dinámico de otro modo se dice que es un entorno estático.


31. Que es un entorno episódico y secuencialEn un entorno de trabajo episódico, la experiencia del agente se divide en episodios atómicos. Cada episodio consiste en la percepción del agente y la realización de una única acción posterior. Es muy importante tener en cuenta que el siguiente episodio no depende de las acciones que se realizaron en episodios previos. En los medios episódicos la elección de la acción en cada episodio depende solo del episodio en sí mismo. Ejemplo: Agente que tiene que seleccionar partes defectuosas de una cadena de montaje. En entornos secuenciales, por otro lado, la decisión presente puede afectar a decisiones futuras. El ajedrez y el taxista son secuenciales

32. Que es un entorno discretoLa distinción entre discreto y continuo se puede aplicar al estado del medio, a la forma en la que se maneja el tiempo y a las percepciones y acciones del agente. Por ejemplo, un medio con estados discretos como el del juego del ajedrez tiene un número finito de estados distintos. El ajedrez tiene un conjunto discreto de percepciones y acciones. El taxista conduciendo define un estado continuo y un problema de tiempo continuo: la velocidad y la ubicación del taxi y de los otros vehículos pasan por un rango de valores continuos de forma suave a lo largo del tiempo.

33. Defina solucionar un problemaEncontrar un camino en el espacio de estados que vaya desde un estado inicial a algún estado final si existe.

34. Que es una solución Encontrar una secuencia de estados (e1, e2…en) donde e1 es el estado inicial y en es un estado final pueden ser varios. Se puede pasar de un estado a otro mediante algún operador.

35. Define caminoUn camino es una secuencia de estados conectados por una secuencia de acciones.

36. Función costo caminoFunción que asigna un costo numérico a cada camino

37. En que consiste el método de resolución de problemasTeniendo el problema realizar una abstracción para expresarla en espacio de estados luego implementar el espacio de estados en algún lenguaje de programación para finalmente implementar algunas estrategias de búsqueda de una solución.

38. Cuestiones importantes en el tratamiento del espacio de estadosNo es posible construir todo el espacio de estados entero para explorarlo- Espacio y tiempo limitados.- En la mayoría de los casos solo hace falta examinar una porción del grafo

relativamente pequeña.39. Consideraciones sobre el espacio de estados

- Nodos ya explorados - Nodos por explorar- Nodos todavía no encontrados- Evitar ciclos

- Detectar si un nodo es nuevo- Ya había sido explorado- Ya se conocía y está pendiente

de explorar.


40. Que es una técnica de búsqueda en el espacio de estadosEs la que define el modo de explorar el espacio de estados.

41. Tipos de búsqueda- No informada (ciega): sigue un orden prestablecido- Informada: (heurística): mira el contenido de cada nodo para decidir que considerar a

cada paso.42. Cuál es el objetivo de la búsqueda

Encontrar una secuencia de operadores que partiendo de un estado inicial obtenga un estado final.

43. Algoritmo general de búsqueda1. En cada momento se analiza un estado actual (el inicial).2. Si el estado actual es final acabar (obtener la sucesión de operadores).3. En caso contrario obtener la sucesión de operadores (expandir)4. Elegir un nuevo estado actual dejando los restantes para analizarlos posteriormente

(si fuera necesario).5. Repetir el proceso mientras haya estados que analizar.

La elección del estado actual en cada momento determina un estrategia de búsqueda.44. Que es el proceso de búsqueda

Puede verse como la construcción incremental de un árbol de búsqueda.45. Que es un nodo raíz

Estado inicial más secuencia vacía.46. Que es un nodo hoja

Nodo cuya expansión no ha producido sucesores nuevos.47. Diferencias entre el espacio de estado y el árbol de búsqueda.

El espacio de estados es el proceso de construcción incremental del árbol de búsqueda48. De que se compone la implementación de un problema como espacio de estados

- Una variable global <<Estado inicial>>- Una función << Es estado final >>- Una variable global << Operadores >>- Una función <<Aplica (Operador, Estado)>>>


49.

50. Propiedades a estudiar sobre las estrategias de búsquedaCompletitud: Si existe solución la encuentraSolución óptima o mínima: Obtiene la solución de menor número de pasos o de menor costo.Complejidad en tiempo: Cuanto se tarda en encontrar la soluciónComplejidad en espacio Cuenta memoria necesitamos

51. Observaciones sobre la complejidad- En función del tamaño del problema entrada r (factor de ramificación)- Mínima profundidad de una solución p- Profundidad máxima del espacio de búsqueda m- Complejidad en tiempo: número de nodos analizados- Complejidad en espacio: tamaño máximo (de ABIERTOS y CERRADOS) durante el

proceso de búsqueda.52. Define búsqueda no informada

Solo usan la información disponible en la definición del problema siguiendo un orden preestablecido ejemplos: primero en anchura (de costo uniforme) primero en profundidad (de profundidad limitada, de profundidad iterativa).

53. Define búsqueda informadaMira el contenido de cada nodo para decidir cuál considerar a cada paso. (Búsqueda primero el mejor, búsqueda A*, funciones heurísticas).


54. Que es la heurísticaTécnica de indagación y descubrimiento, en IA es una función numérica sobre los estados que estima la distancia al objetivo con valor mayor que cero para estados diferentes a los estados finales.

55. Tipos de búsqueda informada

- Búsqueda primero el mejor- Búsqueda optima- Búsqueda A*- Generación y prueba

- Búsqueda local (escalada, enfriamiento simulado, algoritmos genéticos)

- Reducción de problemas- Análisis de medios fines- Satisfacción de restricciones

56. Problemas de la vida real

- Búsqueda de rutas en redes informáticas.

- Rutas aéreas para viajar.- Problema del viajante

- Diseño de microchips- Ensamblaje de componentes- Desplazamiento de Robots

57. En el proceso de búsqueda que significa que una solución sea completaQue la solución explora todo el árbol de búsqueda.

58. En el proceso de búsqueda que significa que una solución sea mínimaQue la búsqueda garantiza una solución con el menor número de operadores aplicados.

59. En que consiste la Búsqueda Primero el Mejor (Best First Search)Es una búsqueda de tipo informada que da preferencia los estados con el valor mínimo en la función heurística, no se puede estar seguro de obtener soluciones optimas porque este método de búsqueda sobreestima el costo real del camino y no se tienen en cuenta los costos de los caminos ya recorridos.

60. Propiedades de la búsqueda primero el mejor.Complejidad en espacio O(rp)Complejidad en tiempo O(rp)No es completa: una mala heurística podría hacer que se tomara un camino infinito.No es mínima: no garantiza las soluciones con el menor número de operadores.

61. En que consiste la Búsqueda Optima Es una búsqueda de tipo informada que analiza primero los nodos con menor costo.

62. Propiedades de la Búsqueda Optimar. factor de ramificación.p. profundidad mínima de la solución.m. profundidad del espacio de estados.Es completa, siempre encuentra la solución óptima.En la práctica esta búsqueda no es posible debido a la cantidad de tiempo y espacio solo en espacio de estados muy pequeños.


63. En que consiste la búsqueda A* El objetivo de este tipo de búsqueda es conseguir buenas soluciones (optimas) y ganar en eficiencia reduciendo el costo del camino; asignando un valor a cada nodo

f (n)=g(n)+h(n) .g(n) Costo del camino hasta nh(n) Heurística de n, estimación del costo del camino desde n hasta un estado final.f (n) Estimación del costo total de una solución óptima que pasa por n Seleccionar siempre el nodo con menos valor en f (n), ordenar cola ABIERTOS en orden creciente

64. Cuando una heurística es admisible para el algoritmo A*Si la heurística nunca sobreestima el costo de alcanzar el objetivo.Teorema: si la h(n) entonces A* es óptima utilizando BUSQUEDA ARBOLES.

65. Propiedades de A* usando una heurística admisible

- Es completa- Encuentra siempre la solución

óptima.- Complejidad en espacio y tiempo

O(rp)

- En la práctica el costo en tiempo y en espacio depende de la calidad de la heurística usada.

66. Menciona algunas técnicas para encontrar heurísticas.

- Relajación del problema- Combinación de heurísticas

admisibles

- Uso de información estadística

67. En que consiste la búsqueda generación y pruebaEs la más simple de todas las técnicas heurísticas, puede verse como un proceso aleatorio de búsqueda exhaustiva o una generación sistemática de soluciones. Si la solución existe en algún momento la encuentra. En espacios de estados grandes puede demorar demasiado. Basado en primero en profundidad, soluciones completas generadas antes de comprobarlas.

68. Menciona tres métodos de búsqueda local- Escalada.- Enfriamiento simulado.- Algoritmos Genéticos.

69. En que consiste el método de búsqueda en escalada simpleEs un algoritmo iterativo que comienza con una solución arbitraria a un problema, luego intenta encontrar una mejor solución variando incrementalmente un único elemento de la solución. Si el cambio produce una mejor solución, otro cambio incremental se le realiza a la nueva solución, repitiendo este proceso hasta que no se puedan encontrar mejoras. Se confía en la heurística para escoger en cada paso el mejor sucesor, una desventaja es que no puede recuperarse de un camino erróneo porque no mantiene un árbol de búsqueda.


70. Búsqueda escalada por la máxima pendiente.Es una variación de la búsqueda en escalada simple la cual consiste en considerar todos los movimientos a partir del estado actual y elegir el mejor también conocido como búsqueda del gradiente.

71. Ventajas de la búsqueda en escaladaEficiente en tiempo y en espacioNo mantiene un árbol de búsqueda, mejora iterativaIncompletitud dependiendo de la heurísticaExistencia de óptimos locales

72. Que es un óptimo localEs un estado mejor que todos sus vecinos

73. Que es una mesetaEs un área en el espacio de búsqueda en la que un conjunto de estados vecinos tienen el mismo valor.

74. Características de algunos problemas de optimización Estados y soluciones al problema: No se busca el camino ya que los estados contienen toda la información.Estado inicial: No está claramente definido.Operadores: Se puede definir cierta noción de nodo sucesor o vecino, en otros casos se introduce cierta componente aleatoria y se restringe la noción de nodo vecino.Estados finales: Todos los estados son una solución posible pero se trata de encontrar una solución buena si es posible la mejor.

75. En que consiste el método de búsqueda por enfriamiento simuladoEn realizar una exploración amplia al principio ya que la solución final es insensible con el estado inicial. Aceptar probabilísticamente estados “peores”. La probabilidad de que un estado peor sea aceptado varía en función del incremento producido en la función objetivo. Algoritmo inspirado en el proceso físico-químico de enfriamiento de metales (aleación)

76. En que consiste un algoritmo genéticoEl algoritmo genético es una técnica de búsqueda basada en la teoría de la evolución de Darwin. Es un algoritmo donde los cada individuo representa una posible solución, donde cada una de estas soluciones es evaluada para obtener una medida de adaptación; formando en base a esta medida una nueva población.

77. Operadores comúnmente aplicados en un algoritmo genéticoSelección de padres: número fijo de padres se obtienen con los mejores de la población, el resto se escoge aleatoriamente para mantener la diversidad.Cruzas: Las parejas se obtienen reordenando aleatoriamente los padres y cruzando de dos en dos.Mutación: Cada gen de cada individuo se mutara según la probabilidad dada.


Nueva generación: Unir las dos generaciones y quedarse con las mejores.

78. En que consiste la búsqueda basada en la selección de medios fines.Proceso recursivo centrado en la reducción de diferencias entre el estado actual y el estado objetivo mediante algún operado; si el operador no puede aplicarse se crea un su problema en donde se pueda aplicar dicho operador.

79. Elementos de un problema de satisfacción de restricciones (Constrain Satisfaction Problem)- Un conjunto finito de variables.- Un conjunto finito de dominios asociado a cada variable- Un conjunto finito de restricciones que definen una serie de propiedades que deben

de verificar los valores asignados a las variables 80. Como se compone una solución al problema

Es una asignación de valores a las variables {Xi=Vi…} tal que Vi elemento de Di y se verifican las restricciones.Esta formulación permite una representación simple del problema y el uso de heuristicas de propósito general independientes del problema.

81. Tipos de problemas de satisfacción de restricciones

a. Según el tipo de restricciones- Restricciones de obligación (Hard

Constraints)- Restricciones de preferencia

(Soft Constraints)b. Según los dominios

- Dominios discretos- Dominios continuosc. Según el número de variables

implicadas- Restricciones binarias.- Restricciones múltiples

- .82. Algunas variantes de problemas de CSP

- Max CSP- Fuzzy CSP- Lexicograph CSP- Weighted CSP

- Probabilistic CSP- Valued CSP- Semiring based CSP

83. Que es datoUnidad mínima de información que por sí sola carece de significado.

84. Que es informaciónConjunto organizado de datos procesados, que constituye un mensaje que cambia de estado a la persona o sistema que lo recibe.

85. Define conocimientoHechos o información adquiridos por un ser vivo a través de la experiencia o la educación, la comprensión teórica o práctica de un asunto referente a la realidad.

86. Que son los sistemas basados en conocimiento


Programas que resuelven problemas usando un determinado dominio de conocimiento antes llamados sistemas expertos.

87. Ingeniería de ConocimientoDisciplina que estudia el diseño y construcción de sistemas basados en conocimiento.

88. Ventajas de los sistemas basados en conocimiento

- Costo relativamente reducido- Permanencia- Fiabilidad y rapidez- Respuestas no subjetivas

- Tutores- Explicación del razonamiento- Competitivos con expertos

humanos

89. Componentes principales de un sistema basado en conocimiento- Conocimiento que necesita ser representado. (base de conocimiento)- Mecanismos que permitan inferir nuevo conocimiento. (motor de inferencia)

90. Otros componentes de un sistema basado en conocimiento

- Interfaz de usuario- Tutor experto- Adquisición de nuevo

conocimiento inferido

- Explicaciones del nuevo conocimiento inferido

91. Menciona algunos tipos de conocimiento

- Declarativo y procedimental- Factual, normativo, táctico y

estratégico

- Superficial y profundo causal y taxonómico.

- Explícito y tácito

92. Conocimiento en forma declarativaSe especifican los objetos, las propiedades y las relaciones entre ellos, se deja al cuidado del agente que ha de resolver los problemas la aplicación de mecanismos generales de razonamiento.

93. Conocimiento en forma procedimentalSe especifica un procedimiento para resolver los problemas.

94. Conocimiento normativoEs el que materializa la base de conocimientos, se encuentra en forma de reglas y se refiere a la estrategia de búsqueda que decide en cada momento que regla se aplicará.

95. Conocimiento factualEs el contenido de la base de hechos

96. Cuál es el conocimiento inferencialEs aquel que es obtenido a base de razonamientos y puede ser o no verificable

97. Conocimiento estratégico o de controlSe refiere a la manipulación del conocimiento factual y normativo.

98. Conocimiento táctico


Tipo de conocimiento derivado al aplicar una regla se dice que si se satisface el antecedente la regla permite afirmar que se satisface el consecuente (modus ponens)

99. Conocimiento tácitoEs aquel que forma parte del comportamiento y/o constitución de estados mentales

100. Conocimiento explicitoPuede expresarse en formulas, documentos, platillas procedimientos o cualquier otro medio de expresión.

101. Formalismos de representación de conocimiento

- Reglas- Redes semánticas- Frames

- Lógicas de descripción- Lógicas de primer orden

102. Algunos métodos de inferencia

- Razonamiento hacia delante- Razonamiento hacia atrás- Tableros

- Resolución- Herencia

103. Requisitos de los formalismos de representación de conocimiento

- Potencia expresiva- Facilidad de interpretación- Eficiencia deductiva

- Posibilidad de explicación y justificación

104. Ingeniería del ConocimientoProceso general de construcción de una base de conocimiento (Knowledge Base). Se investiga un dominio, se aprende que conceptos son importantes y se crea una representación formal de los objetos y relaciones del dominio.Dominios: Ámbitos del mundo acerca del cual deseamos expresar algún conocimiento.

105. Pasos de la ingeniería de conocimiento1. Identificar la situación/problema2. Recopilar conocimiento relevante3. Decidir el vocabulario de los predicados funciones y constantes4. Codificar el conocimiento general acerca del dominio5. Codificar una descripción de la instancia de un problema especifico6. Plantear peticiones al procedimiento de inferencias y obtener respuestas7. Depurar la base de conocimiento

106. Define ontologíaNo existe definición comúnmente aceptada. Es una especificación explicita de una conceptualización; termino adoptado de la filosofía en la que una ontología es una explicación sistemática de la existencia.

107. Características de los lenguajes de representación de conocimiento mediante ontologías

- Sintaxis formal - Expresividad

- Semántica bien definida, permite la implementación procedimental


108. Sobre los lenguajes de representación de conocimientoExisten lenguajes formales (teóricos) o de implementación (prácticos). Los lenguajes son relativamente estables sobre los que se basan en la implementación CLIPS y Prolog: Lenguajes de implementación de lógica de primer orden.OWL: Lenguaje basado en lógica de descripciones.Lenguajes basados en lógica de predicados de primer orden, con sintaxis y semántica formalizadas tienen una base rigurosa para el razonamiento pero con grades dificultades para implementar algoritmos de razonamiento eficientes con la rigidez sintáctica que impide ciertas conceptualizaciones <<naturales>> y con pocas posibilidades de modularización .

109. Cuáles son las dos formas de representar categorías- Predicados: Manzana (x)- Reformular las categorías como objetos: Manzanas

Relación = HerenciaEj. Toda instancia de comida es comestible, la fruta es una subclase de comida y manzana es una subclase de fruta, entonces una manzana es comestible.

110. Que es la lógica de primer ordenTambién llamada lógica de predicados o cálculo de predicados, es un sistema formal diseñado para estudiar la inferencia en los lenguajes de primer orden. Los lenguajes de primer orden son, a su vez, lenguajes formales con cuantificadores que alcanzan sólo a variables de individuo, y con predicados y funciones cuyos argumentos son sólo constantes o variables de individuo. Es una buena aproximación para representar el conocimiento, los objetos y las relaciones son primitivas semánticas

111. Cuando dos categorías son disjuntasCuando no tienen miembros en común

112. Que es una descomposición exhaustivaUn conjunto de categorías s, constituye una descomposición exhaustiva de una categoría c si todos los miembros del conjunto c son cubiertos por las categorías en s

113. Que es una partición Descomposición exhaustiva disjunta Sistemas de Razonamiento para categorías

114. Define Redes semánticasBase de conocimiento y algoritmos eficientes para inferenciar la membresía a una categoría. Lenguaje grafico fácilmente traducible a forma simbólica muy útil para representar conocimiento taxonómico. Su alfabeto se compone de nodos y arcos dirigidos etiquetados.

115. Que son Lógicas descriptivasLenguaje formal para construir y combinar definiciones de categorías y algoritmos eficientes para decidir relaciones de supe conjuntos y subconjuntos de categorías.

116. Define Frames o marcos


Conocidos como estructuras o unidades que permiten expresar redes semánticas textualmente

Marco avestruzDescripción: caracterización básica de una avestruzAutor: Profesor ornitoFecha: 31/12/2014Tipo de: avePatas: largas

117. Que son Lógicas descriptivasDiseñadas para describir definiciones y propiedades de categorías

118. Principales tareas de inferencia de las lógicas descriptivasSubsunción: Checar si una categoría es un subconjunto de otra mediante sus definiciones.Clasificación: Comprobar cuando un objeto pertenece a una categoría.Consistencia: Cuando el criterio de membresía a una categoría es satis factible lógicamente.

119. Cuales son Mecanismos para inferir nuevo conocimiento- Razonamiento hacia delante: Forward chaining

Si hecho entonces resultado- Razonamiento hacia atrás: Backward chaining

Si resultado entonces hecho

120. Una regla (proposicional) es una formula proposicional de la formaP1 ^ P2^….Pm -->q

121. Algunas reglas de inferencia - Modus ponens o Modus Ponendo ponens

Si A, entonces B

A

Por lo tanto, B

Por ejemplo, un razonamiento que sigue la forma del modus ponens podría ser:

Si está soleado, entonces es de día.

Está soleado.

Por lo tanto, es de día.

122. El razonamiento tiene dos acepciones

Procesal: la actividad del agente que razona

Funcional: la relación entre las premisas y la conclusión


123. Que es lógica

Se ocupa de los razonamientos en el sentido funcional. En la lógica se estudian las

condiciones bajo las cuales ciertos pasos son correctos pero no como y en qué orden. Se

supone que la mente posee mecanismos adecuados para hacerlo.

124. Que es inferencia

Es simplemente un razonamiento formal en el sentido de que lo importante es la forma de

las premisas y la conclusión y la relación entre ellas no su contenido.

125. Tipos de razonamiento

- Razonamientos deductivos

- Razonamientos aproximados

- Razonamientos abductivos

- Razonamientos modales

- Razonamientos no monótonos

- Razonamientos inductivos

126. Razonamientos

a. Deductivo: Aspira a demostrar, mediante la lógica pura, la conclusión en su totalidad a

partir de unas premisas, de manera que se garantiza la veracidad de las conclusiones.

b. Inductivo: Crea leyes a partir de la observación de los hechos, mediante la

generalización del comportamiento observado; en realidad, lo que realiza es una

especie de generalización, sin que por medio de la lógica pueda conseguir una

demostración de las citadas leyes o conjunto de conclusiones.

c. Aproximado: El conocimiento puede ser inseguro.

d. Abductivo: Razonamiento con debilidad lógica.

e. Modales: Es una lógica binaria que admite valores verdadero falso

f. Monótono: Tipo de razonamiento cuando donde el conjunto de cosas sabidas es

siempre creciente.

127. Leyes para aprender

- Conmutativa

- De Morgan

- Distributiva

128. Que es lógica de primer orden u orden ceroEs un sistema formal diseñado para estudiar la inferencia en los lenguajes de primer orden. Los lenguajes de primer orden son, a su vez, lenguajes formales con cuantificadores que alcanzan sólo a variables de individuo, y con predicados y funciones cuyos argumentos son sólo constantes o variables de individuo. La lógica de primer orden tiene el poder expresivo suficiente para definir a prácticamente todas las matemáticas.

129. Que es un predicado


Es lo que se afirma de dos o más sujetos en una proposición

130. Predicados unarios

Afirmaciones sobre propiedades

131. Diferencias entre lógica de proposiciones, lógica de predicados

Enunciados como <<Juan es padre de Luis y Luis es hijo de Juan>> en lógica de

proposiciones solo pueden presentarse como variables y no es posible representar << si

x es padre de y entonces y es hijo de x >>

En lógica de predicados se pueden representar conceptualizaciones que contienen

relaciones entre objetos

132. Componentes de los sistemas basados en conocimiento- Conocimiento que necesita ser representado- Mecanismos que necesitan inferir nuevo conocimiento- Tales componentes deben constituir módulos independientes.

133. Que es una base de echos Colección de sucesos que representa el mundo o dominio su tamaño y forma dependerá del problema

134. Que indica el contenido de la base de reglasIndica como manipular los hechos transformarlos o producir nuevos hechos hasta encontrar la condición de terminación.

135. Partes de una reglaUn antecedente y un consecuente, el consecuente siempre se manifiesta modificando la base de hechos. Las reglas se comunican solo a través de la base de hechos una regla no puede invocar otra regla.

136. Cuál es la tarea del motor de inferencias Determinar cuáles reglas son aplicables y seleccionar cuál de estas aplicar en un determinado momento.

137. Que es un programa en ingeniería del conocimientoUn conjunto no ordenado de unidades básicas (las producciones o reglas)

138. Como se representa el conocimiento en ingeniería del conocimientoMediante estructura simbólica de variada complejidad: listas, arreglos, parámetros, etc.

139. Tipos de sistemas expertosPlaneación, monitoreo y control etc.

140. Pasos de la ingeniería de conocimiento1. Identificar la situación del problema.2. Recopilar el conocimiento relevante.3. Decidir el vocabulario de los predicados, funciones y constantes.4. Codificar el conocimiento general acerca del dominio.5. Plantear peticiones al procedimiento de inferencia y obtener respuestas.6. Depurar la base de conocimientos.

141. Identificar la situación /problema


Viabilidad del KBS, Búsqueda de fuentes de conocimiento (expertos, libros etc.), determinar datos necesarios para resolver el problema, determinar los objetivos (soluciones) o criterios de solución.

142. Recopilar conocimiento relevanteDetallar los elementos básicos para caracterizar el dominio (hechos relevantes) y sus relaciones, distinguir las evidencias las hipótesis y las acciones a tomar, detallar las diferentes hipótesis y objetivos, descomponer el problema en sub-problemas, caracterizar el flujo de razonamiento.

143. Decidir el vocabulario de los predicados, funciones y constantesTraducir los conceptos importantes del dominio en conceptos lógicos: Debe ser una mina un objeto o un predicado unario? La orientación de una pieza debe ser una función o un predicado? La ubicación de un robot debe ser dependiente del tiempo?

La especificación de todo lo anterior es un vocabulario que caracteriza al problema y se conoce como ontología del dominio.

144. Codificar el conocimiento general acerca del dominio Determinar los esquemas de razonamientos necesarios: clasificación diagnosis,

planificación y estructuras causales. Identificar el espacio de búsqueda y el tipo de búsqueda. Identificar la metodología de resolución: clasificación heurística, resolución

constructiva, hipótesis y prueba jerárquica etc. Analizar la inexactitud (incertidumbre, imprecisión ) y la complejidad Implementación de la representación: Base de hechos, estructura modular de la

base de conocimiento, reglas de inferencia de los módulos. Decisiones sobre el control de la resolución

145. Codificar una descripción de la instancia de un problema especificoEsto involucra escribir sentencias atómicas simples acerca de las estancias de los objetos que ya son parte de las ontologías

146. Métodos prácticos para resolución de problemas- Clasificación heurística- Hipótesis y prueba jerárquico- Solución constructiva

147. Clasificación heurísticaEs una solución jerárquica entre datos y soluciones que requieren inferencias intermedias y posiblemente conceptos de otra taxonomía, donde tiene que existir un conjunto de soluciones enumerables a priori.

148. Pasos para una clasificación heurística


Abstracción: Abstraer datos del caso concreto para obtener un caso más general.

Tipos de abstracción:Basada en la definición: abstraer características esenciales a partir de la clase de objetos.Cualitativa: abstraer a base de medidas cuantitativas para pasar a medidas cuantitativas.Generalización: abstracción sobre una jerarquía.

Asociación heurística:Determinar las coincidencias entre los casos abstractos y soluciones abstractasEj: Si la temperatura es alta entonces tiene fiebreRefinamiento/Adaptación de la solución- Identificar soluciones concretas a partir de las soluciones abstractas y ciertos datos

complementarios- Excluir soluciones poco probables- Ej: Si tiene fiebre AND otros datos entonces tiene gripe

R tiene gripeAdquisición de conocimientoDeterminación de:– posibles soluciones– síntomas que caractericen las soluciones– síntomas que diferencien las soluciones– hechos intermedios– síntomas que caractericen los hechos intermedios– síntomas que diferencien los hechos intermedios– reglas de abstracción– reglas de asociación heurística


– reglas de refinamiento/adaptaciónEjemplo 01: Clasificación heurística

149. Solución constructiva

No se pueden enumerar a priori las soluciones, ya que pueden ser infinitas. Las soluciones se tienen que construir, y no seleccionar una entre varias posibles.•Es aplicable en operaciones de síntesis:– planificación, diseño, diagnosis de múltiples fallos.• Las soluciones son combinaciones de ciertos elementos que satisfacen unas restricciones:– Planificación: Los elementos son acciones y les soluciones, secuencias de acciones que consiguen un cierto objetivo.


– Diseño: Los elementos son componentes y les soluciones combinaciones de componentes que forman un objeto complejo.– Diagnosis de múltiples fallos: Los elementos son fallos y les soluciones conjuntos de fallos que concuerdan con los síntomas.

150. Que se debe tener en la construcción de la solución constructiva Un modelo de la estructura del sujeto. Un modelo del comportamiento del sujeto Un conjunto de restricciones sobre el sujeto

151. Ejemplos del conjunto de restricciones del sujetoSobre la configuración de los componentes de la solución - Restricciones físicas/espaciales : como se puede agarrar un objeto, no se puede colocar

un objeto en un cierto lugar.- Restricciones temporales : que acción se hace primero… Sobre las entradas/salidas de

los procesos constructivos.- Pre- condiciones y post- condiciones : de operadores/acciones... Sobre las

interacciones entre las dos anteriores.

152. Estrategias de la solución constructivaPropose and applySeleccionar un operador correcto para extender soluciones parciales, partiendo desde cero.- Necesita mucho conocimiento sobre el dominio, para ser aplicable:- Conocimiento sobre los componentes


- Conocimiento sobre las restriccionesEs necesaria una descomposición del problema (tarea principal) en subtareas y conocer las relaciones espaciales y temporales entre ellas.

Least commitmentSeleccionar el operador de menor compromiso para extender soluciones parciales, partiendo de una solución parcial inicial o desde cero- Es aplicable cuando no se tiene mucho conocimiento sobre el dominio.- Es indicado cuando se dispone de un conjunto de soluciones parciales potencialmente

muy grande.

153. Solución constructiva Propose and apply Proceso de resolución1. Inicializar el objetivo: se crean los elementos necesarios para identificar el objetivo.2. Proponer operadores: se proponen operadores que actúen sobre el estado actual.3. Eliminar operadores: se eliminan ciertos operadores de acuerdo con criterios globales

(por ejemplo, orden de preferencia predefinido o comparación de los operadores dos a dos).

4. Seleccionar un operador: se selecciona el mejor de los operadores que han sobrevivido al paso 3.

5. Aplicar el operador: se aplica el operador seleccionado en el paso anterior.6. Evaluar el objetivo: si ya se ha llegado al objetivo se para, si no se vuelve a 2.

154. Solución constructiva Least commitment Proceso de resolución1. Si es posible entonces iniciar con una solución parcial que satisfaga las restricciones, si

no iniciar desde cero.2. Si la solución es completa entonces acabar, si no extender la solución parcial aplicando

el heurístico del menor compromiso: “escoger el operador que imponga menos restricciones sobre las acciones futuras”.

3. Si la modificación anterior viola alguna restricción entonces proponer algún cambio deshaciendo alguno de los pasos anteriores, procurando que las modificaciones sigan mínimas.

4. Volver a 2.155. En una solución constructiva se necesita la determinación de

Conocimiento sobre la estructura y los componentes del objeto complejo que se quiere construir– reglas que implementen el conocimiento sobre las restricciones– reglas que implementen el conocimiento sobre cómo extenderSoluciones parciales:• Operadores/acciones– meta conocimiento para saber qué operador elegir en el momento de extender soluciones parciales


156. Hipótesis y prueba jerárquicoCombina aspectos de clasificación heurística y de solución constructiva de problemas.• Es indicada en problemas donde:– El espacio de soluciones posibles es muy grande, pero numerable– Elementos de solución se combinan en una hipótesis compuesta• El espacio de hipótesis está organizado jerárquicamente:– Los nodos altos corresponden a hipótesis más generales, que se van refinando hasta llegar a las hojas que corresponden a hipótesis más concretas.• La estructuración jerárquica ayuda a plantear el problema y facilita la solución.

157. Procedimiento Hipótesis y prueba jerárquico

APRENDIZAJE AUTOMATICO

158. Que es descubrimientoBúsqueda en un espacio gigante de estados de un camino que conduzca de un estado inicial a una meta

159. Define hipótesisEs una idea que puede no ser verdadera, basada en información previa. Su valor reside en la capacidad para establecer más relaciones entre los hechos y explicar por qué se produce.

160. Minería de datos


Proceso que extrae relaciones, tendencias o patrones que existen entre gran cantidad de datos

161. Que es el aprendizaje automáticoSe dice que un programa aprende de la experiencia E respecto a una clase de tareas T y una medida de eficiencia P si su eficiencia en las tareas T tal y como las mide P se incrementan con la experiencia E.

Esta definición implica:- Seleccionar un tipo de tareas (restringida)- Definir una medida de eficiencia- Diseñar un protocolo para recibir experiencia

162. Aprendizaje inductivoEs un tipo de aprendizaje que recibe datos de entrada específicos de un subconjunto de las n posibles situaciones y produce una salida de datos generales ej: reconocimiento de caras, caracteres, procesos.

163. Procesos de búsqueda a través de la inferencia inductivaPrimero se define un conjunto de hipótesis acerca del entorno, las propiedades de las hipótesis definen un espacio de versiones; el espacio de versiones debe verse como un espacio de búsqueda donde las hipótesis cumplen ciertas propiedades. La inferencia inductiva implica la definición de una estrategia para cambiar una hipótesis mala por una correcta moviéndose a través del espacio de versiones.

En la inferencia inductiva se deben proporcionar ejemplos y contraejemplos164. Como definir un problema de inferencia inductiva

1. Definir un método de asignación de hipótesis a objetos2. Definir un método de representación de la información3. Definir un método de inferencia inductivo4. Definir un criterio de éxito

165. Métodos de inferencia según la clase de hipótesis a aprender- Caracterizables: El algoritmo es capaz de aprender (identificar, aproximar etc)

cualquier lenguaje de una clase de lenguajes predeterminado. El método predefine un espacio de búsqueda y le proporciona propiedades algebraicas que definen una clase.

- Heurísticas: El algoritmo aprende, identifica aproxima, lenguajes que a veces pertenecen a una clase predeterminada.

166. Métodos de aprendizaje según la técnica de búsqueda de hipótesis.1. Enumerativos: El algoritmo se limita a recorrer un numero de hipótesis

predeterminado en busca de la hipótesis objetivo.2. Constructivos: El algoritmo construye la nueva hipótesis a partir de la información

recibida en el proceso de aprendizaje3. Incremental: La nueva hipótesis se construye a partir de la hipótesis de la información

anterior y la nueva información recibida4. No incremental: La nueva hipótesis se construye a partir de la información recibida

hasta el momento actual 167. Como se obtiene experiencia

a. Directa: el movimiento a realizar para un estado del tablero dado.b. Indirecta: secuencia de movimientos y el resultado de las correspondientes partidas


168. Como se representa lo aprendido- Normalmente se aprende una aproximación de la función objetivo

¿Cómo se representa la función objetivo?Una colección de reglasUna aproximación linealUna red neuronalUna representación más expresiva genera un espacio de búsqueda de hipótesis más grande que requiere más ejemplos de entrenamiento.

169. Que es el aprendizajeActo proceso o experiencia de adquirir conocimiento o aptitudes

170. Que es un sistema que aprendePrograma que toma decisiones en la experiencia acumulada para mejorar su actuación.

171. Elementos clave del aprendizaje automático1. Datos: Que experiencia se puede considerar.2. Suposiciones: Que se puede asumir acerca de la situación.3. Representación: Como resumir la situación4. Estimación: Como categorizar la situación5. Evaluación: Que tan bien se predice6. Selección del modelo: Se puede mejorar

Elementos fundamentales del aprendizaje automático- Conceptos: El modelo a inferir a partir de ejemplos- Instancias: Cada uno de los ejemplos- Atributos: Cada una de las características medidas de un ejemplo- Clases: El atributo que debe ser deducido a partir de los demás

172. Tipos de atributos- Real: Puede tomar cualquier valor dentro de un cierto rango.- Discreto: Toma valores discretos ordenados (alto, medio y bajo)- Categórico: Toma valores discretos no ordenados (azul, rojo amarillo)

173. Como se pueden expresar los conceptos (Hipótesis) Arboles de decisión: Estos son los más usados Listas de reglas Redes neuronales Modelos bayesianos o probabilísticos Funciones radiales

174. Decisiones fundamentales para la selección del modelo - Tipo de modelo: arboles de decisión, redes neuronales, modelos probabilísticos etc.- Algoritmo usado: para construir o ajustar el modelo a partir de las instancias de

entrenamiento. Consideraciones:

Capacidad de representaciónLegibilidadTiempo de computo onlineTiempo de computo offlineDificultad de ajuste de los parámetros


Robustez ante instancias de entrenamiento ruidosasSobreajuste

175. Capacidad de representaciónCapacidad de expresar múltiples conceptos diferentes, relacionado con las fronteras de decisión de cada modelo

176. LegibilidadCapacidad de ser leído por un humano

177. Tiempo de computo onlineTiempo necesario para clasificar una nueva instancia

178. Tiempo de computo offlineTiempo necesario para construir o ajustar el modelo a partir de los ejemplos de entrenamiento

179. Dificultad de ajuste de los parámetros- Algoritmo ideal: no dispone de parámetros para ajustar, es muy poco sensible a la

variación de estos parámetros es fácil generar el modelo.- Mal algoritmo: muchos parámetros para ajustar gran sensibilidad a sus modificaciones

es difícil de ajustar el modelo.

180. Robustez ante instancias de entrenamiento ruidosasInstancia de entrenamiento etiquetada incorrectamente ej de algoritmos que funcionan adecuandamente arboles de decisión, redes neuronales

181. SobreajusteOcurre cuando el modelo está demasiado ajustado a las instancias de entrenamiento por lo que no es capaz de generalizar. (Normalmente fronteras de decisión muy complejas producen sobre-ajuste)

182. Selección del modelo- Capacidad de representación- Legibilidad - Tiempo del cómputo online

183. Selección del algoritmo- Tiempo de computo online- Dificultad de ajuste de parámetros- Robustez ante ejemplos de entrenamiento ruidosos- Sobeajuste

MANEJO DE HIPOSTESIS184.

Documents

Cuestionario