clase inteligencia artificial unidad 3
TRANSCRIPT
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