Este documento trata sobre diferentes temas relacionados con la representación del aprendizaje en inteligencia artificial. Explica dos tipos de aprendizaje: repetitivo y cognitivo. También describe redes semánticas, métodos de descripción y pareamiento, analogías y el reconocimiento de abstracciones.

1. Inteligencia
ArtificialProfesor: Dr. Cesar Augusto Isaza Bohorquez
EVALUACIÓN A TITULO DE COMPETENCIA (ETC)
Alumno: Samuel Tiburcio Parra.

2. 2. Representación del
aprendizaje.
2.1 Aprendizaje
2.1.1 Aprendizaje repetitivo
2.1.2 Aprendizaje cognitivo
2.2 Redes semánticas
2.3 Método de descripción y pareamiento
2.4 Analogías
2.5 Reconocimiento de abstracciones
Inteligencia Artificial 2

3. 2.1 Aprendizaje
El aprendizaje es el proceso a través del cual se adquieren o modifican
habilidades, destrezas, conocimientos, conductas o valores como
resultado del estudio, la experiencia, la instrucción, el razonamiento y la
observación.
Este proceso puede ser analizado desde distintas perspectivas, por lo
que existen distintas teorías del aprendizaje. El aprendizaje es una de las
funciones mentales más importantes en humanos, animales y sistemas
artificiales.
Inteligencia Artificial 3

4. 2.1.1 Cognitivo 2.1.2 Repetitivo
Inteligencia Artificial 4
• Aprendemos de la
experiencia pero es el
sujeto quien construye el
conocimiento del mundo
externo en función de su
organización cognitiva
interna, el sujeto
interpreta la realidad y
proyecta sobre ella los
significados que va
construyendo.
• Se produce cuando el
individuo memoriza
contenidos sin
comprenderlos o
relacionarlos con sus
conocimientos previos,
no encuentra significado
a los contenidos.
2.1 Aprendizaje

5. Inteligencia Artificial 5
2.2 Redes semánticas
• Una red semántica o esquema de representación
en Red es una forma de representación de
conocimiento lingüístico en la que los conceptos y
sus interrelaciones se representan mediante un
grafo. En caso de que no existan ciclos, estas redes
pueden ser visualizadas como árboles. Las redes
semánticas son usadas, entre otras cosas, para
representar mapas conceptuales y mentales.
• En un grafo o red semántica los elementos
semánticos se representan por nodos.

6. • Dos elementos semánticos entre los que se admite se da la
relación semántica que representa la red, estarán unidos
mediante una línea, flecha o enlace o arista.
• Cierto tipo de relaciones no simétricas requieren grafos
dirigidos que usan flechas en lugar de líneas.
Inteligencia Artificial 6
2.2 Redes semánticas

7. Una red semántica representa conocimiento mediante un grafo:
 Nodos: Conceptos
 Arcos etiquetados: Relaciones entre conceptos
Por red semántica actualmente se entiende toda una familia de
representaciones basadas en grafos que difieren entre sí en los
nombres que se permiten para nodos y arcos, y en las
inferencias que pueden hacerse
Los elementos básicos que encontramos en todos los esquemas
de redes son:
Estructuras de datos en nodos, que representan conceptos,
unidas por arcos que representan las relaciones entre los
conceptos.
Un conjunto de procedimientos de inferencia que operan sobre
las estructuras de datos.
Inteligencia Artificial 7
2.2 Redes semánticas

8. Básicamente, podemos distinguir tres categorías de redes semánticas:
 Redes IS-A, en las que los enlaces entre nodos están etiquetados.
 Grafos conceptuales: en los que existen dos tipos de nodos: de conceptos y
de relaciones
 Redes de marcos: en los que los puntos de unión de los enlaces son parte de
la etiqueta del nodo.
Inteligencia Artificial 8
2.2 Redes semánticas

9. • Este método descripción y pareamiento se utiliza para
solucionar problemas de IA y es por decirlo de alguna
manera de los más básicos.
• El primer paso consiste en identificar todas las
características de un objeto. Después se realiza una
búsqueda con un conjunto de objetos ya definidos.
• En realidad se utilizan dos métodos muy importantes: el
extractor y el evaluador de conocimientos.
• Al realizar el pareamiento de los objetos puede ser que
no caigan exactamente en el patrón de conocimiento
por lo que se tiene que tener una medida de similitud.
Inteligencia Artificial 9
2.3 Métodos de descripción y pareamiento

10. Pareamiento Descripción
Inteligencia Artificial 10
• AMOR
o Querer a una persona o cosa
sobre todas las cosas
o Palabra de 4 caracteres: ‘A’, ‘M’,
‘O’ y ‘R’ yuxtapuestos
• AMOR = AMOR
• AMOR = ROMA
• Amor = AMOR
• Amor = Cariño
• Amor = Amar Distancia
Léxica 1
Círculo
Descripción:
Figura formada por todos los
puntos comprendidos a
una distancia equidistante
del centro correspondidos
en un ángulo de 0 a 360
grados.
Propiedades
Centro (punto)
Diámetro (dos veces radio)
Áreas
2.3 Métodos de descripción y pareamiento

11. Se debe de representar de manera adecuada el
conocimiento para poder compararlo.
Inteligencia Artificial 11
2.3 Métodos de descripción y pareamiento

12. El granjero, la zorra, el ganso y
el trigo
• Un granjero quiere cruzar un
río llevando consigo una
zorra, una ganso y un saco
de trigo. Por desgracia, su
bote es tan pequeño que
sólo puede transportar una
de sus pertenencias en
cada viaje. Peor aún, la
zorra, si no se le vigila, se
como al ganso, y el ganso,
si no se le cuida, se come el
trigo; de modo que el
granjero no debe dejar a la
zorra sola con el ganso o al
ganso solo con el trigo.
Inteligencia Artificial 12
2.3 Métodos de descripción y pareamiento

13. Inteligencia Artificial 13
2.3 Métodos de descripción y pareamiento

14. 2.4 Analogías
Aprendizaje por Analogía
El razonamiento analógico intenta emular la capacidad
humana de recordar la solución de problemas previos ante la
aparición de problemas parecidos en los que se llevan a cabo
razonamientos análogos para alcanzar sus soluciones
respectivas.
Análisis de analogías
Generalización inductiva sobre las relaciones que se cumplen en
un determinado dominio (origen o fuente), suponiendo que
también se cumplen en otro dominio (destino o meta); el
proceso de analogías esta basado en que si dos situaciones son
similares en algún aspecto entonces pueden serlo en otro
(“explota la experiencia acumulada”).
Inteligencia Artificial 14

15. • Problema base: El problema ya resuelto tal que su
solución servirá de base para resolver el nuevo
problema.
• Conocimiento base: La información disponible
sobre el problema base y su dominio.
• Problema objetivo: El nuevo problema a resolver
“Entre ambos existe una relación de causalidad.”
Inteligencia Artificial 15
2.4 Analogías

16. Razonamiento unificado
• Visión unificada de los componentes básicos de un
sistema analógico.
• Problema tipo. Dada como entrada una situación
objetivo, da como resultado una representación
aumentada de la misma en la que consten las
inferencias analógicas obtenidas de una situación
base.
Inteligencia Artificial 16
2.4 Analogías

17. Inteligencia Artificial 17
2.4 Analogías

18. Recuperación Aprendizaje Mapeo Justificación Aprendizaje
Inteligencia Artificial 18
Fases
• Recuperación. Dada la situación objetivo, el sistema ha de ser capaz de
recuperar un caso base potencialmente análogo y poner en correspondencia
las partes correspondientes de ambas.
• Elaboración. Derivar atributos, relaciones o cadenas causales adicionales que
pueden ser utilizadas sobre la situación objetivo
• Mapeo. Mapear los atributos seleccionados sobre el objetivo con posibles
modificaciones
• Justificación. Justificar que los atributos son válidos
• Aprendizaje. Guardar la representación aumentada de la situación objetivo;
en la creación la reglas generales motivadas por la analogía o en el
refinamiento de las mismas a partir de más razonamientos sobre la misma o
diferentes situaciones base
2.4 Analogías

19. • El reconocimiento de abstracciones es un concepto muy
subjetivo dado que éstas son combinaciones de estados
mentales y eventos.
• Los Sistemas Inteligentes se basan fundamentalmente en
reglas ECA (Evento-Condición-Acción)
• Generalmente respondemos a estímulos (eventos), y en base
a ellos vemos cuales son importantes para nosotros y nos
comportamos de cierta manera.
• Para lo que a una persona le representa algo para otra
representa cosas totalmente distintas.
• La abstracción permite llegar a cierto tipo de conclusiones y
preguntas resueltas.
Inteligencia Artificial 19
2.5 Reconocimiento de abstracciones