Unidad III
“INTELIGENCIA ARTIFICIAL”
CARRERA:
Ingeniería en Sistemas Computacionales
FECHA DE ENTREGA
lunes, 25 de mayo de...
3.1. Sistemas basados en conocimiento.
Historia.
Surgen como una evolución de los paradigmas de
programación a lo largo de...
3.1.1. Concepto de conocimiento.
Los Sistemas basados en Conocimiento
representan un paso delante de los sistemas de
infor...
3.1.1. Concepto de conocimiento.
Su orientación es la automatización del análisis de
problemas, la búsqueda de soluciones,...
3.1.1. Concepto de conocimiento.
Algunas de estas propiedades se deben a la
separación entre:
• Conocimiento específico de...
3.1.1. Concepto de conocimiento.
3.1.2. Lenguajes utilizados en la
representación de conocimiento.
 Existen diversos formalismos para la representación de...
3.1.2. Lenguajes utilizados en la
representación de conocimiento.
Lenguajes Basados en Lógica Formal
Aporta un buen número...
3.1.2. Lenguajes utilizados en la
representación de conocimiento.
Lenguajes Basados en Frames o Marcos
Estos lenguajes son...
3.1.2. Lenguajes utilizados en la
representación de conocimiento.
Lenguajes Basados en Reglas
Estos lenguajes son fáciles ...
3.1.2. Lenguajes utilizados en la
representación de conocimiento.
Este tipo de lenguajes han recibido también un
fuerte im...
3.2. Mapas conceptuales.
Los mapas conceptuales son instrumentos
de representación del conocimiento sencillo y
práctico, q...
3.2. Mapas conceptuales.
Un mapa conceptual es una técnica sencilla
que permite representar el conocimiento de
forma gráfi...
3.3. Redes semánticas.
Una red semántica es un grafo, donde los
vértices representan conceptos y los arcos
representan rel...
3.3. Redes semánticas.
Ejemplo: represente mediante una red
semántica la frase “un gato es un animal”
3.3. Redes semánticas.
Y podría incluir otra frase, “Garfield es un
gato
3.3. Redes semánticas.
Las redes semánticas están basadas en la idea que los
objetos o los conceptos pueden ser unidos por...
3.4. Lógica de predicados.
Es una herramienta para estudiar el
comportamiento de un sistema lógico.
Además proporciona un ...
3.4. Lógica de predicados.
Proposiciones.
Representación en lenguaje cotidiano
que debe estar libre de vaguedades.
3.4. Lógica de predicados.
Conexiones lógicas y Términos de enlace.
Palabras de enlace que unen proposiciones
atómicas par...
3.4. Lógica de predicados.
Simbolización de proposiciones.
Uso de variables para representar proposiciones.
P = "Se cerró ...
3.4.1. Sintaxis.Elementos.
• Términos: Representan objetos del
dominio.
• Constantes: Representan un objeto
individual en ...
3.4.1. Sintaxis.
• Funciones: Representan (implícitamente) un
objeto individual que está relacionado con los n
objetos que...
3.4.1. Sintaxis.
• Variables: Representan objetos sin indicar
cuales.
• Predicados: Representan una propiedad de un
términ...
3.4.1. Sintaxis.
• Átomos: formulas bien formadas (f. b. f.)
compuestas por un único predicado
• Literales: Átomo o negaci...
3.4.2. Semántica.
Representamos un mundo donde hay:
• Un n° infinito de objetos individuales
representados por símbolos de...
3.4.2. Semántica.
• Un n° infinito de objetos de nidos en
función de otros objetos, representados
por símbolos de función....
3.4.2. Semántica.
Interpretaciones.
Una interpretación establece las relaciones
anteriores entre los símbolos de la lógica...
3.4.2. Semántica.
Dominio de una interpretación: Conjunto de objetos
del mundo que se manejan en una interpretación
Formal...
3.4.3. Validez.
• Un predicado con variables libres no es
verdadero ni falso, hasta que se asignen valores
para dichas var...
3.4.4. Inferencia.
Reglas de inferencia:
3.4.4. Inferencia.
3.5 Razonamiento con Incertidumbre.
En situaciones reales, no siempre es posible
contar con toda la información. Inclusive...
3.5 Razonamiento con Incertidumbre.
Diversos métodos han sido desarrollados para
evaluar los grados de certeza o de verdad...
3.5 Razonamiento con Incertidumbre.
Todos los mecanismos de representación de
conocimiento vistos están basados en lógica
...
3.5 Razonamiento con Incertidumbre.
Pero en las prácticas nos encontramos con
estos problemas:
• Representar el conocimien...
3.5 Razonamiento con Incertidumbre.
• Existen problemas en los que aún teniendo las
reglas para resolverlos no disponemos ...
3.5.1. Aprendizaje.
Máquina que aprende: Sistema organizado que
transforma un mensaje de entrada en uno de
salida, de acue...
3.5.1. Aprendizaje.
Aprendizaje animal: Cuando los organismos
se ajustan o adaptan al conjunto de
estímulos que provienen ...
3.5.1. Aprendizaje.
La Organización (o reorganización) de
la propia conducta (ante una situación o
un patrón de estímulos)...
3.5.1. Aprendizaje.
Todos los estímulos a los que un
individuo responde es un cierto contexto
pueden no ser efectivos para...
3.5.2. Razonamiento probabilístico.
La técnica más antigua y mejor definida para
manejar la incertidumbre es la Regla de
B...
3.5.2. Razonamiento probabilístico..
Las hipótesis son más o menos probables
dependiendo de las posibilidades de los hecho...
3.5.2. Razonamiento probabilístico..
Surgen de la insuficiencia explicativa de los
modelos normativos, que asumen que las ...
3.5.3. Lógicas Multivaluadas.
Se usa en matemáticas como procedimiento para
buscar modelos no estándar; esto es
esencialme...
3.5.4. Lógica Difusa.
También llamada lógica borrosa o heurística,
se basa en lo relativo de lo observado como
posición di...
3.6. Demostración y Métodos.
Métodos deductivos de demostración: el método
deductivo es un proceso que parte de un
conocim...
3.6. Demostración y Métodos.
Ejemplos:
“Todas las mexicanas son bellas”, (este es el
concepto general).
‘Luz Ortiz es mexi...
3.6. Demostración y Métodos.
En la lógica formal y sobre todo en el universo
matemático, el proceso deductivo tiene un
sig...
3.6. Demostración y Métodos.
Ejemplos de axiomas:
“El todo es mayor que la parte”
“Dos cosas iguales a una tercera son igu...
3.6. Demostración y Métodos.
El Método de resolución de Robinson.
Es un intento por mecanizar el proceso de
deducción natu...
3.6. Demostración y Métodos.
Para probar una sentencia nos basta con demostrar
que su negación nos lleva a una contradicci...
3.6. Demostración y Métodos.
Ejemplo: Solución:
Lloverá O habrá un examen. Lluvia = a , Examen = b, David es
Vader = c
Dav...
Fuentes Consultadas.
• Alejandro Peña Ayala, Sistemas basados en conocimiento: Una base
para su concepción y desarrollo, I...
Próxima SlideShare
Cargando en…5
×

3 . Representación del conocimiento y razonamiento

1.490 visualizaciones

Publicado el

Representación del conocimiento y razonamiento

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

Sin descargas
Visualizaciones
Visualizaciones totales
1.490
En SlideShare
0
De insertados
0
Número de insertados
26
Acciones
Compartido
0
Descargas
55
Comentarios
0
Recomendaciones
1
Insertados 0
No insertados

No hay notas en la diapositiva.

3 . Representación del conocimiento y razonamiento

  1. 1. Unidad III “INTELIGENCIA ARTIFICIAL” CARRERA: Ingeniería en Sistemas Computacionales FECHA DE ENTREGA lunes, 25 de mayo de 2015 PRESENTA: Chalate Jorge Humberto Gaspar Rufino M. del Rosario Hernández García Nidia M. Juárez Martínez Esmeralda Ortiz Andrés Erika 8° Semestre Grupo “A” S.E.P. D.G.E.S.T. S.N.E.S.T. INSTITUTO TECNOLÓGICO de Tuxtepec M.S.C. TOMÁS TORRES RAMÍREZ
  2. 2. 3.1. Sistemas basados en conocimiento. Historia. Surgen como una evolución de los paradigmas de programación a lo largo de la historia de la informática. En los primeros tiempos de la computación, los programas, ante una petición del usuario, típicamente producían una salida accediendo a datos almacenados en ficheros con formatos particulares de cada aplicación.
  3. 3. 3.1.1. Concepto de conocimiento. Los Sistemas basados en Conocimiento representan un paso delante de los sistemas de información convencionales al pretender representar funciones cognitivas del ser humano como el aprendizaje y el razonamiento.
  4. 4. 3.1.1. Concepto de conocimiento. Su orientación es la automatización del análisis de problemas, la búsqueda de soluciones, la toma de decisiones y el empleo de conocimiento especializado en un campo específico de aplicación.
  5. 5. 3.1.1. Concepto de conocimiento. Algunas de estas propiedades se deben a la separación entre: • Conocimiento específico del problema - Base de Conocimiento. • Metodología para solucionar el problema - Máquina de Inferencia.
  6. 6. 3.1.1. Concepto de conocimiento.
  7. 7. 3.1.2. Lenguajes utilizados en la representación de conocimiento.  Existen diversos formalismos para la representación del conocimiento, cada uno con sus propios lenguajes y cada uno con sus ventajas e inconvenientes.  En esto, al igual que en la Ingeniería del Software, no existe la técnica ideal que nos permita resolver cualquier problema de la mejor manera.  Dependerá del tipo de problema, del conocimiento que se quiera representar, de la expresividad que se necesite, y del uso que se le quiera dar, el que un formalismo y un lenguaje sea más conveniente que otro.
  8. 8. 3.1.2. Lenguajes utilizados en la representación de conocimiento. Lenguajes Basados en Lógica Formal Aporta un buen número de ventajas para la representación del conocimiento y su manejo, partiendo de una sintaxis y semántica bien definidas que detallan perfectamente la forma de construir sentencias y razonamientos sobre ellas.
  9. 9. 3.1.2. Lenguajes utilizados en la representación de conocimiento. Lenguajes Basados en Frames o Marcos Estos lenguajes son similares a los lenguajes de programación orientados a objetos, en el sentido de que modelan el conocimiento utilizando clases (frames), atributos, objetos y relaciones, y utilizan relaciones de generalización y especialización para representar la organización jerárquica de los conceptos. Uno de los posibles lenguajes basados en frames es KM.
  10. 10. 3.1.2. Lenguajes utilizados en la representación de conocimiento. Lenguajes Basados en Reglas Estos lenguajes son fáciles de entender debido a su sencillez conceptual y a su paralelismo con las estructuras de control más simples utilizadas en programación.
  11. 11. 3.1.2. Lenguajes utilizados en la representación de conocimiento. Este tipo de lenguajes han recibido también un fuerte impulso a partir de la aparición de la web semántica, ya que se piensa en ellos como herramientas para definir servicios web, y como herramienta base que permita definir la forma en la que pueden interactuar las aplicaciones de comercio electrónico.
  12. 12. 3.2. Mapas conceptuales. Los mapas conceptuales son instrumentos de representación del conocimiento sencillo y práctico, que permiten transmitir con claridad mensajes conceptuales complejos y facilitar tanto el aprendizaje como la enseñanza. Para mayor abundamiento, adoptan la forma de grafos.
  13. 13. 3.2. Mapas conceptuales. Un mapa conceptual es una técnica sencilla que permite representar el conocimiento de forma gráfica como redes conceptuales compuestas por nodos que representan los conceptos, y enlaces, que representan las relaciones entre los conceptos.
  14. 14. 3.3. Redes semánticas. Una red semántica es un grafo, donde los vértices representan conceptos y los arcos representan relaciones entre los conceptos. Las redes semánticas a nivel de ontología se utilizan para representar vocabulario que es esencialmente muy valioso para los seres humanos.
  15. 15. 3.3. Redes semánticas. Ejemplo: represente mediante una red semántica la frase “un gato es un animal”
  16. 16. 3.3. Redes semánticas. Y podría incluir otra frase, “Garfield es un gato
  17. 17. 3.3. Redes semánticas. Las redes semánticas están basadas en la idea que los objetos o los conceptos pueden ser unidos por alguna relación. Estas relaciones se representan usando una liga que conecte dos conceptos. Los nodos y las ligas pueden ser cualquier cosa, dependiendo de la situación a modelar.
  18. 18. 3.4. Lógica de predicados. Es una herramienta para estudiar el comportamiento de un sistema lógico. Además proporciona un criterio para determinar si un sistema lógico es absurdo o inconsistente. Sistema simbólico: Lenguaje y fórmulas lógicas
  19. 19. 3.4. Lógica de predicados. Proposiciones. Representación en lenguaje cotidiano que debe estar libre de vaguedades.
  20. 20. 3.4. Lógica de predicados. Conexiones lógicas y Términos de enlace. Palabras de enlace que unen proposiciones atómicas para formar proposiciones moleculares.
  21. 21. 3.4. Lógica de predicados. Simbolización de proposiciones. Uso de variables para representar proposiciones. P = "Se cerró el circuito" Q = "Operó la marcha" P & Q = "Se cerró el circuito y operó la marcha" ¬Q = "No operó la marcha“
  22. 22. 3.4.1. Sintaxis.Elementos. • Términos: Representan objetos del dominio. • Constantes: Representan un objeto individual en concreto notación: cadenas de caracteres, comienzan en mayúsculas notación: cadenas de caracteres, comienzan en mayúsculas Ejemplos: Juan; Mi coche;…
  23. 23. 3.4.1. Sintaxis. • Funciones: Representan (implícitamente) un objeto individual que está relacionado con los n objetos que participan en la función notación: símbolo de función (cadena, comienza con Mays.) con aridad n + n argumentos (términos) entre paréntesis Ejemplos: Padre de (Juan); Hijo de (Pedro; Ana); Coseno (45)…
  24. 24. 3.4.1. Sintaxis. • Variables: Representan objetos sin indicar cuales. • Predicados: Representan una propiedad de un término (si aridad 1) o relaciones entre k términos (si aridad k > 1) notación: cadenas de caracteres + k términos (variables, constantes, funciones) entre paréntesis.
  25. 25. 3.4.1. Sintaxis. • Átomos: formulas bien formadas (f. b. f.) compuestas por un único predicado • Literales: Átomo o negación de un átomo. Ejemplos: Asesina (Juan; x); Es_alto (Juan); Vive_con (Juan; Padre_de (Juan));…
  26. 26. 3.4.2. Semántica. Representamos un mundo donde hay: • Un n° infinito de objetos individuales representados por símbolos de constantes y variables. Pueden ser entidades concretas (personas, cosas) o abstractas(números, eventos).
  27. 27. 3.4.2. Semántica. • Un n° infinito de objetos de nidos en función de otros objetos, representados por símbolos de función. Relaciones entre los objetos del dominio, representadas por símbolos de predicado. Si la aridad es 1, se habla de propiedades de objetos.
  28. 28. 3.4.2. Semántica. Interpretaciones. Una interpretación establece las relaciones anteriores entre los símbolos de la lógica y los elementos del mundo real • asocia a las constantes objetos del mundo • asocia a las funciones relaciones funcionales entre objetos • asocia a los predicados relaciones entre objetos Más compleja que en lógica de proposiciones.
  29. 29. 3.4.2. Semántica. Dominio de una interpretación: Conjunto de objetos del mundo que se manejan en una interpretación Formalmente: Dada una conceptualización formada por: • U: universo de discurso (conj. de individuos/objetos) • R: conj. Finito de relaciones entre objetos de U • F: conj. Finito de funciones que asocian a 1 objetos de U con 1 o más objetos de U
  30. 30. 3.4.3. Validez. • Un predicado con variables libres no es verdadero ni falso, hasta que se asignen valores para dichas variables. • Algunos de ellos serán siempre verdaderos independientemente de los valores que se escojan: estos son predicados válidos. • Un predicado que es verdadero o falso dependiendo de los valores elegidos se dice que es satisfacible. • Un predicado que es siempre falso se dice que es no satisfacible.
  31. 31. 3.4.4. Inferencia. Reglas de inferencia:
  32. 32. 3.4.4. Inferencia.
  33. 33. 3.5 Razonamiento con Incertidumbre. En situaciones reales, no siempre es posible contar con toda la información. Inclusive la información disponible puede ser incorrecta, incompleta o cambiar muy rápidamente. Todo esto da lugar a diferentes formas de inconsistencias e incertidumbre.
  34. 34. 3.5 Razonamiento con Incertidumbre. Diversos métodos han sido desarrollados para evaluar los grados de certeza o de verdad de las conclusiones. Uno de los más generalizados consiste en asignar coeficiente de certeza o de confianza a los hechos que intervienen en las en las condiciones y en la conclusión de una regla.
  35. 35. 3.5 Razonamiento con Incertidumbre. Todos los mecanismos de representación de conocimiento vistos están basados en lógica bajo estos supuestos: • Todo hecho sobre el que razonemos debe ser evaluado como cierto o falso. • Para poder razonar necesitamos tener todos los hechos a nuestra disposición.
  36. 36. 3.5 Razonamiento con Incertidumbre. Pero en las prácticas nos encontramos con estos problemas: • Representar el conocimiento para cubrir todos los hechos que son relevantes para un problema es difícil. • Existen dominios en los que se desconocen todos los hechos necesarios para resolver el problema.
  37. 37. 3.5 Razonamiento con Incertidumbre. • Existen problemas en los que aún teniendo las reglas para resolverlos no disponemos de toda la información necesaria o no tenemos confianza absoluta en ellas. • En otros problemas las reglas no se aplican siempre o su confianza cambia con la confianza que tenemos en los hechos.
  38. 38. 3.5.1. Aprendizaje. Máquina que aprende: Sistema organizado que transforma un mensaje de entrada en uno de salida, de acuerdo con el principio de Transformación. Si tal principio está sujeto a cierto criterio de validez, el método de transformación se ajusta a fin de que tienda a mejorar el funcionamiento; se dice que el sistema aprende.
  39. 39. 3.5.1. Aprendizaje. Aprendizaje animal: Cuando los organismos se ajustan o adaptan al conjunto de estímulos que provienen del entorno; reciben la información y la almacena con el fin de reutilizarla en situaciones o patrones de estímulos semejantes.
  40. 40. 3.5.1. Aprendizaje. La Organización (o reorganización) de la propia conducta (ante una situación o un patrón de estímulos) como resultado de una experiencia individual.
  41. 41. 3.5.1. Aprendizaje. Todos los estímulos a los que un individuo responde es un cierto contexto pueden no ser efectivos para producir una conducta de aprendizaje en otros contextos.
  42. 42. 3.5.2. Razonamiento probabilístico. La técnica más antigua y mejor definida para manejar la incertidumbre es la Regla de Bayes, la misma que está basada en la teoría clásica de la probabilidad.
  43. 43. 3.5.2. Razonamiento probabilístico.. Las hipótesis son más o menos probables dependiendo de las posibilidades de los hechos o evidencias que las sostiene. Las probabilidades se calculan en base a la fórmula general de la probabilidad condicionada de Bayes o algunas transformaciones de la misma.
  44. 44. 3.5.2. Razonamiento probabilístico.. Surgen de la insuficiencia explicativa de los modelos normativos, que asumen que las personas asignan probabilidades de ocurrencia de un suceso basándose en su frecuencia relativa, o como asume la inferencia bayesiana, en las creencias y opiniones.
  45. 45. 3.5.3. Lógicas Multivaluadas. Se usa en matemáticas como procedimiento para buscar modelos no estándar; esto es esencialmente lo que hace para conseguir los modelos generales de Henkin para la lógica superior responsables de su teoría de completud.
  46. 46. 3.5.4. Lógica Difusa. También llamada lógica borrosa o heurística, se basa en lo relativo de lo observado como posición diferencial, este tipo de lógica toma dos valores aleatorios, pero contextualizados y referidos entre sí.
  47. 47. 3.6. Demostración y Métodos. Métodos deductivos de demostración: el método deductivo es un proceso que parte de un conocimiento general, y arriba a uno particular. La aplicación del método deductivo nos llevó a un conocimiento con grado de certeza absoluta y esta cimentado en preposiciones llamadas silogismos.
  48. 48. 3.6. Demostración y Métodos. Ejemplos: “Todas las mexicanas son bellas”, (este es el concepto general). ‘Luz Ortiz es mexicana’ luego: ‘Luz Ortiz es bella’
  49. 49. 3.6. Demostración y Métodos. En la lógica formal y sobre todo en el universo matemático, el proceso deductivo tiene un significado un poco diferente, pues esta basado en axiomas, o preposiciones que son verdades por definición.
  50. 50. 3.6. Demostración y Métodos. Ejemplos de axiomas: “El todo es mayor que la parte” “Dos cosas iguales a una tercera son iguales entre sí” Al conjunto de Hipótesis + Demostración + Conclusión se denomina Teorema.
  51. 51. 3.6. Demostración y Métodos. El Método de resolución de Robinson. Es un intento por mecanizar el proceso de deducción natural de esa forma eficiente. Las demostraciones se consiguen utilizando de esa forma el método refutativo (deducción al absurdo), es decir lo que intentamos es encontrar contradicciones.
  52. 52. 3.6. Demostración y Métodos. Para probar una sentencia nos basta con demostrar que su negación nos lleva a una contradicción con las sentencias conocidas (es insatisfactible). Si la negación de una sentencia entra en contradicción con los hechos de nuestra base de conocimiento es porque lo contrario, es decir, la sentencia original era verdadera y se puede deducir lógicamente de las sentencias que componen dicha base de conocimientos.
  53. 53. 3.6. Demostración y Métodos. Ejemplo: Solución: Lloverá O habrá un examen. Lluvia = a , Examen = b, David es Vader = c David es Darth Vader O no lloverá. Base de Conocimiento (todas son ciertas): a V b, c V ¬ a, ¬ c David no es Darth Vader. Por Resolución sabemos que b V c es cierta. Habrá un examen? Por Resolución sabemos que b V c es cierta.
  54. 54. Fuentes Consultadas. • Alejandro Peña Ayala, Sistemas basados en conocimiento: Una base para su concepción y desarrollo, Instituto Politécnico Nacional. • Dr. Wladimir Rodríguez, Postgrado en Computación, Inteligencia Artificial clase #6 Representación del conocimiento. • Francisco Jose Ribadas Pena, Informática, INTELIGENCIA ARTIFICIAL, Representación del Conocimiento, 13 de noviembre de 2009. • Wendy B. Rauch-Hindin, Aplicaciones de la Inteligencia Artificial en la actividad empresarial, la ciencia y la industria, ediciones Díaz de santos, 1989. Fuentes consultadas: http://www.rvazquez.org/Misitio/ia2010_files/unidad3ia.pdf http://iaplan2010.esy.es/unidad-3/3-2-mapas-conceptuales/ http://iaplan2010.esy.es/unidad-3/3-3-redes-semanticas/

×