CONCEPTO
Marvin Minsky sugiere el carácter práctico de la inteligencia artificial mencionando:
"La inteligencia artificial...
CONCEPTO
Las redes neuronales son sistemas ideados como abstracciones de las
estructuras neurobiológicas (cerebros) encont...
PROPIEDADES
Una función de propagación
Una función de activación
Una función de transferencia
VENTAJAS
Aprendizaje: ap...
TIPOLOGÍA DE LAS RNA
Perceptrón
Adaline
Perceptron multicapa
Memorias asociativas
Máquina de boltzmann
Máquina de ca...
TOPOLOGIA
Monocapa
Multicapa
CONCEPTO
Un agente inteligente, es una entidad capaz de percibir su entorno, procesar
tales percepciones y responder o act...
EJEMPLOS
Un robot con comportamiento variable autoregulado
Computadoras especializadas
CLASIFICACION
Reactivos
Reactiv...
CONCEPTO
Sistemas informáticos que simulan el proceso de aprendizaje, de
memorización, de razonamiento, de comunicación y ...
Tipos de SE
Basados en reglas previamente establecidas
Basados en casos o CBR
Basados en redes bayesianas
VENTAJAS
Per...
LIMITACIONES
Sentido común
Lenguaje natural
Capacidad de aprendizaje
Perspectiva global
Capacidad sensorial
Flexibil...
TAREAS DE REALIZA UN SE
Monitorización
Diseño
Planificación
Control
Simulación
Instrucción
Recuperación de la infor...
A tientas
Una ruta
Heuristicos

Búsqueda

Profundidad primero
Amplitud primero
Ascenso de colina
Búsqueda en haz
Primero e...
Para llevar a cabo una búsqueda en profundidad,



Inserte en una pila el elemento raíz (nodo de partida)
Hasta que el e...
s

1

a

d

2

b

d

3

a

e

e

b

4

c
5

e

b

f

6

d

f

b

f

c

g

d

e

7

g

f
g

a

c

g
Para llevar a cabo una búsqueda en amplitud,
Inserte
Hasta

en una cola el elemento raíz (nodo de partida)
que el elemen...
s

1

2

a

d

3

4

b

d

7

8

c
13

e

10

11

b

e
14 15

d

a
9

e

6

5

16

f

b

f

g

c

g

17

b
18

d

12

19

...


La búsqueda se puede mejorar si existe una forma de

ordenar

las

posibilidades

de

modo

que

las

prometedoras se e...


Mediciones de calidad convierten la búsqueda en profundidad

en ascenso de colina.


Se ordenan las posibilidades (est...
s
10.4

8.9

a

d
6.9

10.4

b

d

a

e
3.0

6.7

c

e
d

b

e
f

b

f

g

c

g

d

b
e
f
g

a

f
c

g
En problemas orientados a ajuste de parámetros:
Problema de la falta de colina
Se

encuentra un punto optimo, pero se tr...


Parecida a la búsqueda en amplitud en cuanto a que

avanza de nivel en nivel.


Sólo se mueve hacia abajo a través de ...
s
10.4

8.9

a

d

6.7

8.9

b

d

4.0

6.9

10.4

a

e

6.9

c

3.0

6.7

e

b

e

b

f

Callejón
sin salida

d

f

b

f
...


Extiende la mejor trayectoria parcial en cada punto.
Considera



todos los nodos abiertos hasta el momento.

Ascenso...
s
10.4

8.9

a

d
6.9

10.4

b

d

a

e
3.0

6.7

c

e
d

b

e
f

b

f

g

c

g

d

b
e
f
g

a

f
c

g


Primero en profundidad es bueno cuando se sabe – con

seguridad – que el árbol no es muy profundo.

Primero en anchura,...
Estos métodos consideran, a diferencia de los



anteriores, el peso de las ramas.


Su objetivo no es únicamente encont...
¿qué hacer para asegurar encontrar la ruta óptima?



Procedimiento de museo británico:
Primero

encontrar todas las rut...
s

1

14

a

d
8

2

b

d

3

5

e
d

f
7

g

12

11

c

b
18

e

13

g

23

17

d

f

25

22

b

10

b

e

16

e
6

21

a...


No tiene problemas con árboles (muy) pequeños.



En la mayoría de los casos no es aplicable.
Por



explosión expon...


Menos sacrificado para encontrar la ruta óptima.

Idea básica es expandir en cada ocasión la ruta parcial
con el menor ...
Formar una cola de trayectos parciales. Inicialmente sólo
tiene el elemento raíz.
Hasta que la cola se vacié o se alcance...
s
1

a

3

2

d

4
7

5

b

4

6

d

8

9

3

a

e

8

7
11

c

e

e

12

6

10

13

b

11

b

f

10

9

d

f

b

g

c

15...
5

3

b

b

1

1

s

s

2

a

3

g

2

a

3

g



¿cuál es la respuesta del método?



¿cómo podemos asegurar encontrar ...
s
1

a

3

2

d

4
7

b

11
11

5

c

6

d
12

e

4

8

9

3

a

e
10

7

e

12

6

10

13

b

11

8

b

f

10

9
14

d

1...
Usar una estimación de la distancia restante a la meta
puede mejorar considerablemente el método.


Si es buena estimació...
Las estimaciones no son perfectas; esto puede traer serios
problemas al método.


¿Qué sucederá con sobreestimaciones de ...
s
1

a

13.4

d

12.9

2

b

d

19.4

a

e

12.9

3

c

e

b

e

17.7

b

f

13

4

d

f

b

f

g

c

g

d

e
f
g

a

c

g...
Ramificación y cota puede mejorarse eliminando las
trayectorias redundantes.




Se relaciona con el principio de progra...
s
1

a

3

2

d

4

4
7

3

b

d

8

9

a

e

6

7
11

5

c

e

e

12

10

13

b

11

b

f

10

6
14

d

16

f

b

g

c

1...
Es una búsqueda de ramificación y cota con:



Estimación
Eliminación


de distancia restante
de trayectorias redundan...


http://es.wikipedia.org/wiki/Red_neuronal_artificial



http://es.wikipedia.org/wiki/Agente_inteligente_%28int

eligen...
Diapositivas "Inteligencia artificial" - Grupo Colaborativo 90169-33 UNAD
Diapositivas "Inteligencia artificial" - Grupo Colaborativo 90169-33 UNAD
Próxima SlideShare
Cargando en…5
×

Diapositivas "Inteligencia artificial" - Grupo Colaborativo 90169-33 UNAD

183 visualizaciones

Publicado el

Contiene las diapositivas para la capacitación del grupo colaborativo 90169_66 de la UNAD

Publicado en: Educación
0 comentarios
0 recomendaciones
Estadísticas
Notas
  • Sé el primero en comentar

  • Sé el primero en recomendar esto

Sin descargas
Visualizaciones
Visualizaciones totales
183
En SlideShare
0
De insertados
0
Número de insertados
2
Acciones
Compartido
0
Descargas
2
Comentarios
0
Recomendaciones
0
Insertados 0
No insertados

No hay notas en la diapositiva.

Diapositivas "Inteligencia artificial" - Grupo Colaborativo 90169-33 UNAD

  1. 1. CONCEPTO Marvin Minsky sugiere el carácter práctico de la inteligencia artificial mencionando: "La inteligencia artificial es la ciencia de hacer que las máquinas hagan cosas que requerirán inteligencia si fueran hechas por seres humanos". Elaine Rich: "La inteligencia artificial es el estudio de cómo hacer que los ordenadores hagan cosas que por el momento las personas realizan de una forma más perfecta". Otras definiciones que pueden darnos una idea de lo se que llama IA. Una de las áreas de las ciencias computacionales encargadas de la creación de hardware y software con comportamientos inteligentes El estudio de las computaciones que permitan percibir, razonar y actuar Estudio como lograr que las máquinas realicen tareas que, por el momento, son realizadas mejor por los seres humanos
  2. 2. CONCEPTO Las redes neuronales son sistemas ideados como abstracciones de las estructuras neurobiológicas (cerebros) encontradas en la naturaleza y tienen la característica de ser sistemas desordenados capaces de guardar información.
  3. 3. PROPIEDADES Una función de propagación Una función de activación Una función de transferencia VENTAJAS Aprendizaje: aprenden mediante la etapa de aprendizaje Auto organización: Crea su propia representación de la información Tolerancia a fallos: Debido a que almacena la información de forma redundante ésta puede seguir respondiendo de manera aceptable aún si se daña parcialmente Flexibilidad: Maneja cambios no importantes en la información de entrada Tiempo real: La estructura es paralela, obteniendo respuestas en tiempo real en eventos donde sea implementado en computadoras o dispositivos electrónicos
  4. 4. TIPOLOGÍA DE LAS RNA Perceptrón Adaline Perceptron multicapa Memorias asociativas Máquina de boltzmann Máquina de cauchy Propagación hacia atrásRedes de Elman De Hopfield De contra propagación De base radial De aprendizaje competitivo Mapas autoorganizados Crecimiento dinámico de células
  5. 5. TOPOLOGIA Monocapa Multicapa
  6. 6. CONCEPTO Un agente inteligente, es una entidad capaz de percibir su entorno, procesar tales percepciones y responder o actuar en su entorno de manera racional, es decir, de manera correcta y tendiendo a maximizar un resultado esperado. Es capaz de percibir su medioambiente con la ayuda de sensores y actuar en ese medio utilizando actuadores (elementos que reaccionan a un estímulo realizando una acción).
  7. 7. EJEMPLOS Un robot con comportamiento variable autoregulado Computadoras especializadas CLASIFICACION Reactivos Reactivos basados en modelo Basados en objetivos Basados en utilidad Que aprenden De consulta
  8. 8. CONCEPTO Sistemas informáticos que simulan el proceso de aprendizaje, de memorización, de razonamiento, de comunicación y de acción en consecuencia de un experto humano en cualquier rama de la ciencia. ESTRUCTURA BÁSICA DE UN SE Base de conocimientos Base de hechos Motor de inferencia Módulo de justificación Interfaz de usuario
  9. 9. Tipos de SE Basados en reglas previamente establecidas Basados en casos o CBR Basados en redes bayesianas VENTAJAS Permanencia Replicación Rapidez Bajo costo Entornos peligrosos Fiabilidad Consolidar varios conocimientos Apoyo académico
  10. 10. LIMITACIONES Sentido común Lenguaje natural Capacidad de aprendizaje Perspectiva global Capacidad sensorial Flexibilidad Conocimiento no estructurado EJEMPLOS IMPORTANTES Dentral, Xcon, Dipmeter Advisor, Mycin, Caduceus, R1, Clips, Jess, Prolog
  11. 11. TAREAS DE REALIZA UN SE Monitorización Diseño Planificación Control Simulación Instrucción Recuperación de la información
  12. 12. A tientas Una ruta Heuristicos Búsqueda Profundidad primero Amplitud primero Ascenso de colina Búsqueda en haz Primero el mejor Ruta optima Museo británico Ramificación y cota Programación dinámica A* Juegos Minimax Poda Alfa-beta Continuación heurística Profundidad progresiva
  13. 13. Para llevar a cabo una búsqueda en profundidad,   Inserte en una pila el elemento raíz (nodo de partida) Hasta que el elemento tope sea el nodo meta, o se vacié la pila  Si nodo tope tiene hijos, insertar el hijo siguiente aun no visitado, según ordenamiento.   Si no, entonces eliminar nodo tope. Si el nodo meta se alcanza, mencione éxito, de lo contrario, notifique el fracaso.
  14. 14. s 1 a d 2 b d 3 a e e b 4 c 5 e b f 6 d f b f c g d e 7 g f g a c g
  15. 15. Para llevar a cabo una búsqueda en amplitud, Inserte Hasta en una cola el elemento raíz (nodo de partida) que el elemento frontal sea el nodo meta, o se vacié la cola Si nodo frontal tiene hijos, insertar todos sus hijos al final de la cola. Eliminar Si nodo frontal. el nodo meta se alcanza, mencione éxito, de lo contrario, notifique el fracaso.
  16. 16. s 1 2 a d 3 4 b d 7 8 c 13 e 10 11 b e 14 15 d a 9 e 6 5 16 f b f g c g 17 b 18 d 12 19 e a f g f 20 c 21 g
  17. 17.  La búsqueda se puede mejorar si existe una forma de ordenar las posibilidades de modo que las prometedoras se exploren primero.  Mayor conocimiento, menor tiempo de búsqueda  Tres métodos muy conocidos: Ascenso de colina (-> profundidad primero), Búsqueda Primero en Haz (-> anchura primero), el mejor más
  18. 18.  Mediciones de calidad convierten la búsqueda en profundidad en ascenso de colina.  Se ordenan las posibilidades (estados hijo) usando una medición heurística de la distancia que queda por recorrer. Distancia  en línea recta al estado objetivo. Mejor medición, mejor el ascenso de colina
  19. 19. s 10.4 8.9 a d 6.9 10.4 b d a e 3.0 6.7 c e d b e f b f g c g d b e f g a f c g
  20. 20. En problemas orientados a ajuste de parámetros: Problema de la falta de colina Se encuentra un punto optimo, pero se trata de un máximo local. Problema de la meseta La operación de mejoramiento local fracasa por completo. Todas las pruebas de paso normal dejan intacta la medición de calidad. Problema Es del borde como estar en el filo de una navaja, solamente puede salirse del problema si se tiene un número muy grande de direcciones para orientar los pasos.
  21. 21.  Parecida a la búsqueda en amplitud en cuanto a que avanza de nivel en nivel.  Sólo se mueve hacia abajo a través de los w mejores nodos de cada nivel. Extiende varias trayectorias parciales y elimina el resto.  El número de nodos se mantiene manejable aún cuando la ramificación sea alta y la búsqueda sea profunda.
  22. 22. s 10.4 8.9 a d 6.7 8.9 b d 4.0 6.9 10.4 a e 6.9 c 3.0 6.7 e b e b f Callejón sin salida d f b f g c g d e f g a c g
  23. 23.  Extiende la mejor trayectoria parcial en cada punto. Considera  todos los nodos abiertos hasta el momento. Ascenso de colina inspecciona la que parece la mejor trayectoria hasta el final; la búsqueda primero el mejor analiza varias trayectorias a la vez, siempre siguiendo la mejor trayectoria parcial conocida al momento.  Generalmente la búsqueda primero el mejor encuentra trayectorias más cortas a los estados meta.
  24. 24. s 10.4 8.9 a d 6.9 10.4 b d a e 3.0 6.7 c e d b e f b f g c g d b e f g a f c g
  25. 25.  Primero en profundidad es bueno cuando se sabe – con seguridad – que el árbol no es muy profundo. Primero en anchura, cuando el factor de ramificación no  es muy grande.  Los métodos heurísticos son adecuados cuando existe una medida natural de la distancia entre cada estado y el estado meta.
  26. 26. Estos métodos consideran, a diferencia de los  anteriores, el peso de las ramas.  Su objetivo no es únicamente encontrar una ruta, sino encontrar la mejor (típicamente la más corta).  Entre ellos se encuentran: El procedimiento del museo británico Ramificación El y cota algoritmo A*
  27. 27. ¿qué hacer para asegurar encontrar la ruta óptima?  Procedimiento de museo británico: Primero encontrar todas las rutas al objetivo Después seleccionar la mejor Puede usarse búsqueda en anchura o en profundidad como estrategia de exploración.  Terminar  hasta recorrer el árbol completamente. ¿qué inconveniente le encuentran?
  28. 28. s 1 14 a d 8 2 b d 3 5 e d f 7 g 12 11 c b 18 e 13 g 23 17 d f 25 22 b 10 b e 16 e 6 21 a 9 4 c 15 a 19 f 20 g f 26 24 c g
  29. 29.  No tiene problemas con árboles (muy) pequeños.  En la mayoría de los casos no es aplicable. Por  explosión exponencial Si tenemos un árbol (mediano) con niveles d = 10, y un factor de ramificación b = 10. Los estados visitados son bd. 1010 = 10 billones de estados
  30. 30.  Menos sacrificado para encontrar la ruta óptima. Idea básica es expandir en cada ocasión la ruta parcial con el menor costo hasta el momento.  Es decir, todos los nodos abiertos hasta el momento entran en consideración. Similar a método “primero el mejor”, pero al revés.  En lugar de seguir el trayecto que aparentemente tiene la menor distancia hacia el objetivo, se sigue aquel que hasta el momento es el más corto.
  31. 31. Formar una cola de trayectos parciales. Inicialmente sólo tiene el elemento raíz. Hasta que la cola se vacié o se alcance el nodo objetivo, determinar si el primer elemento alcanza el nodo objetivo. Si alcanza el objetivo, salir. Si no, entonces;  Borrar el nodo de la cola Agregar sus hijos a la cola Ordenar los nodos por costo acumulado Si el nodo objetivo fue encontrado mencionar éxito, de lo contrario anunciar falla. 
  32. 32. s 1 a 3 2 d 4 7 5 b 4 6 d 8 9 3 a e 8 7 11 c e e 12 6 10 13 b 11 b f 10 9 d f b g c 15 f g 14 d e f g a c g 13
  33. 33. 5 3 b b 1 1 s s 2 a 3 g 2 a 3 g  ¿cuál es la respuesta del método?  ¿cómo podemos asegurar encontrar la ruta óptima?  ¿cuándo debemos terminar el algoritmo? Cuando todas las rutas parciales tengan igual o mayor peso que la trayectoria encontrada
  34. 34. s 1 a 3 2 d 4 7 b 11 11 5 c 6 d 12 e 4 8 9 3 a e 10 7 e 12 6 10 13 b 11 8 b f 10 9 14 d 16 f b g c 15 f g 14 d e f g a 15 c 15 g 13
  35. 35. Usar una estimación de la distancia restante a la meta puede mejorar considerablemente el método.  Si es buena estimación, entonces ella mas distancia recorrida debe ser un buen cálculo de la longitud total de la trayectoria:  e(long trayectoria) = d(ya recorrida) + e(dist. restante) Si las conjeturas fueran correctas este método se mantendría todo el tiempo en la ruta optima.  Mejor estimación, mejor la búsqueda
  36. 36. Las estimaciones no son perfectas; esto puede traer serios problemas al método.  ¿Qué sucederá con sobreestimaciones de la distancia restante?  Desvío permanente de la trayectoria óptima No existiría la certeza, hasta recorrer el árbol completo, que la ruta encontrada es la optima. El método funciona adecuadamente con subestimaciones de la distancia restante. 
  37. 37. s 1 a 13.4 d 12.9 2 b d 19.4 a e 12.9 3 c e b e 17.7 b f 13 4 d f b f g c g d e f g a c g 13
  38. 38. Ramificación y cota puede mejorarse eliminando las trayectorias redundantes.   Se relaciona con el principio de programación dinámica. El mejor camino del punto de inicio a la meta, a través de un lugar intermedio específico, es el mejor camino hacia éste desde el lugar de inicio, seguido por el mejor camino desde éste a la meta. No hay necesidad de buscar por otras trayectorias hacia o desde el punto intermedio.
  39. 39. s 1 a 3 2 d 4 4 7 3 b d 8 9 a e 6 7 11 5 c e e 12 10 13 b 11 b f 10 6 14 d 16 f b g c 15 f g 14 d e f g a 15 c 15 g 13
  40. 40. Es una búsqueda de ramificación y cota con:  Estimación Eliminación  de distancia restante de trayectorias redundantes Si la estimación de la distancia restante es un limite inferior de la distancia real, entonces A* produce soluciones optimas.
  41. 41.  http://es.wikipedia.org/wiki/Red_neuronal_artificial  http://es.wikipedia.org/wiki/Agente_inteligente_%28int eligencia_artificial%29  http://es.wikipedia.org/wiki/Inteligencia_artificial  http://elvex.ugr.es/decsai/iaio/slides/A3%20Search.pd f .

×