Instituto Tecnológico de Nuevo León.

UNIDAD 3: Representación del conocimiento

Equipo #:The Gamers 1/10/2014

Maestro: Enrique GarcíaCarrera: ISC

Integrantes: 4

Lucero..........…10480352

Karla ……….…10480616

Francisco..…...10480334

Miguel....……...10480061

3.5. Razonamiento con incertidumbre

Razonar con incertidumbre es el arte de representar y razonar con

resúmenes de excepciones. Compromiso entre seguridad en el razonamiento y eficiencia del

proceso.

Necesidad del razonamiento con incertidumbre:

En la vida real es necesario tomar

decisiones y en base a ello deducir nuevos

hechos a partir de esa información.

r-----------φ ¿verdadero

o falso?

El módelo ideal de

razonamiento humano o

no es el razonamient

o exacto.

A continuación se mencionan algunas de las características:

Parcial o incompleta. Incierta Imprecisa:

es cuando la información o

enunciado admite más de una

interpretación posible.

Conflictiva

Es probable que si la fiebre es muy alta haya una infección grave.

Si el numero de leucocitos es relativamente bajo, la infección sera será probablemente leve.

Tengo fiebre muy alta y el numero de leucocitos es muy elevado.

Tengo una infeccion graveφ

r φ ?

r

• a) Tengo fiebre muy alta y el numero de leucocitos es relativamente bajo?

a)• b) Tengo

fiebre bastante alta, y el numero de leucocitos es normal?

b)• c) Tengo 39

Ta y el numero de leucocitos es alto?

c)

Es probable que si la fiebre es muy alta haya una infección grave.

Si el numero de leucocitos es relativamente bajo, la infección sera probablemente leve.

Que podemos afirmar si...?

Fuentes de incertidumbre

Información disponible (hechos)-incompleta-Incierta-Errónea

Conocimiento (modelo) del dominio (relaciones)-Impreciso-Incompleto-Contradictorio

Representación del conocimiento/información:-Insuficiente poder descriptivo-No eficiente (excesivo costo computacional)

La incertidumbre es un concepto relativo enunciado información.No es posible determinar son seguridad su validez, verdadero o

falso.

Ejemplos de dominio con

incertidumbre:

Diagnóstico medico Predicción

financiera

Explotación minera/petro

lera

Reconocimiento del lenguaje

natural (hablado y escrito)

Supervisión/ control de procesos

industriales complejos.

Fuentes de incertidumbre en diagnóstico médico.

modelos de razonamiento con incertidumbre

No numéricos

(cualitativas)

- Razonamiento por defecto

- Sistemas de mantenimiento

de verdad- Teoría de las justificaciones

numéricos

-Teoría clásica de la probabilidad (Naive Bayes)-Probabilidades subjetivas (MYCIN Y PROSPECTOR)

-Modelo evidencial (Dempster-Shafer)-Redes bayesianas

Logia difusa

NECESIDAD DEL RAZONAMIENTO CON INCERTIDUMBRE

En que grado o medida, con que confianza podemos confirmar que el enunciado φ es cierto a partir de la información disponible r? Definir:

-como se representa con incertidumbre?

-como se propaga? (por las reglas)

-como se calcula? (combinación de evidencias separadas, diferentes lineas de razonamientoel formalismo de lógica clásica es insuficiente para representar y razonar con incertidumbre --> se necesitan métodos alternativos.

Tratamiento de la incertidumbre• La incertidumbre se puede medir o

ponderar.• -Asociación a los enunciados valores

numéricos que expresan el grado de confianza en la veracidad del enunciado.

• Lógica clásica: r-->φ ? Verdadero o falso

• Razonamiento con incertidumbre: -En que grado o medida r-->φ ? gr(φ )

• El tipo de gr(φ ) depende del tipo de incompletitud en la información.

Caso 1: Sistema de vigilancia con sensores heterogéneos

Caso 1 sistema vigilancia.

OBJETIVO: Determinar la identidad de los objetos que aparecen en la fábrica: Robots/Humanos.

OBJETIVO: Discriminar del sonido ambiente un llanto o balbuceo de un bebé, así como un sonido que pudiera significar que el bebé se ha movido y necesita asistencia.

• Tipo de sonido (frecuencia)• Intensidad (dB)• Duración de sonido

1. Sistema en reposo2. Emitir

Entrada Salida

Tipo de sonido imagen

Fuentes de incertidumbre:

*Existencia de sonido ambiental*Errores de medición del micrófono incorporado (distorsion de audio)

Intensidad db.

Fuentes de incertidumbre:

*Decidir los niveles de intensidad relevantes para cambiar el estado del sistema.

*Imprecisión debida a la distorsión de micrófono

Duracion segundos.

“La duración promedio de una vocal puede estar en un rango de 0.2 – 1 segundos”*Fuente de incertidumbre: *Decidir los valores de la duración relevantes para cambiar el estado del sistema.

Bibliografía:

http://www.giaa.inf.uc3m.es/docencia/ii/rincertidumbre/teoria/tema1-introduccion.pdf

3.5.1 Aprendizaje

El aprendizaje automático o aprendizaje de máquinas es una rama de la inteligencia artificial cuyo objetivo es desarrollar técnicas que permitan a las computadoras aprender.

De forma más concreta, se trata de crear programas capaces de generalizar comportamientos a partir de una información no estructurada suministrada en forma de ejemplos.

http://prek-8.com/games/puzzles/

El aprendizaje automático se centra más en el estudio de la complejidad computacional de los problemas. Puede ser visto como un intento de automatizar algunas partes del método científico mediante métodos matemáticos.

El aprendizaje automático tiene una amplia gama de aplicaciones, incluyendo motores de búsqueda, diagnósticos médicos, detección de fraude en el uso de tarjetas de crédito, análisis del mercado de valores, clasificación de secuencias de ADN, reconocimiento del habla y del lenguaje escrito, juegos y robótica.

Aprendizaje

El esquema de aprendizaje de las ANN es un esquema basado en ejemplos, para que la red “aprenda” estos ejemplos han de ser:

       Suficientes:

La red requiere de una serie de ciclos de aprendizaje (miles o centenas) para “aprender”, es decir, ajustar los pesos de sus

conexiones hasta lograr resultados óptimos.

Significativos y variados:

Las ANN tienen como característica principal su

capacidad de generalización y para ello requiere que sea

entrenada con una variedad de ejemplos.

Aprendizaje

El proceso de aprendizaje de una red consiste principalmente en dos pasos:

Se introducen los ejemplos en las entradas y se observan las salidas, mediante los diversos

algoritmos de aprendizaje

 A continuación se comprueba si se está cumpliendo el criterio de

convergencia. De ser así, se continua el proceso hasta

converger, y si no, se vuelve al primer paso y se vuelven a

introducir los ejemplos.

Interacción Hombre-Máquina

Algunos sistemas de Aprendizaje Automático intentan eliminar toda necesidad de intuición o conocimiento experto de los procesos de análisis de datos, mientras otros tratan de establecer un marco de colaboración entre el experto y la computadora.

De todas formas, la intuición humana no puede ser reemplazada en su totalidad, ya que el diseñador del sistema ha de especificar la forma de representación de los datos y los métodos de manipulación y caracterización de los mismos

Los diferentes algoritmos de Aprendizaje Automático se agrupan en una taxonomía en función de la salida de los mismos. Algunos tipos de algoritmos son:

Tipos de

Algoritmos

Aprendizaje Supervisad

o

Aprendizaje no

Supervisado

Aprendizaje semi-

supervisado

Aprendizaje por

esfuerzo

Aprendizaje

Multitarea

Aprendizaje Supervisado•El algoritmo produce una función que establece una correspondencia entre las entradas y las salidas deseadas del sistema. •Un ejemplo es el problema de clasificación, donde el sistema de aprendizaje trata de etiquetar (clasificar) una serie de vectores utilizando una entre varias categorías (clases). 

Aprendizaje No Supervisado•Todo el proceso de modelado se lleva a cabo sobre un conjunto de ejemplos formado tan sólo por entradas al sistema. • El sistema tiene que ser capaz de reconocer patrones para poder etiquetar las nuevas entradas.

Aprendizaje semisupervisado •Este tipo de algoritmos combinan los dos algoritmos anteriores para poder clasificar de manera adecuada. •Se tiene en cuenta los datos marcados y los no marcados.

Aprendizaje por refuerzo•El algoritmo aprende observando el mundo que le rodea.•Su información de entrada es de retroalimentación que obtiene del mundo exterior como respuesta a sus acciones. Por lo tanto, el sistema aprende a base de ensayo-error.

Aprendizaje multi-tarea •Métodos de aprendizaje que usan conocimiento previamente aprendido por el sistema de cara a enfrentarse a problemas parecidos a los ya vistos.

Aprendizaje supervisado

Es una técnica para deducir una función a partir de datos de entrenamiento. Los datos de entrenamiento consisten de pares de objetos (normalmente vectores): una componente del par son los datos de entrada y el otro, los resultados deseados

Por ejemplo, aprender a reconocer la escritura

Aprendizaje supervisado

El objetivo del aprendizaje supervisado es el de crear una función capaz de predecir el valor correspondiente a cualquier objeto de entrada válida después de haber visto una serie de ejemplos, los datos de entrenamiento

Aprendizaje no supervisado

Es un método de Aprendizaje Automático donde un modelo es ajustado a las observaciones. Se distingue del Aprendizaje supervisado por el hecho de que no hay un conocimiento a priori. En el aprendizaje no supervisado, un conjunto de datos de objetos de entrada es tratado.

Un claro ejemplo de sistema con aprendizaje no supervisado lo constituyen los sistemas topográficos

Aprendizaje no supervisado

El aprendizaje no supervisado típicamente trata los objetos de entrada como un conjunto de variables aleatorias, siendo construido un modelo de densidad para el conjunto de datos.

Aprendizaje por refuerzo

En el aprendizaje por refuerzo se utilizan datos de entrada con información sobre sus salidas pero, a diferencia del supervisado, no se tiene información acerca del error cometido, de modo que simplemente se ha de determinar si una salida dada por la ANN es buena o no comparándola con la deseada, hasta que las salidas de la ANN sean prácticamente iguales a las del ejemplo.

Bibliografía Aprendizaje

http://es.wikipedia.org/wiki/Aprendizaje_autom%C3%A1tico