1. FACULTAD DE INGENIERA DE SISTEMAS Y ELECTRONICA
Ciclo. 2014-1.
Prof. Ing. José C. Benítez P.
WOI9 INTELIGENCIA ARTIFICIAL
1ER. BALOTARIO PARA LA PRIMERA PRÁCTICA
1. Introducción a la IA y a las RNA. Responder en forma clara y precisa.
a. Enuncie dos conceptos de Inteligencia Artificial.
b. ¿Cuál es el objetivo de la IA?
c. ¿Para qué sirve el Test de Touring?
d. ¿Cuáles son las condiciones del test de
Touring?
e. ¿Qué es un agente?.
f. Escriba dos características de la IA
convencional.
g. Escriba dos características de la IA
computacional.
h. Escriba 10 aplicaciones de la IA.
i. Dibuje una RNB e indique sus partes.
j. Dibuje una RNA e indique sus partes.
k. ¿Cuántas neuronas (células nerviosas) hay en
nuestro cerebro aproximadamente?.
l. Justifique porque en un punto de una letra “i”
hay 50 neuronas.
m. ¿Cuánto pesa un cerebro de un recién nacido y
un adulto?
n. ¿A partir de qué edad va perdiendo peso del
cerebro y a que razón?
o. ¿Cuáles son las funciones que representan a
una RNA’. Explique cada una de ellas.
p. Haga un cuadro sinóptico con la clasificación
de las RNA según el patrón de conexión. Dar
ejemplos de cada uno.
q. Haga un cuadro sinóptico con la clasificación
de las RNA según el tipo de aprendizaje. Dar
ejemplos de cada uno.
r. Haga un cuadro sinóptico con la clasificación
de las RNA según el tipo de señal de entrada.
Dar ejemplos de cada uno.
2. Redes Neuronales Artificiales.
a. Graficar los patrones de aprendizaje de las funciones lógicas. Verificar si son linealmente separables.
OR
XOR
CONDICIONAL
LA BICONDICIONAL
~(A B) ∧ (A v C)
b. Graficar el siguiente patrón de aprendizaje. Verificar si son linealmente separables.
X1 X2 D
-0.4 -1.0 -1
0.8 1.0 1
1.0 0.5 1
-1.0 -0.5 -1
-1.0 -1.0 -1
0.5 1.0 1
c. Graficar el siguiente patrón de aprendizaje. Verificar si son linealmente separables.
X1 X2 D1 D2
-0.6 -1.0 0 1
0.9 1.0 1 1
1.0 0.5 1 0
-0.8 -0.5 0 0
-1.0 -1.0 0 1
0.5 1.0 1 1
d. Graficar el patrón de aprendizaje de: X1 = [-0.2 1.0 0.4 -1.0 -1.0 0.5] , X2 = [ 1.0 0.8 0.2 -0.4 -0.3 1.0 ]
D1 = [1 1 1 -1 – 1 -1], D2 = [1 1 -1 -1 1 1]

2. 3. RNA Perceptron monocapa (SLP Single Layer Perceptron). Responder forma clara y precisa.
a. Que es una red Perceptron?.
b. Describa las características de un Perceptron.
c. Describir el algoritmo de entrenamiento del Peceptron.
d. Represente una red Perceptron con sus 5 capas procesadoras. Cuáles son las capas del red
Perceptron?.
e. Dibuje una red Perceptron de una capa y una multicapa, y explique sus características.
f. Represente la red Perceptron:
o La RNA tiene 11 neuronas y 08 UPs.
o Tres CPs,
o En la capa oculta hay 05 ups.
o La primera CP tiene una UP más que la segunda.
o Escriba sus matrices representativas
g. Las redes Perceptron tienen las entradas, los pesos y las bias dadas. Hallar las salidas.
i. fT = hardlims, pi = [-2 2; 2 1; 2 -1] wij = [1 1 -1; 2 -1 -2; -1 2 -1] b1=2, b2=1 y b3=-1
ii. fT = hardlim, pi = [1 1;-1 2; 2 1; 2 -1] wij = [1 -1;-1 1; -2 2;-1 1] b1=2 y b2=-1
Nota: Wij es el peso de la entrada i hacia la UP j.
h. Porque la red Perceptron de la función AND aprende?. Justifique su respuesta con un análisis gráfico.
Porque la red Perceptron de la función XOR no aprende?. Justifique su respuesta con un análisis
gráfico.
i. Entrenar las redes Perceptron. Hallar Wij es el peso de la entrada i hacia la UP j. ¿Aprende la RNA?
Considerar:
i. fT = hardlims pi=[-1 1; -1 1;2 -2] Oij=[1 1; 0 1; 1 1]
ii. fT = hardlim pi = [1 1; -1 1; 2 2; 1 -1] Oij = [1 1; 1 0; 0 1; 0 1]
j. Entrenar la SLP con el siguiente patrón de aprendizaje. Si no es entrenable modificar para que sea
entrenable.
X1 X2 D
-0.4 -1.0 -1
0.8 1.0 1
1.0 0.5 1
-0.8 -0.5 -1
-0.4 -1.0 -1
0.5 1.0 1
k. Entrenar la SLP con el siguiente patrón de aprendizaje. Si no es entrenable modificar para que sea
entrenable.
X1 X2 D1 D2
-0.2 -0.5 0 1
1.0 1.0 1 1
0.8 0.5 1 0
-0.6 -0.5 0 0
-1.0 -1.0 0 1
0.4 1.0 1 1
*UTP/FISE/IA/ /JCBP/09/05/14