Este documento resume conceptos clave de inteligencia artificial como la definición de IA, sistemas reactivos, redes neuronales y sistemas evolutivos. Explica que la IA busca desarrollar máquinas que puedan percibir, razonar, aprender, comunicarse y actuar como humanos. También describe brevemente cómo los sistemas reactivos solo reaccionan a estímulos presentes, cómo las redes neuronales pueden aprender de ejemplos, y cómo los sistemas evolutivos aprenden como los sistemas biológicos a trav

1. INTELIGENCIA ARTIFICIAL
ESTUDIANTE: MATOS COLCHADO SAMUEL
Link de la biblioteca virtual uladech: http://erp.uladech.edu.pe/bibliotecavirtual/?ejemplar=00000005383
UNA NUEVA SINTESIS
STANFORD UNIVERSITY

2. QUE ES LA I.A.
La Inteligencia Artificial (IA), en una definición amplia y un tanto circular, tiene por objeto
el estudio del comportamiento inteligente en las maquinas A su vez, el comportamiento
inteligente supone percibir, razonan, aprender" comunicarse y actuar en entornos
complejos. Una de las metas a largo plazo de la IA es el desarrollo de máquinas que
puedan haces roles estas coses igual, o quizá incluso mejor, que los humanos. Otra meta
de la IA es llegar a comprender este tipo de comportamiento, sea en las maquinas, en los
humanos o en otros animales. Por tanto, la IA persigue al mismo tiempo metas científicas
y metas de ingeniería. En este Libro nos dedicaremos principalmente a la IA como
ingeniería focalizando nuestra atención sobre los conceptos e ideas más importantes que
subyacen en el diseño de máquinas inteligentes.

3. SISTEMAS REACTIVOS
Si te pones a pensar durante un partido, te pierdes la jugada en la que estas inmerso. Para
pensar, ya tienes los entrenamientos de la semana. En esos momentos es cuando te tiene
que venir la
inspiración. Cuando estas en el partido, lo único que puedes nacer es reaccionar a lo que
ves.
Alben Lewis. defensa de los Oakland Raiders, citado por Sam Fmmet en cl San Jose

4. REDES NEURONALES
A lo largo de este libro analizaremos mecanismos que hacen que las maquinas aprendan.
En este capítulo veremos que los cálculos realizados por los sistemas E-R para la selección
de acciones pueden ser aprendidos si se expone el sistema a un conjunto de ejemplos.
Estos ejemplos consistirán en parejas formadas por un posible valor de las variables de
entrada junto con la acción que se debe tomar para dicho valor. Aunque se podrán usar
una gran variedad de estructuras computacionales, en este capítulo nos centraremos en cl
uso de redes dc ULU con pesos ajustables, En este caso el proceso de aprendizaje consistirá
en la modificaci6n sucesiva de dichos pesos hasta que la red responda adecuadamente a
las entradas que le son presentadas.
Como se dijo en el capítulo anterior, Una red de ULU recibe el Hombre de red neuronal~
debido a que, de alguna forma, las ULU sirven como modelo de algunas de las propiedades
que presentan las neuronas biológicas. Sin embargo, en este capítulo no especularemos
sobre las relaciones que puedan existir entre las redes neuronales y el funcionamiento del
cerebro. Únicamente consideraremos a las neuronales estrictamente como meros
dispositivos de ingeniería interesantes y útiles.

5. SISTEMAS EVOLUTIVOS
Los sistemas que hemos estudiado en el capitulo anterior, adaptan su comportamiento
aun conjunto de entrenamiento. Este tipo de aprendizaje se asemeja al que podemos
encontrar en sistemas biológicos. Sin embargo los sistemas biológicos también pueden
aprender por medio de la evolución, procesos mediante el cual las generaciones
descendientes se van adaptando mejor que sus progenitores. ¿podríamos utilizar un
proceso similar a la evolución para desarrollar programas? En este capitulo examinaremos
una serie de técnicas que se ajustan a este principio.