SlideShare una empresa de Scribd logo
1 de 45
Descargar para leer sin conexión
Trabajo colaborativo Grupo 33 - Diapositivas
Trabajo colaborativo Grupo 33 - Diapositivas
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
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.
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
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
TOPOLOGIA
Monocapa
Multicapa
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).
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
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
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
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
TAREAS DE REALIZA UN SE
Monitorización
Diseño
Planificación
Control
Simulación
Instrucción
Recuperación de la información
SOFTWARE

TIPO LICENCIA

PLATAFORMA EN
QUE OPERA

PANTALLAZOS

FUNCIONES

PARA IMPLEMENTACION DE REDES NEURONALES

JOONE

GPL LGPL

Multiplataforma

Crea y ejecuta aplicaciones
de IA basadas en redes
neuronales

NEURAL
BOOT
QUAKE II

OpenGL

Multiplataforma

Es un programa informático
que realiza funciones muy
diversas
imitando
el
comportamiento humano.

GNU LGPL

Multiplataforma

Escrito en torno a un núcleo
de simulación en que las
funciones de activación por
escrito de los usuarios, los
procedimientos
de
aprendizaje y las funciones
de salida se pueden añadir

SNNS

–
SOFTWARE

TIPO LICENCIA

PLATAFORMA EN
QUE POPERA

PANTALLAZOS

FUNCIONES

PARA LA IMPLEMENTACION DE AGENTES INTELIGENTES Y SISTEMAS EXPERTOS
JADE

GNU

Multiplataforma

Facilita el desarrollo de
sistemas multiagente bajo
el estándar FIPA

EXPERT SYSTEM
CREATOR

Comercial

Multiplataforma

Ayuda
a
construir
sistemas expertos de las
formas:
Marcos
de
decisión,
árbol
de
decisión y tabla de
decisión

EXSYS
MULTILOGIC

DE

Permite
resolver
problemas administrativos
que ayudan a mejorar la
productividad asesorando
en la toma de decisiones
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
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.
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 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.
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


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


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
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 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.


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.
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


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.
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, 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.
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*
¿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?
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


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


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.
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.

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
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
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
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
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.

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
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.
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
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.


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


.

http://en.wikipedia.org/wiki/JOONE

Más contenido relacionado

Similar a Trabajo colaborativo Grupo 33 - Diapositivas

Luis Hernández-Cuadro Comparativo-I.pdf
Luis Hernández-Cuadro Comparativo-I.pdfLuis Hernández-Cuadro Comparativo-I.pdf
Luis Hernández-Cuadro Comparativo-I.pdfLuis12876
 
Redes Neuronales(Examen)
Redes Neuronales(Examen)Redes Neuronales(Examen)
Redes Neuronales(Examen)diego28mauricio
 
Redes Neuronales(Examen)
Redes Neuronales(Examen)Redes Neuronales(Examen)
Redes Neuronales(Examen)diego28mauricio
 
Inteligencia artificial
Inteligencia artificialInteligencia artificial
Inteligencia artificialAriel Medina
 
Métodos de búsqueda I.A
Métodos de búsqueda I.AMétodos de búsqueda I.A
Métodos de búsqueda I.AMelanieCapacho1
 
Proyecto integrador 1 Corregido
Proyecto integrador 1 CorregidoProyecto integrador 1 Corregido
Proyecto integrador 1 Corregidokaloskas
 
cuadro_comparativo_inteligencia.pdf
cuadro_comparativo_inteligencia.pdfcuadro_comparativo_inteligencia.pdf
cuadro_comparativo_inteligencia.pdfVictorCamacaro1
 
Inteligencia artificial
Inteligencia artificialInteligencia artificial
Inteligencia artificialAgustin Flores
 
Cuadro Comparativo Marco Segovia Y Manuel Mendoza IA.pdf
Cuadro Comparativo Marco Segovia Y Manuel Mendoza IA.pdfCuadro Comparativo Marco Segovia Y Manuel Mendoza IA.pdf
Cuadro Comparativo Marco Segovia Y Manuel Mendoza IA.pdfMarcoAntonioSegovia1
 
s1.1 Conceptos Basicos IA.pptx
s1.1 Conceptos Basicos IA.pptxs1.1 Conceptos Basicos IA.pptx
s1.1 Conceptos Basicos IA.pptxeduardobejar4
 
Proyecto Integrador 1
Proyecto Integrador 1Proyecto Integrador 1
Proyecto Integrador 1kaloskas
 
Cuadro comparativo tipos de busquedas en IA
Cuadro comparativo tipos de busquedas en IACuadro comparativo tipos de busquedas en IA
Cuadro comparativo tipos de busquedas en IAluisilva18
 
Deep Learning + R by Gabriel Valverde
Deep Learning + R by Gabriel ValverdeDeep Learning + R by Gabriel Valverde
Deep Learning + R by Gabriel ValverdeVictoria López
 
Crear un monstruo con algoritmos (1)
Crear un monstruo con algoritmos (1)Crear un monstruo con algoritmos (1)
Crear un monstruo con algoritmos (1)Codemás
 

Similar a Trabajo colaborativo Grupo 33 - Diapositivas (20)

Luis Hernández-Cuadro Comparativo-I.pdf
Luis Hernández-Cuadro Comparativo-I.pdfLuis Hernández-Cuadro Comparativo-I.pdf
Luis Hernández-Cuadro Comparativo-I.pdf
 
Redes Neuronales(Examen)
Redes Neuronales(Examen)Redes Neuronales(Examen)
Redes Neuronales(Examen)
 
Redes Neuronales(Examen)
Redes Neuronales(Examen)Redes Neuronales(Examen)
Redes Neuronales(Examen)
 
Inteligencia artificial
Inteligencia artificialInteligencia artificial
Inteligencia artificial
 
Inteligencia artificial
Inteligencia artificialInteligencia artificial
Inteligencia artificial
 
Métodos de búsqueda I.A
Métodos de búsqueda I.AMétodos de búsqueda I.A
Métodos de búsqueda I.A
 
Proyecto integrador 1 Corregido
Proyecto integrador 1 CorregidoProyecto integrador 1 Corregido
Proyecto integrador 1 Corregido
 
cuadro_comparativo_inteligencia.pdf
cuadro_comparativo_inteligencia.pdfcuadro_comparativo_inteligencia.pdf
cuadro_comparativo_inteligencia.pdf
 
Inteligencia artificial
Inteligencia artificialInteligencia artificial
Inteligencia artificial
 
Cuadro Comparativo Marco Segovia Y Manuel Mendoza IA.pdf
Cuadro Comparativo Marco Segovia Y Manuel Mendoza IA.pdfCuadro Comparativo Marco Segovia Y Manuel Mendoza IA.pdf
Cuadro Comparativo Marco Segovia Y Manuel Mendoza IA.pdf
 
s1.1 Conceptos Basicos IA.pptx
s1.1 Conceptos Basicos IA.pptxs1.1 Conceptos Basicos IA.pptx
s1.1 Conceptos Basicos IA.pptx
 
Proyecto Integrador 1
Proyecto Integrador 1Proyecto Integrador 1
Proyecto Integrador 1
 
El razonamiento.pdf
El razonamiento.pdfEl razonamiento.pdf
El razonamiento.pdf
 
Metacognicion
MetacognicionMetacognicion
Metacognicion
 
Trabajoenclase Ia
Trabajoenclase IaTrabajoenclase Ia
Trabajoenclase Ia
 
Cuadro comparativo tipos de busquedas en IA
Cuadro comparativo tipos de busquedas en IACuadro comparativo tipos de busquedas en IA
Cuadro comparativo tipos de busquedas en IA
 
Redes Neuronales
Redes NeuronalesRedes Neuronales
Redes Neuronales
 
Laobservacion Intro1
Laobservacion Intro1Laobservacion Intro1
Laobservacion Intro1
 
Deep Learning + R by Gabriel Valverde
Deep Learning + R by Gabriel ValverdeDeep Learning + R by Gabriel Valverde
Deep Learning + R by Gabriel Valverde
 
Crear un monstruo con algoritmos (1)
Crear un monstruo con algoritmos (1)Crear un monstruo con algoritmos (1)
Crear un monstruo con algoritmos (1)
 

Último

Presentación del tema: tecnología educativa
Presentación del tema: tecnología educativaPresentación del tema: tecnología educativa
Presentación del tema: tecnología educativaricardoruizaleman
 
Semana Santa en Popayán para el año 2024
Semana Santa en Popayán para el año 2024Semana Santa en Popayán para el año 2024
Semana Santa en Popayán para el año 2024yaco173
 
ficha de aplicacion para estudiantes El agua para niños de primaria
ficha de aplicacion para estudiantes El agua para niños de primariaficha de aplicacion para estudiantes El agua para niños de primaria
ficha de aplicacion para estudiantes El agua para niños de primariamichel carlos Capillo Dominguez
 
plan espacios inspiradores para nivel primaria
plan espacios inspiradores para nivel primariaplan espacios inspiradores para nivel primaria
plan espacios inspiradores para nivel primariaElizabeth252489
 
TECNOLOGÍA EDUCATIVA, USO DE LAS TIC.pptx
TECNOLOGÍA EDUCATIVA, USO DE LAS TIC.pptxTECNOLOGÍA EDUCATIVA, USO DE LAS TIC.pptx
TECNOLOGÍA EDUCATIVA, USO DE LAS TIC.pptxFranciscoCruz296518
 
Evaluacion Diagnostica Matematica 2do C1 Secundaria Ccesa007.pdf
Evaluacion Diagnostica Matematica 2do C1 Secundaria Ccesa007.pdfEvaluacion Diagnostica Matematica 2do C1 Secundaria Ccesa007.pdf
Evaluacion Diagnostica Matematica 2do C1 Secundaria Ccesa007.pdfDemetrio Ccesa Rayme
 
Tecnología educativa en la era actual .pptx
Tecnología educativa en la era actual .pptxTecnología educativa en la era actual .pptx
Tecnología educativa en la era actual .pptxJulioSantin2
 
Ejemplo de trabajo de TIC´s CON VARIAS OPCIONES DE LAS TAREAS
Ejemplo de trabajo de TIC´s CON VARIAS OPCIONES DE LAS TAREASEjemplo de trabajo de TIC´s CON VARIAS OPCIONES DE LAS TAREAS
Ejemplo de trabajo de TIC´s CON VARIAS OPCIONES DE LAS TAREASJavier Sanchez
 
Presentación contribuciones socioeconómicas del SUPV 2023
Presentación contribuciones socioeconómicas del SUPV 2023Presentación contribuciones socioeconómicas del SUPV 2023
Presentación contribuciones socioeconómicas del SUPV 2023Ivie
 
UNIDAD DE APRENDIZAJE MARZO 2024.docx para educacion
UNIDAD DE APRENDIZAJE MARZO 2024.docx para educacionUNIDAD DE APRENDIZAJE MARZO 2024.docx para educacion
UNIDAD DE APRENDIZAJE MARZO 2024.docx para educacionCarolVigo1
 
1ro Programación Anual D.P.C.C ACTUALIZADO
1ro Programación Anual D.P.C.C ACTUALIZADO1ro Programación Anual D.P.C.C ACTUALIZADO
1ro Programación Anual D.P.C.C ACTUALIZADODJElvitt
 
Xardín de San Carlos (A Coruña) IES Monelos
Xardín de San Carlos (A Coruña) IES MonelosXardín de San Carlos (A Coruña) IES Monelos
Xardín de San Carlos (A Coruña) IES MonelosAgrela Elvixeo
 
Anna Llenas Serra. El monstruo de colores. Doctor de emociones.pdf
Anna Llenas Serra. El monstruo de colores. Doctor de emociones.pdfAnna Llenas Serra. El monstruo de colores. Doctor de emociones.pdf
Anna Llenas Serra. El monstruo de colores. Doctor de emociones.pdfSaraGabrielaPrezPonc
 
GUÍA SIANET - Agenda - Tareas - Archivos - Participaciones - Notas.pdf
GUÍA SIANET - Agenda - Tareas - Archivos - Participaciones - Notas.pdfGUÍA SIANET - Agenda - Tareas - Archivos - Participaciones - Notas.pdf
GUÍA SIANET - Agenda - Tareas - Archivos - Participaciones - Notas.pdfNELLYKATTY
 
EL BRILLO DEL ECLIPSE (CUENTO LITERARIO). Autor y diseñador JAVIER SOLIS NOYOLA
EL BRILLO DEL ECLIPSE (CUENTO LITERARIO). Autor y diseñador JAVIER SOLIS NOYOLAEL BRILLO DEL ECLIPSE (CUENTO LITERARIO). Autor y diseñador JAVIER SOLIS NOYOLA
EL BRILLO DEL ECLIPSE (CUENTO LITERARIO). Autor y diseñador JAVIER SOLIS NOYOLAJAVIER SOLIS NOYOLA
 
sociales ciencias segundo trimestre tercero
sociales ciencias segundo trimestre tercerosociales ciencias segundo trimestre tercero
sociales ciencias segundo trimestre terceroCEIP TIERRA DE PINARES
 

Último (20)

Power Point E. Sab: Adoración sin fin...
Power Point E. Sab: Adoración sin fin...Power Point E. Sab: Adoración sin fin...
Power Point E. Sab: Adoración sin fin...
 
Presentación del tema: tecnología educativa
Presentación del tema: tecnología educativaPresentación del tema: tecnología educativa
Presentación del tema: tecnología educativa
 
Semana Santa en Popayán para el año 2024
Semana Santa en Popayán para el año 2024Semana Santa en Popayán para el año 2024
Semana Santa en Popayán para el año 2024
 
ficha de aplicacion para estudiantes El agua para niños de primaria
ficha de aplicacion para estudiantes El agua para niños de primariaficha de aplicacion para estudiantes El agua para niños de primaria
ficha de aplicacion para estudiantes El agua para niños de primaria
 
plan espacios inspiradores para nivel primaria
plan espacios inspiradores para nivel primariaplan espacios inspiradores para nivel primaria
plan espacios inspiradores para nivel primaria
 
TECNOLOGÍA EDUCATIVA, USO DE LAS TIC.pptx
TECNOLOGÍA EDUCATIVA, USO DE LAS TIC.pptxTECNOLOGÍA EDUCATIVA, USO DE LAS TIC.pptx
TECNOLOGÍA EDUCATIVA, USO DE LAS TIC.pptx
 
Evaluacion Diagnostica Matematica 2do C1 Secundaria Ccesa007.pdf
Evaluacion Diagnostica Matematica 2do C1 Secundaria Ccesa007.pdfEvaluacion Diagnostica Matematica 2do C1 Secundaria Ccesa007.pdf
Evaluacion Diagnostica Matematica 2do C1 Secundaria Ccesa007.pdf
 
Tecnología educativa en la era actual .pptx
Tecnología educativa en la era actual .pptxTecnología educativa en la era actual .pptx
Tecnología educativa en la era actual .pptx
 
Ejemplo de trabajo de TIC´s CON VARIAS OPCIONES DE LAS TAREAS
Ejemplo de trabajo de TIC´s CON VARIAS OPCIONES DE LAS TAREASEjemplo de trabajo de TIC´s CON VARIAS OPCIONES DE LAS TAREAS
Ejemplo de trabajo de TIC´s CON VARIAS OPCIONES DE LAS TAREAS
 
Presentación contribuciones socioeconómicas del SUPV 2023
Presentación contribuciones socioeconómicas del SUPV 2023Presentación contribuciones socioeconómicas del SUPV 2023
Presentación contribuciones socioeconómicas del SUPV 2023
 
UNIDAD DE APRENDIZAJE MARZO 2024.docx para educacion
UNIDAD DE APRENDIZAJE MARZO 2024.docx para educacionUNIDAD DE APRENDIZAJE MARZO 2024.docx para educacion
UNIDAD DE APRENDIZAJE MARZO 2024.docx para educacion
 
1ro Programación Anual D.P.C.C ACTUALIZADO
1ro Programación Anual D.P.C.C ACTUALIZADO1ro Programación Anual D.P.C.C ACTUALIZADO
1ro Programación Anual D.P.C.C ACTUALIZADO
 
Xardín de San Carlos (A Coruña) IES Monelos
Xardín de San Carlos (A Coruña) IES MonelosXardín de San Carlos (A Coruña) IES Monelos
Xardín de San Carlos (A Coruña) IES Monelos
 
SITUACIÓN ACTUAL DE LA INVESTIGACIÓN. ENFERMERÍA
SITUACIÓN ACTUAL DE LA INVESTIGACIÓN. ENFERMERÍASITUACIÓN ACTUAL DE LA INVESTIGACIÓN. ENFERMERÍA
SITUACIÓN ACTUAL DE LA INVESTIGACIÓN. ENFERMERÍA
 
Anna Llenas Serra. El monstruo de colores. Doctor de emociones.pdf
Anna Llenas Serra. El monstruo de colores. Doctor de emociones.pdfAnna Llenas Serra. El monstruo de colores. Doctor de emociones.pdf
Anna Llenas Serra. El monstruo de colores. Doctor de emociones.pdf
 
GUÍA SIANET - Agenda - Tareas - Archivos - Participaciones - Notas.pdf
GUÍA SIANET - Agenda - Tareas - Archivos - Participaciones - Notas.pdfGUÍA SIANET - Agenda - Tareas - Archivos - Participaciones - Notas.pdf
GUÍA SIANET - Agenda - Tareas - Archivos - Participaciones - Notas.pdf
 
EL BRILLO DEL ECLIPSE (CUENTO LITERARIO). Autor y diseñador JAVIER SOLIS NOYOLA
EL BRILLO DEL ECLIPSE (CUENTO LITERARIO). Autor y diseñador JAVIER SOLIS NOYOLAEL BRILLO DEL ECLIPSE (CUENTO LITERARIO). Autor y diseñador JAVIER SOLIS NOYOLA
EL BRILLO DEL ECLIPSE (CUENTO LITERARIO). Autor y diseñador JAVIER SOLIS NOYOLA
 
VISITA DE ESTUDO À CRUZ VERMELHA _
VISITA DE ESTUDO À CRUZ VERMELHA                   _VISITA DE ESTUDO À CRUZ VERMELHA                   _
VISITA DE ESTUDO À CRUZ VERMELHA _
 
Tema 5.- BASES DE DATOS Y GESTIÓN DE LA INF. PARA EL MARKETING.pdf
Tema 5.- BASES DE DATOS Y GESTIÓN DE LA INF. PARA EL MARKETING.pdfTema 5.- BASES DE DATOS Y GESTIÓN DE LA INF. PARA EL MARKETING.pdf
Tema 5.- BASES DE DATOS Y GESTIÓN DE LA INF. PARA EL MARKETING.pdf
 
sociales ciencias segundo trimestre tercero
sociales ciencias segundo trimestre tercerosociales ciencias segundo trimestre tercero
sociales ciencias segundo trimestre tercero
 

Trabajo colaborativo Grupo 33 - Diapositivas

  • 3. 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
  • 4. 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. PROPIEDADES Una función de propagación Una función de activación Una función de transferencia
  • 5. 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
  • 6. 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
  • 8. 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).
  • 9. 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
  • 10. 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
  • 11. 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
  • 12. 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
  • 13. TAREAS DE REALIZA UN SE Monitorización Diseño Planificación Control Simulación Instrucción Recuperación de la información
  • 14. SOFTWARE TIPO LICENCIA PLATAFORMA EN QUE OPERA PANTALLAZOS FUNCIONES PARA IMPLEMENTACION DE REDES NEURONALES JOONE GPL LGPL Multiplataforma Crea y ejecuta aplicaciones de IA basadas en redes neuronales NEURAL BOOT QUAKE II OpenGL Multiplataforma Es un programa informático que realiza funciones muy diversas imitando el comportamiento humano. GNU LGPL Multiplataforma Escrito en torno a un núcleo de simulación en que las funciones de activación por escrito de los usuarios, los procedimientos de aprendizaje y las funciones de salida se pueden añadir SNNS –
  • 15. SOFTWARE TIPO LICENCIA PLATAFORMA EN QUE POPERA PANTALLAZOS FUNCIONES PARA LA IMPLEMENTACION DE AGENTES INTELIGENTES Y SISTEMAS EXPERTOS JADE GNU Multiplataforma Facilita el desarrollo de sistemas multiagente bajo el estándar FIPA EXPERT SYSTEM CREATOR Comercial Multiplataforma Ayuda a construir sistemas expertos de las formas: Marcos de decisión, árbol de decisión y tabla de decisión EXSYS MULTILOGIC DE Permite resolver problemas administrativos que ayudan a mejorar la productividad asesorando en la toma de decisiones
  • 16. 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
  • 17. 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.
  • 19. 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.
  • 21.  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
  • 22.  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
  • 24. 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.
  • 25.  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.
  • 27.  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.
  • 29.  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.
  • 30. 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*
  • 31. ¿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?
  • 33.  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
  • 34.  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.
  • 35. 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. 
  • 37. 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
  • 39. 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
  • 40. 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. 
  • 42. 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.
  • 44. 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.