Este documento presenta información sobre inteligencia artificial y razonamiento basado en casos. Explica conceptos como gestión del conocimiento, definiciones de razonamiento basado en casos, el ciclo de razonamiento basado en casos y procesos como recuperación y retención. También describe sistemas basados en reglas e incluye información sobre tipos de sistemas basados en conocimiento, elementos de sistemas basados en conocimiento como motores de inferencia, y métodos de razonamiento como encadenamiento hacia adelante y hacia atrás.
Este documento describe varias técnicas comunes de minería de datos como redes neuronales, árboles de decisión, algoritmos genéticos, clustering, aprendizaje automático, regresión lineal, reglas de inducción y modelos estadísticos. Estas técnicas se utilizan para descubrir patrones y relaciones en grandes conjuntos de datos a través de métodos predictivos, descriptivos y de verificación. La minería de datos permite entregar información prospectiva y proactiva con el soporte de recolección masiva de datos
Aplicación de aprendizaje automático en minería de datosmajitol
Esta presentación contiene información de la utilización de algoritmos como JRIP, RIDOR y J48 en minería de datos, específicamente en la predicción de la tendencia del uso de servicios excequiales de la funeraria "La Esperanza", con el fin de determinar si se implentan o no las características con mayor preferencia y si se crea una nueva sucursal, conclusiones que se presentan al final de esta presentación.
Este documento describe la minería de datos y sus procesos. La minería de datos se refiere a la extracción de conocimientos implícitos de grandes bases de datos mediante técnicas como la clasificación, la predicción y la segmentación. El proceso típico de minería de datos implica la selección y transformación de datos, la aplicación de técnicas de minería, la extracción de conocimientos y la interpretación de resultados.
Este documento describe varias metodologías para el análisis y diseño de sistemas. Incluye la metodología UML, la cual utiliza diagramas para modelar sistemas de software. También describe la metodología RAD de James Martin, la cual consta de 4 etapas: planificación de requisitos, diseño, construcción e implementación. Finalmente, resume la metodología de Jeffrey Whitten, la cual incluye 3 fases: identificación del problema, análisis del sistema actual y diseño o modelado.
El documento trata sobre la minería de datos. Explica que la minería de datos consiste en extraer información oculta de grandes conjuntos de datos mediante el análisis matemático para deducir patrones y tendencias. Describe las cinco etapas del proceso KDD de extracción de conocimiento: selección de datos, preprocesamiento, transformación, minería de datos e interpretación. Finalmente, resume algunas de las técnicas comunes de minería de datos como redes neuronales, árboles de decisión, modelos estadístic
El documento describe el sistema experto MYCIN, el cual usa reglas de producción para diagnosticar y recomendar tratamiento para infecciones bacterianas de la sangre. MYCIN utiliza alrededor de 200 reglas de producción con condicionales y conclusiones para representar el conocimiento de dominio y razonar sobre casos. Las reglas de producción permiten representar conocimiento de forma modular y son la base para los sistemas expertos basados en reglas.
Este documento presenta una introducción a la minería de datos. Explica que la minería de datos utiliza técnicas como la inteligencia artificial, el aprendizaje automático y la estadística para descubrir patrones en grandes conjuntos de datos. Luego describe las etapas típicas de un proyecto de minería de datos, incluida la determinación de objetivos, el preprocesamiento de datos y el análisis de resultados. Finalmente, explica algunas técnicas comunes como redes neuronales, árboles de decisión
El documento describe las principales técnicas de minería de datos, incluyendo aprendizaje supervisado y no supervisado, redes neuronales, árboles de decisión, algoritmos genéticos, clustering, predicción, análisis de enlaces, patrones secuenciales y Naive Bayes. Explica que estas técnicas crean modelos predictivos y descriptivos para extraer conocimiento e identificar patrones en grandes conjuntos de datos.
Este documento describe varias técnicas comunes de minería de datos como redes neuronales, árboles de decisión, algoritmos genéticos, clustering, aprendizaje automático, regresión lineal, reglas de inducción y modelos estadísticos. Estas técnicas se utilizan para descubrir patrones y relaciones en grandes conjuntos de datos a través de métodos predictivos, descriptivos y de verificación. La minería de datos permite entregar información prospectiva y proactiva con el soporte de recolección masiva de datos
Aplicación de aprendizaje automático en minería de datosmajitol
Esta presentación contiene información de la utilización de algoritmos como JRIP, RIDOR y J48 en minería de datos, específicamente en la predicción de la tendencia del uso de servicios excequiales de la funeraria "La Esperanza", con el fin de determinar si se implentan o no las características con mayor preferencia y si se crea una nueva sucursal, conclusiones que se presentan al final de esta presentación.
Este documento describe la minería de datos y sus procesos. La minería de datos se refiere a la extracción de conocimientos implícitos de grandes bases de datos mediante técnicas como la clasificación, la predicción y la segmentación. El proceso típico de minería de datos implica la selección y transformación de datos, la aplicación de técnicas de minería, la extracción de conocimientos y la interpretación de resultados.
Este documento describe varias metodologías para el análisis y diseño de sistemas. Incluye la metodología UML, la cual utiliza diagramas para modelar sistemas de software. También describe la metodología RAD de James Martin, la cual consta de 4 etapas: planificación de requisitos, diseño, construcción e implementación. Finalmente, resume la metodología de Jeffrey Whitten, la cual incluye 3 fases: identificación del problema, análisis del sistema actual y diseño o modelado.
El documento trata sobre la minería de datos. Explica que la minería de datos consiste en extraer información oculta de grandes conjuntos de datos mediante el análisis matemático para deducir patrones y tendencias. Describe las cinco etapas del proceso KDD de extracción de conocimiento: selección de datos, preprocesamiento, transformación, minería de datos e interpretación. Finalmente, resume algunas de las técnicas comunes de minería de datos como redes neuronales, árboles de decisión, modelos estadístic
El documento describe el sistema experto MYCIN, el cual usa reglas de producción para diagnosticar y recomendar tratamiento para infecciones bacterianas de la sangre. MYCIN utiliza alrededor de 200 reglas de producción con condicionales y conclusiones para representar el conocimiento de dominio y razonar sobre casos. Las reglas de producción permiten representar conocimiento de forma modular y son la base para los sistemas expertos basados en reglas.
Este documento presenta una introducción a la minería de datos. Explica que la minería de datos utiliza técnicas como la inteligencia artificial, el aprendizaje automático y la estadística para descubrir patrones en grandes conjuntos de datos. Luego describe las etapas típicas de un proyecto de minería de datos, incluida la determinación de objetivos, el preprocesamiento de datos y el análisis de resultados. Finalmente, explica algunas técnicas comunes como redes neuronales, árboles de decisión
El documento describe las principales técnicas de minería de datos, incluyendo aprendizaje supervisado y no supervisado, redes neuronales, árboles de decisión, algoritmos genéticos, clustering, predicción, análisis de enlaces, patrones secuenciales y Naive Bayes. Explica que estas técnicas crean modelos predictivos y descriptivos para extraer conocimiento e identificar patrones en grandes conjuntos de datos.
Este documento describe las herramientas y técnicas para determinar los requerimientos de sistemas. Explica que la determinación de requerimientos implica anticipar, investigar y especificar las necesidades de los usuarios a través de entrevistas, observaciones, encuestas y otras técnicas. También presenta preguntas elementales y ejemplos para comprender mejor los procesos de negocio y así identificar adecuadamente los requerimientos del sistema.
Las reglas de producción son un mecanismo popular para representar conocimiento en sistemas expertos. Son reglas del tipo "si-entonces" que examinan datos y solicitan más información hasta llegar a un diagnóstico. Su popularidad se debe a que han sido usados con éxito para construir sistemas expertos a pesar de que también tienen algunas desventajas como un crecimiento rápido en el número de reglas.
Este documento describe varias metodologías para el diseño de sistemas, incluyendo los pasos de las metodologías de Hall y Jenkins. También explica conceptos como sistemas duros, características de los sistemas duros, y aplicaciones de las interfaces de programación de aplicaciones.
Este documento describe varios métodos para la automatización y control de procesos industriales, incluyendo la lógica difusa, sistemas expertos, redes neuronales y razonamiento basado en casos. Explica cómo estos métodos pueden usarse para representar conocimiento impreciso, tomar decisiones, aprender patrones y reconfigurarse para apoyar al usuario.
Este documento describe la minería de datos como una técnica para extraer conocimiento y patrones de grandes conjuntos de datos. Explica que la minería de datos involucra etapas como la selección, preparación y análisis de datos, la aplicación de técnicas como redes neuronales, árboles de decisión y agrupamiento, y la interpretación de los resultados. Finalmente, discute ejemplos de cómo se usa la minería de datos en contextos como la detección de sospechosos por parte de la policía.
Este documento describe las reglas de producción, que son un método para representar conocimiento mediante reglas condicionales de la forma "si...entonces...". Explica que las reglas de producción se usan en sistemas expertos y lenguajes de programación, y que permiten modelar procesos inferenciales de forma similar a como funciona la memoria humana. También define conceptos como razonamiento progresivo y regresivo usando reglas de producción.
La minería de datos consiste en extraer información implícita de grandes conjuntos de datos. Se utilizan técnicas de inteligencia artificial y estadística para descubrir patrones en los datos que pueden predecir resultados o segmentar grupos. La minería de datos se aplica en diversos campos como negocios, fraude y comportamiento en internet para obtener conocimientos útiles.
La toma de decisiones es un proceso en el que uno escoge entre dos o más alternativas. La toma de decisiones en una organización se circunscribe a todo un colectivo de personas que están apoyando el mismo proyecto. Así que se debe empezar por hacer una selección de decisiones, y esta selección es una de las tareas de gran trascendencia en el trabajo del mando.
El documento describe las fases del proceso de adquisición de conocimiento para la construcción de sistemas basados en el conocimiento (SBC). Estas fases son: 1) identificación del problema, 2) conceptualización, 3) formalización, 4) implementación y 5) prueba. El objetivo es extraer el conocimiento de expertos humanos y representarlo de forma que pueda ser procesado por un sistema computacional.
Este documento presenta conceptos generales sobre análisis de sistemas. Introduce las definiciones de sistema e sistema de información, y lista los objetivos y metodología del análisis de sistemas. También incluye secciones sobre conceptos, ventajas, limitaciones y procedimientos relacionados con los sistemas de información.
El documento describe las fases del análisis de sistemas, incluyendo la inspección del proyecto, el estudio del sistema actual, y la definición de las necesidades de los usuarios. Explica que el análisis de sistemas estudia las aplicaciones de sistemas de información actuales para definir las necesidades y prioridades de los usuarios para mejorar el sistema. También cubre las herramientas y objetivos de cada fase del análisis de sistemas.
Este documento presenta una introducción a la teoría general de sistemas y su aplicación a la ingeniería industrial. Explica conceptos clave como sistemas duros y blandos, y presenta metodologías como las de Hall, Jenkins y Checkland para el análisis y diseño de sistemas. Además, describe propiedades y características generales de los sistemas, y el proceso de toma de decisiones en ingeniería usando un enfoque de sistemas.
Este documento compara y contrasta las bases de datos y las bases de conocimiento. Explica que las bases de datos almacenan grandes cantidades de datos de forma organizada, mientras que las bases de conocimiento almacenan información con un alto nivel de abstracción en forma de hechos y reglas que permiten extraer conocimiento implícito. También indica que las bases de conocimiento pueden analizar y explicar sus respuestas, a diferencia de las bases de datos que solo afirman o niegan los datos.
Este documento presenta una introducción a la investigación de operaciones. Explica brevemente la historia de la investigación de operaciones, desde sus orígenes en la revolución industrial hasta su aplicación durante las guerras mundiales y su desarrollo posterior. También resume los conceptos básicos de la investigación de operaciones, incluyendo la definición del problema, la construcción de modelos matemáticos y la metodología general.
Este documento presenta una introducción a los sistemas expertos. Explica que los sistemas expertos permiten que las máquinas razonen como lo haría un experto humano en un dominio de conocimiento específico. Luego describe brevemente la historia, componentes y aplicaciones de los sistemas expertos.
El documento describe el fracaso del sistema LAS-CAD (London Ambulance Service Computer-Aided Dispatch) que resultó en demoras en la atención de emergencias y algunas muertes. El sistema fue implementado sin pruebas adecuadas y el personal no fue capacitado, lo que generó fallas operacionales. El documento también presenta la metodología SSM para el análisis de sistemas, que incluye 7 etapas como examinar la situación, expresarla, seleccionar puntos de vista relevantes, construir modelos conceptuales y comparar
Este documento describe los sistemas de información de mercadotecnia (SIM). Explica que un SIM es un conjunto estructurado de personas, máquinas y procesos que generan información interna y externa para apoyar las decisiones de mercadotecnia. Luego describe las cuatro áreas principales de un SIM: el sistema de datos internos, el sistema de inteligencia de mercadotecnia, el sistema de investigación de mercados, y el sistema de apoyo a las decisiones de mercadotecnia.
Este documento presenta una introducción a los sistemas de información. Define datos e información, y explica que un sistema de información es un conjunto de componentes que recolectan, procesan, almacenan y distribuyen información para apoyar la toma de decisiones en una organización. También describe los objetivos básicos de los sistemas de información, sus tipos principales, y los requerimientos funcionales y no funcionales para el desarrollo de sistemas.
Este documento presenta una introducción al ciclo de vida del desarrollo de sistemas. Explica que el desarrollo de sistemas es el proceso cronológico mediante el cual los analistas, ingenieros, programadores y usuarios desarrollan sistemas de información. Luego describe las principales fases del ciclo de vida, incluyendo el análisis, diseño, desarrollo, pruebas, implementación y mantenimiento de sistemas. Finalmente, proporciona algunos principios esenciales para un desarrollo
El documento trata sobre la minería de datos y sus aplicaciones. Describe cómo se usa la minería de datos para deducir perfiles de comportamiento de clientes y proveedores, analizar el comportamiento de visitantes en internet, aplicarla en investigaciones antiterroristas, detectar fraudes, analizar hábitos de compra y más. También discute las disciplinas análogas como estadística e inteligencia artificial de las que se derivan técnicas como regresión, clustering y redes neuronales.
Este documento describe las herramientas y técnicas para determinar los requerimientos de sistemas. Explica que la determinación de requerimientos implica anticipar, investigar y especificar las necesidades de los usuarios a través de entrevistas, observaciones, encuestas y otras técnicas. También presenta preguntas elementales y ejemplos para comprender mejor los procesos de negocio y así identificar adecuadamente los requerimientos del sistema.
Las reglas de producción son un mecanismo popular para representar conocimiento en sistemas expertos. Son reglas del tipo "si-entonces" que examinan datos y solicitan más información hasta llegar a un diagnóstico. Su popularidad se debe a que han sido usados con éxito para construir sistemas expertos a pesar de que también tienen algunas desventajas como un crecimiento rápido en el número de reglas.
Este documento describe varias metodologías para el diseño de sistemas, incluyendo los pasos de las metodologías de Hall y Jenkins. También explica conceptos como sistemas duros, características de los sistemas duros, y aplicaciones de las interfaces de programación de aplicaciones.
Este documento describe varios métodos para la automatización y control de procesos industriales, incluyendo la lógica difusa, sistemas expertos, redes neuronales y razonamiento basado en casos. Explica cómo estos métodos pueden usarse para representar conocimiento impreciso, tomar decisiones, aprender patrones y reconfigurarse para apoyar al usuario.
Este documento describe la minería de datos como una técnica para extraer conocimiento y patrones de grandes conjuntos de datos. Explica que la minería de datos involucra etapas como la selección, preparación y análisis de datos, la aplicación de técnicas como redes neuronales, árboles de decisión y agrupamiento, y la interpretación de los resultados. Finalmente, discute ejemplos de cómo se usa la minería de datos en contextos como la detección de sospechosos por parte de la policía.
Este documento describe las reglas de producción, que son un método para representar conocimiento mediante reglas condicionales de la forma "si...entonces...". Explica que las reglas de producción se usan en sistemas expertos y lenguajes de programación, y que permiten modelar procesos inferenciales de forma similar a como funciona la memoria humana. También define conceptos como razonamiento progresivo y regresivo usando reglas de producción.
La minería de datos consiste en extraer información implícita de grandes conjuntos de datos. Se utilizan técnicas de inteligencia artificial y estadística para descubrir patrones en los datos que pueden predecir resultados o segmentar grupos. La minería de datos se aplica en diversos campos como negocios, fraude y comportamiento en internet para obtener conocimientos útiles.
La toma de decisiones es un proceso en el que uno escoge entre dos o más alternativas. La toma de decisiones en una organización se circunscribe a todo un colectivo de personas que están apoyando el mismo proyecto. Así que se debe empezar por hacer una selección de decisiones, y esta selección es una de las tareas de gran trascendencia en el trabajo del mando.
El documento describe las fases del proceso de adquisición de conocimiento para la construcción de sistemas basados en el conocimiento (SBC). Estas fases son: 1) identificación del problema, 2) conceptualización, 3) formalización, 4) implementación y 5) prueba. El objetivo es extraer el conocimiento de expertos humanos y representarlo de forma que pueda ser procesado por un sistema computacional.
Este documento presenta conceptos generales sobre análisis de sistemas. Introduce las definiciones de sistema e sistema de información, y lista los objetivos y metodología del análisis de sistemas. También incluye secciones sobre conceptos, ventajas, limitaciones y procedimientos relacionados con los sistemas de información.
El documento describe las fases del análisis de sistemas, incluyendo la inspección del proyecto, el estudio del sistema actual, y la definición de las necesidades de los usuarios. Explica que el análisis de sistemas estudia las aplicaciones de sistemas de información actuales para definir las necesidades y prioridades de los usuarios para mejorar el sistema. También cubre las herramientas y objetivos de cada fase del análisis de sistemas.
Este documento presenta una introducción a la teoría general de sistemas y su aplicación a la ingeniería industrial. Explica conceptos clave como sistemas duros y blandos, y presenta metodologías como las de Hall, Jenkins y Checkland para el análisis y diseño de sistemas. Además, describe propiedades y características generales de los sistemas, y el proceso de toma de decisiones en ingeniería usando un enfoque de sistemas.
Este documento compara y contrasta las bases de datos y las bases de conocimiento. Explica que las bases de datos almacenan grandes cantidades de datos de forma organizada, mientras que las bases de conocimiento almacenan información con un alto nivel de abstracción en forma de hechos y reglas que permiten extraer conocimiento implícito. También indica que las bases de conocimiento pueden analizar y explicar sus respuestas, a diferencia de las bases de datos que solo afirman o niegan los datos.
Este documento presenta una introducción a la investigación de operaciones. Explica brevemente la historia de la investigación de operaciones, desde sus orígenes en la revolución industrial hasta su aplicación durante las guerras mundiales y su desarrollo posterior. También resume los conceptos básicos de la investigación de operaciones, incluyendo la definición del problema, la construcción de modelos matemáticos y la metodología general.
Este documento presenta una introducción a los sistemas expertos. Explica que los sistemas expertos permiten que las máquinas razonen como lo haría un experto humano en un dominio de conocimiento específico. Luego describe brevemente la historia, componentes y aplicaciones de los sistemas expertos.
El documento describe el fracaso del sistema LAS-CAD (London Ambulance Service Computer-Aided Dispatch) que resultó en demoras en la atención de emergencias y algunas muertes. El sistema fue implementado sin pruebas adecuadas y el personal no fue capacitado, lo que generó fallas operacionales. El documento también presenta la metodología SSM para el análisis de sistemas, que incluye 7 etapas como examinar la situación, expresarla, seleccionar puntos de vista relevantes, construir modelos conceptuales y comparar
Este documento describe los sistemas de información de mercadotecnia (SIM). Explica que un SIM es un conjunto estructurado de personas, máquinas y procesos que generan información interna y externa para apoyar las decisiones de mercadotecnia. Luego describe las cuatro áreas principales de un SIM: el sistema de datos internos, el sistema de inteligencia de mercadotecnia, el sistema de investigación de mercados, y el sistema de apoyo a las decisiones de mercadotecnia.
Este documento presenta una introducción a los sistemas de información. Define datos e información, y explica que un sistema de información es un conjunto de componentes que recolectan, procesan, almacenan y distribuyen información para apoyar la toma de decisiones en una organización. También describe los objetivos básicos de los sistemas de información, sus tipos principales, y los requerimientos funcionales y no funcionales para el desarrollo de sistemas.
Este documento presenta una introducción al ciclo de vida del desarrollo de sistemas. Explica que el desarrollo de sistemas es el proceso cronológico mediante el cual los analistas, ingenieros, programadores y usuarios desarrollan sistemas de información. Luego describe las principales fases del ciclo de vida, incluyendo el análisis, diseño, desarrollo, pruebas, implementación y mantenimiento de sistemas. Finalmente, proporciona algunos principios esenciales para un desarrollo
El documento trata sobre la minería de datos y sus aplicaciones. Describe cómo se usa la minería de datos para deducir perfiles de comportamiento de clientes y proveedores, analizar el comportamiento de visitantes en internet, aplicarla en investigaciones antiterroristas, detectar fraudes, analizar hábitos de compra y más. También discute las disciplinas análogas como estadística e inteligencia artificial de las que se derivan técnicas como regresión, clustering y redes neuronales.
Equipo 4. Mezclado de Polímeros quimica de polimeros.pptxangiepalacios6170
Presentacion de mezclado de polimeros, de la materia de Quimica de Polímeros ultima unidad. Se describe la definición y los tipos de mezclado asi como los aditivos usados para mejorar las propiedades de las mezclas de polimeros
La energía radiante es una forma de energía que
se transmite en forma de ondas
electromagnéticas esta energía se propaga a
través del vacío y de ciertos medios materiales y
es fundamental en una variedad naturales y
tecnológicos
Metodología - Proyecto de ingeniería "Dispensador automático"cristiaansabi19
Esta presentación contiene la metodología del proyecto de la materia "Introducción a la ingeniería". Dicho proyecto es sobre un dispensador de medicamentos automáticos.
2. Sumario
•Gestión del conocimiento y la IA.
•Razonamiento basado en casos.
•Definiciones
•¿Cómo se vincula el RBC a la Inteligencia Artificial?
•Paradigma del Razonamiento Basado en Casos
•El Ciclo del RBC
•Procesos de Recuperación, Reutilización, Revisión y
Retención
•Sistemas basados en regla.
3. Conocimiento
• Según Savage (1991), los cuatro factores de creación de riqueza en
una economía han sido siempre la tierra, el trabajo, el capital y el
CONOCIMIENTO.
• La importancia relativa de cada uno de ellos ha ido variando en el
tiempo.
“La fuente principal de creación de ventajas
competitivas de una organización reside
fundamentalmente en sus conocimientos, lo
que se sabe, en cómo lo usa y en la
capacidad de aprender cosas nuevas”.
Prusak (1996)
4. Síntomas de las industrias exitosas
• El aumento del valor del conocimiento incorporado en la estructura de
los costos y los precios.
• El crecimiento exponencial de los depósitos de patentes y los litigios
sobre patentes.
• El acortamiento del tiempo de obsolescencia, que desplaza la
competitividad hacia la capacidad de innovación.
• El incremento de las transacciones económicas sobre activos
intangibles.
Se entiende por gestión del conocimiento al sistema que contempla los
principales procesos y actividades relacionados con la adquisición, presentación,
transferencia, utilización y eliminación de conocimientos.
5. Tecnología
•La tecnología no constituye un motor de la gestión del
conocimiento, sino un elemento facilitador, para el soporte
de la eficacia y eficiencia de una organización.
•Las tecnologías para la GC consideran en primer término a
las personas como portadores y creadores de conocimiento
y que establece el entorno favorable con respecto a la
estructura, cultura y estrategia de la organización.
6. Estrategias y herramientas
Como herramientas que dan apoyo a la GC dentro de las
empresas podemos diferenciar 3 grupos o conjuntos:
• Grupo 1-Herramientas de transmisión inmediata: permiten
transmitir el conocimiento explícito de forma fácil al
conjunto de miembros de una misma empresa. Las Wikis
son buen ejemplo de este tipo de herramientas.
• Grupo 2-Herramientas y servicios de gestión del
conocimiento interno: son aquellos componentes dentro de
una arquitectura que gestionan, analizan, buscan y
distribuyen información.
7. Estrategias y herramientas
• Grupo 3-Herramientas y servicios de gestión del
conocimiento externo. Su misión principal es la localización
y extracción de información relacionada con la empresa
pero que está en el exterior de ésta (principalmente en
Internet o en otros soportes más tradicionales de
contenidos) y que por lo tanto en algunas ocasiones la
empresa puede ser ajena a esta y no tener conocimiento
de su existencia.
8. Estrategias y herramientas
Las estrategias de gestión de conocimiento incluyen:
•Mapeo de Conocimiento
•Comunidades de Prácticas
•Directorio de Expertos
•Evaluación de acciones
•Transferencias de buenas prácticas
•Ferias de Conocimiento
•Gestión de Competencias
•Tecnologías Colaborativas
•Agentes de Conocimiento
•Software social (wikis, redes sociales, entre otros)
•OaS y Computación en Nube
9. SISTEMAS BASADOS EN CONOCIMIENTO
•Definición: Es un sistema que utiliza métodos y técnicas
de inteligencia artificial para codificar el conocimiento.
•Principales características:
1. Separación modular entre el conocimiento y el programa
que lo procesa.
2. Uso del conocimiento en un dominio específico.
3. Naturaleza heurística del conocimiento utilizado.
11. TIPOS DE SISTEMAS BASADOS EN EL CONOCIMIENTO
Tipo Forma de
representación del
conocimiento
Método de solución del problema Fuentes de
conocimiento
SBR Reglas de
producción
Usualmente búsqueda primero en
profundidad con dirección por objetivos o
por datos
Expertos,
publicaciones,
ejemplos
SBP Probabilidades o
frecuencias
Teorema de Bayes y otras técnicas de
inferencia estadística
Ejemplos
RNA Pesos y alguna otra
FRC
Cálculo de los niveles de activación de las
neuronas
Ejemplos
SBCa Casos Razonamiento basado en casos (búsqueda
por semejanza y adaptación de las
soluciones)
Ejemplos
12. Estructura de los Sistemas Basados en Conocimiento
Refleja la estructura
cognitiva y los procesos
humanos
MEMORIA DE LARGO PLAZO
13. MOTOR DE INFERENCIA
• Interpreta y evalúa los hechos en la base de conocimientos para
proveer una respuesta. Este debe ser independiente del conocimiento
y de los hechos.
15. SISTEMAS BASADOS EN REGLAS
Aplicación de reglas
Comparación de
resultados
Aplicación de nuevas reglas
basadas en la situación
modificada
La base de conocimientos
contiene el conjunto de
reglas que definen el
problema y el motor de
inferencia saca las
conclusiones aplicando la
lógica clásica a estas reglas.
16. BASE DE CONOCIMIENTOS. ELEMENTOS QUE
INTERVIENEN
LOS DATOS
Formados por la evidencia o los
hechos conocidos en una situación
particular. Este elemento es
dinámico, es decir, puede cambiar
de una aplicación a otra. Por esta
razón, no es de naturaleza
permanente y se almacena en la
MEMORIA DE TRABAJO.
EL CONOCIMIENTO
Se almacena en la base de conocimiento y
consiste en un conjunto de objetos y un
conjunto de reglas que gobiernan las
relaciones entre esos objetos.
Naturaleza permanente y estática, es decir,
no cambia de una aplicación a otra, a
menos que se incorporen al sistema
experto elementos de aprendizaje.
21. REGLA
• Forma de representar el conocimiento de manera natural
• si ANTECEDENTE entonces CONSECUENTE
• Normalmente no reflejan implicaciones lógicas sino las
convicciones de un experto
• Antecedente: conjunciones de atributos de un mismo
dominio
• Consecuente: atributos que pasarán a ser conocidos para el
sistema
• Pueden poseer un campo de prioridad que indica el grado de
relevancia de la regla para nuestro sistema.
22. •Es condición necesaria, pero no suficiente,
que se cumpla el antecedente de una regla
para poder dispararla.
REGLA
Dependerá de:
• La prioridad de la regla
• Del motor de inferencia
23. Inferencia en Sistemas de Reglas (I)
•Los sistemas basados en reglas usan el “modus
ponens”
Si A es un hecho cierto y la implicación A ⇒ B es
cierta, entonces se deriva que el hecho B es cierto
•Disparo o Ejecución: los atributos que forman el
consecuente pasan a ser conocidos (hechos) por
nuestro sistema
24. Inferencia en Sistemas de Reglas (II)
•Un proceso de resolución de un problema es obtener
una secuencia de inferencias de los datos iniciales al
objetivo:
•¡Una búsqueda!
•Usando técnicas de búsqueda + comparación de
patrones los sistemas basados en reglas automatizan
los métodos de razonamiento (cadenas de
inferencias)
25. Inferencia en Sistemas de Reglas (III)
• No es exactamente deducción lógica:
Acepta incertidumbre
No monotonía (un hecho derivado puede ser posteriormente
retractado)
• Dependencias reversibles/irreversibles
Si la información que se retracta ha sido utilizada para obtener
nuevas conclusiones:
R: “Si bombilla-encendida entonces habitación iluminada”
I: “Si bombilla-encendida entonces película-velada”
26. Sistema de predicción del tiempo en las próximas 12h
(verano)
• R1: Si temperatura ambiente por encima de 20º Entonces hace calor
• R2: Si humedad relativa mayor que 65% Entonces atmósfera esta húmeda
• R3: Si hace calor y atmósfera húmeda Entonces es probable que hayan
tormentas
Observación
R1: “ Si temperatura ambiente > 20ºC y humedad relativa >65% Entonces es
probable que haya tormentas”
Misma conclusión con pérdida de información (hace calor, atmósfera húmeda) que
puede ser útil a la hora de deducir nuevo conocimiento.
27. MOTOR DE INFERENCIA
•Permite obtener nuevo conocimiento a partir del
existente, para ello utiliza un proceso de
razonamiento.
•El proceso de razonamiento es una progresión
de un conjunto de datos de partida hacia una
solución o conclusión.
28. El proceso de razonamiento (I)
•Encadenamiento hacia delante (Forward chaining)
•Pocos datos y/o muchas posibles conclusiones
•Poco específico (dispara “todas” las reglas posibles)
•OPS5 (crea sistemas expertos)
•Encadenamiento hacia atrás (Backward chaining)
•Muchas información disponible, pero poca es relevante
(consulta de un médico)
•Más específico y generalmente más eficaz
•MICYN, PROLOG
29. El proceso de razonamiento (II)
Importante:
La dirección de encadenamiento no tiene nada que ver
con la dirección en que se ejecuta una regla. Siempre se
disparan “hacia delante” (se da por bueno o se ejecuta el
consecuente cuando se confirma el antecedente)
Cuando se habla de encadenamiento hacia atrás nos
referimos solamente al proceso de búsqueda y selección
de reglas.
30. Encadenamiento hacia delante (I)
•Método muy útil cuando los datos iniciales son pocos
y/o existen muchas posibles conclusiones
•Pasos a realizar
• Matching
• Resolución de conflictos
• Ejecución
31. Encadenamiento hacia delante (II)
• Matching: Búsqueda de las reglas para las que es cierto su
antecedente (reglas satisfechas)
• Resolución de conflictos: Selección, de entre las reglas satisfechas,
aquella que se va a ejecutar
• Criterios de selección (*estrategia de búsqueda*):
a) Mayor nº de premisas en el antecedente
b) Prioridad más alta
c) Búsqueda en profundidad
d) Búsqueda en anchura
• Ejecución: Se dispara la regla, por lo que ampliamos los datos
conocidos
35. Actividad independiente
Estudia el encadenamiento hacia atrás y compáralo
con el encadenamiento hacia delante. Comenta en
el blog de la asignatura.
36. Control del razonamiento
•¿Cómo seleccionar una regla cuando hay varias?
• El control del razonamiento es importante por tres motivos:
• Contenido de la inferencia
• Las reglas más específicas y las que tratan con excepciones deben
aplicarse antes que las generales
• Eficiencia: seleccionar la regla adecuada acelera alcanzar el
objetivo
• Diálogo
• El sistema no debe preguntar lo que puede deducir
• El orden de las preguntas debe seguir una línea de razonamiento clara
37. Control del razonamiento: Mecanismos sencillos
• Ordenar las reglas
• Poco elegante
• Difícil de mantener
• Sólo aplicable en sistemas simples en los que las reglas se almacenan en una lista que
se recorre cíclicamente
• Ordenar las premisas/conclusiones en cada regla
• Válido sólo en encadenamiento hacia atrás
• Colocar primero las que tienen más posibilidades de fallar
• Añadir nuevas premisas para controlar las reglas a aplicar en cada punto de
la inferencia
38. Control del razonamiento: Otros mecanismos
•Control de agendas
•Pila o cola de reglas que pueden ejecutarse
•El orden puede alterarse por prioridades
•Metarreglas
•Reglas para seleccionar las reglas
43. RBC
En la década del 80 surgió un nuevo paradigma de la IA, el RBC.
44. RAZONAMIENTO BASADO EN CASOS
• Es por un lado la forma en la cual la gente utiliza casos para
resolver problemas, y por otro, las formas con las que
podemos hacer que las máquinas los utilicen. (Kolodner–1993)
• Es una aproximación para resolución de problemas y
aprendizaje.
• Resuelve nuevos problemas adaptando soluciones utilizadas en
problemas anteriores. (Riesbeck&Shank–1989)
45. •Es la resolución de un problema nuevo recordando una
situación similar previa y reutilizando su información y
conocimiento.
•Gran cantidad de problemas resueltos por
los humanos se basa en la combinación de
conocimiento de fondo y de casos pasados.
RAZONAMIENTO BASADO EN CASOS
46. •El razonamiento es más un proceso de recorder y
modificar que de descomponer y recomponer.
•La segunda vez que se hace una tarea o un trabajo
es más fácil que la primera porque se recuerdan y
repiten soluciones previas.
•Los errors anteriormente cometidos son conocidos
y evitados.
•Memoria dinámica y ricamente indexada.
RAZONAMIENTO BASADO EN CASOS. CARACTERÍSTICAS GENERALES
47. •Adaptar y combiner viejas soluciones para resolver
problemas nuevos.
•Criticar nuevas soluciones basándose en casos
anteriores.
•Justificar nuevas soluciones.
RAZONAMIENTO BASADO EN CASOS. CARACTERÍSTICAS GENERALES
48. •Generar nuevas soluciones a partir de
soluciones o casos ya conocidos.
•Ayudar en la toma de decisión a partir de la
experiencia y conocimiento previo.
RAZONAMIENTO BASADO EN CASOS. OBJETIVOS GENERALES
49. •Nuevos problemas (casos) pueden ser
resueltos por adaptar soluciones de
problemas (casos) similares resueltos en el
pasado. (RiesbeckySchank,1989)
RAZONAMIENTO BASADO EN CASOS. PARADIGMA
51. RAZONAMIENTO BASADO EN CASOS. PRINCIPALES RETOS
¿Cómo se representa un caso?
¿Cómo se organizan y se indexan los casos
en la memoria?
¿Cómo se recuperan el (los) caso(s)
similar(es) de la memoria?
¿Cómo adaptar la solución del (los) caso(s)
recuperado(s)?
¿Cómo evaluar la nueva solución?
¿Cómo determinar si el nuevo caso debería
ser retenido en la memoria?
55. RAZONAMIENTO BASADO EN CASOS. RECUPERACIÓN
•Identificación de características: Determinar
los descriptores relevantes al problema.
•Match inicial: Set de candidatos plausibles, a
partir de los descriptores
•Selección: Elegir el mejor match entre los
candidatos plausibles.
56. RAZONAMIENTO BASADO EN CASOS. REUTILIZACIÓN
El mejor match recuperado sugiere la
solución al nuevo caso. El análisis se focaliza
en:
•Diferencias entre caso recuperado y el nuevo
caso.
•Porción de la solución que se puede
transferir.
Puede ser:
•Copia: Muy simple, se transfiere al nuevo
caso la solución sin modificaciones.
•Adaptación: Se transforma la solución para
transferirla.
57. RAZONAMIENTO BASADO EN CASOS. REVISIÓN
•Evaluación: En el mundo real.
•Reparación: Detección de errores y
reparación de la solución.
58. RAZONAMIENTO BASADO EN CASOS. RETENCIÓN
•Extracción: Se decide que
información corresponde
retener.
•Indexación: Qué tipo de
índices y cómo estructurar el
espacio de búsqueda.
•Integración: Incorporación a
memoria.
59. •Las estructuras de rasgos son conjuntos de pares
atributo-valor.
•Ejemplo: fiebre y sus valores
ESTRUCTURA DE UN CASO
60. Función de Semejanza
Donde wi es la importancia del rasgo, Pi y Ci son los
valores que el rasgo i tiene en el problema y en el
caso, respectivamente, y ∂ es la función de
comparación para el rasgo i.
61. SISTEMAS BASADOS EN CASOS. RESUMEN
Los sistemas de RBC han sido útiles en diferentes
dominios donde no es fácil formalizar el conocimiento.
Medir la similitud entre casos es clave en un sistema de
RBC.
Un sistema de RBC es una forma de almacenar
conocimiento (memoria corporativa) de manera
automática.
62. EJEMPLO Y EJERCICIO PRÁCTICO
Gestión del conocimiento/Etapas para la gestión del conocimiento a
partir de un sistema basado en conocimiento
Adquisición del
conocimiento
Representación
del
conocimiento
Procesamiento
del
conocimiento
Uso del
conocimiento
- Expertos
- Buenas prácticas
- Vocabulario del
esquema LOM
(LTSC 2002)
Casos SI-HOLMES
Manifiesto-
Metadato
63.
64. Actividad
Busque los elementos del esquema de metadatos
LOM y diseñe una base de casos que facilite la
descripción de recursos educativos.