Subido por JAVIER MONDRAGON

Sistemas Inteligentes CFEL

Anuncio
Instituto de Educación Superior Rosario Castellanos
Licenciatura en Tecnologías de Información y Comunicación
Guía de Estudio Examen Final
Sistemas Inteligentes
LAIT201
6to Semestre
Docente: Ing. Christian Francisco Enríquez Lozano
Presentación de la guía
El propósito de esta guía es proveer de una herramienta esencial que le permita al
estudiante de la asignatura de Sistemas Inteligentes realizar una recapitulación de
los temas abordados a lo largo de la asignatura y programar su proceso de
aprendizaje para dimensionar en qué temas deberá poner atención para su examen
final.
Se abordan los puntos de importancia analizados en cada una de las unidades
temáticas del curso en la verificación de los aspectos relacionados a la generación
de soluciones informáticas utilizando un lenguaje de programación conociendo el
proceso de transformación de un lenguaje de alto nivel a un lenguaje entendible por
la computadora. Respecto al lenguaje de programación se analizaron los
componentes y estructuras para la generación de un programa informático.
Objetivos de la asignatura
Conocer los conceptos relacionados a los sistemas inteligentes y sus avances
relacionados a la inteligencia artificial.
Temas por unidad
Unidad no 1
Identificación de requerimientos
Planeación
Diseño del sistema lógico
Pruebas
Evaluación del usuario
Unidad no 2
Sistema de Búsqueda
La búsqueda Heurística y sus propiedades
Ejemplos de funciones heurísticas
El problema del agente viajero
Algoritmos Genéticos
Aplicación de los algoritmos genéticos
Unidad no 3
Metodología de Jackson de eliminación Gaussiana
Metodología de Warnier
Metodología de Yourdon
Unidad no 4
Introducción al aprendizaje automático
Redes neuronales
Árboles de decisión
Estrategias de estudio
Estimado estudiante de la materia, te recomiendo de manera previa a la
presentación del examen final de la materia analizar la presente guía y realizar un
esquema del contenido de cada una de las unidades de la materia, en el esquema
puedes aportar conceptos de importancia relacionados al tema de la unidad.
Una vez preparado te invito a realizar el examen final de la materia el cual tiene un
límite de 1 hora en su realización por lo que te invito a tomar el tiempo y atención
adecuadas para su presentación, es importante comentar que se cuentan con dos
intentos en esta actividad.
Unidad no 1
La Inteligencia Artificial (IA) es una de las ramas de las ciencias de la computación
que más interés ha despertado en la actualidad, debido a su enorme campo de
aplicación. La búsqueda de mecanismos que nos ayuden a comprender la
inteligencia y realizar modelos y simulaciones de estos, es algo que ha motivado a
muchos científicos a elegir esta área de investigación.
En los años 50 cuando se logra realizar un sistema que tuvo cierto éxito, se llamó
el Perceptrón de Rossenblatt. Este era un sistema visual de reconocimiento de
patrones en el cual se aunaron esfuerzos para que se pudieran resolver una gama
amplia de problemas, pero estas energías se diluyeron enseguida.
Aproximadamente en ese tiempo, el matemático inglés Alan Turing (1912-1954)
propuso una prueba con la finalidad de demostrar la existencia de “inteligencia” en
un dispositivo no biológico. Esta prueba conocida como “test de Turing” se
fundamenta en la hipótesis de, si una máquina se comporta en todos aspectos como
inteligente, entonces debe ser inteligente (Alan Turing, 1950). Como consecuencia
de esta prueba, muchos de los esfuerzos de los investigadores en ese tiempo, se
enfocaron en la redacción de sistemas de inteligencia artificial lingüísticos, lo que
marcó el nacimiento de los conocidos como “chatbots” (robots de plática). A pesar
de que ya se había realizado una investigación sobre el diseño y las capacidades
de las entidades no biológicas, el trabajo de Alan Turing de 1950 concentró el interés
de la comunidad científica en el desarrollo de las “máquinas inteligentes”. Dos de
las contribuciones más importantes de Alan Turing son el diseño de la primera
computadora capaz de jugar al ajedrez y el establecimiento de la naturaleza
simbólica de la computación (ITAM, 1987).
El primer sistema experto o inteligente fue el denominado Dendral, un intérprete de
espectrograma de masa construido en 1967, pero el más influyente resultaría ser el
Mycin de 1974.
La representación del conocimiento experto es una de las tareas más difíciles en
la construcción de un sistema basado en el conocimiento, sin embargo, de forma
creciente se han incorporado sistemas y procesos informáticos en su diario vivir
con el fin de tener una mejor calidad de vida.
Existe una clasificación de los modelos de inteligencia Artificial que se basa en el
objetivo y la forma en que trabaja el sistema, esta clasificación de manera inicial
se veía como clases independientes, sin embargo, en la actualidad los sistemas
mezclan características de ellas. (LATIn, 2014).
Sistemas que piensan como humanos
Sistemas que actúan como humanos
Sistemas que piensan racionalmente
Sistemas actuantes racionales
La prueba de Turing (Alan Turing ,1950) intenta ofrecer una definición de
Inteligencia Artificial que se pueda evaluar. Para que un ser o máquina se considere
inteligente debe lograr engañar a un evaluador de que este ser o máquina se trata
de un humano evaluando todas las actividades de tipo cognoscitivo que puede
realizar el ser humano. Si el diálogo que ocurra y el número de errores en la solución
dada se acerca al número de errores ocurridos en la comunicación con un ser
humano, se podrá estimar -según Turing- que estamos ante una máquina
“inteligente”.
Conceptos de Sistemas Inteligentes
La rama de la computación “machine learning”, trata de crear programas capaces
de generalizar comportamientos a partir de una información no estructurada
suministrada en forma de ejemplos, promoviendo de esta forma un proceso de
creación de conocimiento. Los algoritmos que se utilizan en el machine learning, así
como los enfoques para su resolución, son muy variados: modelos estadísticos,
teoría de la decisión, redes neuronales, etc.
Debido al enorme éxito que tuvieron los sistemas expertos en la década de los 80’s,
empezaron a surgir desarrollos conocidos como shells.
Un Shell es una pieza de software que provee una interfaz para los usuarios. Un sistema
experto posee entre sus componentes las dos herramientas siguientes:


Base de conocimientos: El conocimiento relacionado con un problema o fenómeno
se codifica según una notación específica que incluye reglas, predicados, redes
semánticas y objetos.
Motor de inferencia: es el mecanismo que combina los hechos y las preguntas
particulares, utilizando la base de conocimiento, seleccionando los datos y pasos
apropiados para presentar los resultados.
Un Shell es un “sistema experto” que posee una base de conocimientos vacía, pero
acompañada de las herramientas necesarias para proveer la base de conocimiento sobre
el dominio del discurso de una aplicación específica. Un Shell provee también al ingeniero
del conocimiento (encargado de recabar la base de conocimientos) de una herramienta que
trae integrado algún mecanismo de representación del conocimiento, un mecanismo de
inferencia, elementos que faciliten la explicación del procedimiento o decisión tomados por
el sistema experto (componente explicativo) e incluso, algunas veces, proveen una interfaz
de usuario.
Importancia de los sistemas Inteligente
El desarrollo de la inteligencia artificial (IA) es un tema ampliamente debatido a lo largo de
las últimas décadas. La intención última es la creación y diseño de entidades capaces de
tomar decisiones por sí mismas utilizando como paradigma la inteligencia humana.
El enfoque computacional de la inteligencia artificial se fundamenta en la creación de
sistemas expertos con gran capacidad de cálculo, aspecto en el que son claramente
imbatibles al encontrarse en un orden de desempeño muy superior al de cualquier humano.
Esto ha hecho que, en ciertos ámbitos, en aquellos en los que el entorno está bien definido
y las reglas de operación se pueden implementar de una forma lógica, como en el juego del
ajedrez, los resultados sean espectaculares.
Aplicación de los sistemas inteligentes
Reconocimiento de patrones, es una de las técnicas fundamentales de cualquier sistema
machine learning es el reconocimiento de patrones, que aún es un punto débil en cualquier
sistema inteligente. Sin embargo, en los últimos años se ha producido una mejora
importante en este tipo de tecnologías y en su comercialización; un ejemplo son los
sistemas automáticos de identificación de caras en una foto o los sistemas de atención
telefónica automáticos. En el caso del reconocimiento de caras, empresas como Google,
Facebook o Apple ya lo incluyen en sus servicios al público. No obstante, el problema
fundamental se encuentra en la identificación de patrones más complejos como los de
comportamiento, o en entender una conversación en lenguaje natural, lo que se llama NLP
(Natural Language Processing). En el primer caso, los sistemas de Big Data como Smart
Steps ofrecen una aproximación que está dando buenos resultados; en el segundo existen
gran cantidad de empresas que se han especializado en ese tipo de servicios, como
Lexalytics , que permite analizar textos de la nube y obtener información, como, por ejemplo,
análisis de sentimientos, o Palantir , que permite analizar tuits
Automatización del trabajo en el sector primario: La automatización del trabajo en el sector
primario ha estado históricamente centrada en la sustitución de actividades manuales muy
fatigosas para los trabajadores (arar, cosechar, etc.). Sin embargo, esta automatización
está alcanzando a tareas en las que la inteligencia humana dirige la toma de decisiones,
como evaluar las condiciones para la siembra o alimentar a los animales y controlarlos
sanitariamente.
Aplicaciones en las tecnologías de la información: Detrás de la mayoría de los servicios se
encuentra el despliegue de tecnologías de comunicaciones que permiten la conexión
permanente, sin embargo, nos centraremos en tecnologías de servicio para el usuario,
destacando la computación en la nube, el Internet de las cosas, los ambientes inteligentes
y el Big Data.
Big Data. La generación de cantidades grandes de información; cantidades que no se
pueden analizar utilizando los enfoques clásicos. Con el nombre de Big Data se encuadran
aquellas técnicas que permiten analizar en tiempo real gran cantidad de datos estructurados
y desestructurados que proceden de fuentes de muy diverso tipo. Estas tecnologías
permiten obtener un valor de la gran cantidad de datos que se están generando
continuamente en una sociedad cada vez más informatizada. Su aplicación es de lo más
variada: conocer mejor a los clientes para poder ofrecerles un mejor servicio, contrastar
datos que permitan conseguir avances en el conocimiento científico, encontrar fuentes de
ineficiencias en los entornos fabriles, etc. Cualquiera de estos usos tiene un impacto
económico importante, por ejemplo, se estima que la utilización del Big Data en el entorno
fabril de Europa podría sumar 2,2 billones de euros al PIB europeo en 2030.
Unidad no 2
Debido a que la búsqueda es el núcleo de muchos procesos inteligentes, es adecuado
estructurar los programas de IA de forma que se facilite describir y desarrollar el proceso
de búsqueda. Los sistemas de producción proporcionan tales estructuras.
Un sistema de producción consiste en:
·
Un conjunto de reglas.
·
Una o más bases de datos/conocimiento.
·
Una estrategia de control que especifique el orden en el que las reglas se comparan
con la base de datos, y la forma de resolver los conflictos que surjan cuando varias reglas
puedan ser aplicadas a la vez.
·
Un aplicador de reglas.
El proceso de solución del problema puede modelarse como un sistema de producción. El
problema que se plantea es escoger la estructura de control apropiada para el sistema de
producción (base de datos, hechos, conocimiento o información sobre el problema, conjunto
de reglas o aplicado) con el fin de que el proceso de búsqueda sea lo más eficiente posible.
Búsqueda
La búsqueda en inteligencia pretende resolver los problemas o tareas complejas a través
de algoritmos que garanticen la solución del problema o tarea. Los sistemas o las técnicas
de búsqueda son una serie de esquemas de representación del conocimiento, que
mediante diversos algoritmos nos permite resolver problemas desde el punto de vista de
lA.
Búsqueda sin información del dominio
También se denominan técnicas de búsqueda ciega, porque realizan una búsqueda
sistemática y objetiva (en el sentido de que el control del proceso no depende del problema
concreto que se esté́ resolviendo).
Por el contrario, las técnicas de búsqueda heurística realizan una búsqueda informada e
intentan optimizar dicho proceso eligiendo los caminos que a priori van a suponer un menor
coste.
Búsqueda en amplitud
Es aquella estrategia de control en la que se revisan todas las trayectorias de una
determinada longitud antes de crear una trayectoria más larga. Es decir, no se genera
ningún nodo de nivel N hasta que no se hayan obtenido todos los del nivel N-1.
Búsqueda en profundidad
Es aquel procedimiento de control en el que se centra en expandir un único camino desde
la raíz. En el caso de llegar a un callejón sin salida se retrocede hasta el nodo más cercano
desde donde se puede tomar una ruta alternativa para poder seguir avanzando.
Búsqueda con retroceso
Es una técnica que a diferencia de los algoritmos en amplitud y en profundidad (que
consideran todos los sucesores) solamente expande un sucesor en cada iteración,
restringiendo por lo tanto el espacio de estados considerado.
Cuanto mejor sea el criterio para limitar el número de estados considerados más eficiente
será́ el proceso de búsqueda.
Es decir, es como el recorrido en profundidad, pero nos ahorramos tener que expandir todos
los nodos para obtener sus sucesores. El camino sigue avanzando por ese sucesor, y si
nos encontramos con un callejón sin salido retrocedemos hasta el primer antepasado desde
el que todavía partan caminos inexplorados.
Búsqueda Heurística
Las técnicas de búsqueda heurística disponen de alguna información sobre la proximidad
de cada estado a un estado objetivo, lo que permite explorar en primer lugar los caminos
más prometedores.
Las características de las técnicas heurísticas:
·
No garantizan que se encuentre una solución, aunque existan soluciones
·
Si encuentran una solución, no se asegura que esta tenga las mejor esas
propiedades (que sea de longitud mínima o de coste optimo).
La función heurística puede tener dos interpretaciones. Por una parte, la función puede ser
una estimación de lo próximo que se encuentra el estado de un estado objetivo. Bajo esta
perspectiva, los estados de menor valor heurístico son los preferidos. Pero en otros casos
puede suceder que lo que convenga sea maximizar esa función.
Algoritmos genéticos
Los algoritmos genéticos pertenecen a la computación evolutiva, son considerados también
una técnica de inteligencia artificial. A través de millones de años, los organismos han
evolucionado biológicamente para sobrevivir y crecer en un mundo cambiante.
Los materiales genéticos de todos los organismos vivos consisten de cromosomas que
están divididos en genes; su codificación y desarrollo son considerados un proceso clave
en la continuación de las especies. El proceso de selección natural y el sobrevivir de los
más aptos son considerados elementos importantes en la evolución, que ha sido estudiada
desde el siglo XVII. Los Algoritmos Genéticos están basados en estos aspectos de
evolución.
Para poder explicar la estructura de los algoritmos genéticos voy a introducir primero
algunos términos que serán útiles:
Individuo: los individuos de nuestra población son las posibles soluciones al problema que
estamos tratando.
Población: conjunto de individuos (soluciones).
Función fitness o de adaptación: función que evalúa a los individuos y les asigna una
puntuación en función de lo buenas soluciones que sean para el problema.
Función de cruce: función que, dados dos individuos, genera dos ‘descendientes’ a partir
de la combinación de genes de sus ‘padres’. Esta función se diseña especialmente para el
problema que se esté tratando y, por lo general, se encarga de que los hijos sean mejores
soluciones que los padres.
La aplicación más común de los algoritmos genéticos ha sido la solución de problemas de
optimización, en donde han mostrado ser muy eficientes y confiables. Sin embargo, no
todos los problemas pudieran ser apropiados para la técnica, y se recomienda en general
tomar en cuenta las siguientes características del mismo antes de intentar usarla:
• Su espacio de búsqueda (i.e., sus posibles soluciones) debe estar delimitado dentro de
un cierto rango.
• Debe poderse definir una función de aptitud que nos indique qué tan buena o mala es
una cierta respuesta.
• Las soluciones deben codificarse de una forma que resulte relativamente fácil de
implementar en la computadora.
Unidad no 3
Es el proceso de transformación de éste a un dominio o un lenguaje simbólico para ser
procesado en un computador.
Es un área de la inteligencia artificial cuyo objetivo fundamental es representar el
conocimiento de una manera que facilite la inferencia (sacar conclusiones) a partir de dicho
conocimiento.
Es una combinación de estructuras de datos (que nos permiten representar mediante un
formalismo determinado las "verdades" relevantes en algún dominio) asociadas con
mecanismos interpretativos que nos permiten manipular el conocimiento representado a fin
de crear soluciones a problemas nuevos.
Característica Representación del Conocimiento en Inteligencia Artificial
1.Cobertura, significa que la representación del conocimiento cubre la información en
anchura y profundidad.
2. Comprensible por humanos. La representación del conocimiento es vista como un
lenguaje natural, así que la lógica debería fluir libremente.
3. Consistencia. Siendo consistente, la representación del conocimiento puede eliminar
conocimiento redundante o conflictivo.
4. Eficiencia.
5. Facilidad de modificación y actualización.
6. Soporte de la actividad inteligente que usa la base de conocimiento.
Propiedades del Conocimiento en Inteligencia Artificial




Voluminoso
Difícil de caracterizar con precisión
Incierto/impreciso
Cambia constantemente
Tipos de conocimiento
Conocimiento Declarativo
Son hechos sobre objetos o situaciones. Posee mayor capacidad expresiva, menor
capacidad creativa o computacional. Es conocimiento pasivo, expresado como sentencias
acerca de los hechos del mundo que nos rodea (el saber que hacer).
Puede ser representado con modelos relacionales y esquemas basados en lógica. Los
modelos relacionales pueden representar el conocimiento en forma de árboles, grafos o
redes semánticas.
Conocimiento Procedimental
Es aquel conocimiento compilado que se refiere a la forma de realizar una cierta tarea (el
saber cómo hacerlo). Por ejemplo, los pasos necesarios para resolver una ecuación
algebraica son expresados como conocimiento procedimental.
Los modelos procedimentales y sus esquemas de representación almacenan conocimiento
en la forma de cómo hacer las cosas.
Pueden estar caracterizados por gramáticas formales, usualmente implantadas por
sistemas o lenguajes procedimentales y sistemas basados en reglas (sistemas de
producción). Por ejemplo, los pasos necesarios para resolver una ecuación algebraica son
expresados como conocimiento procedimental.
Conocimiento Heurístico
Es un tipo especial de conocimiento usado por los humanos para resolver problemas
complejos. El adjetivo heurístico significa medio para descubrir. Está relacionado con la
palabra griega heuriskein que significa descubrir, encontrar.
Se entiende por heurístico a un criterio, estrategia, método o truco utilizado para
simplificar la solución de problemas.
Técnicas de Representación




Marcos
Reglas
Etiquetado
Redes Semánticas
Propiedades del Sistema de Representación




Capacidad Expresiva
Capacidad Deductiva
Eficiencia Deductiva
Eficiencia en la Adquisición
Formas de representación del conocimiento
Una vez que se adquiere (del especialista) el conocimiento, es necesario encontrar una
representación simbólica, clara, precisa y completa del mismo. Para ello podemos
mencionar que existen diversas formas de representar el conocimiento, como las
siguientes:
Representación del Conocimiento
·
·
·
·
Tripletas OAV
Redes Semánticas
Frames
Reglas
Redes Semánticas.
Ofrecen un esquema más general y desestructurado que las tripletas OAV. Donde cada
nodo representa cualquier concepto u objeto, y los arcos representan relaciones que existen
entre dichos conceptos
Sistemas basados en reglas
Hay muchos casos en los que podemos resolver situaciones complejas haciendo uso de
reglas deterministas, hasta el punto de su uso consigue sistemas automáticos que se
comportan como humanos expertos en un dominio particular permitiendo tomar decisiones
delicadas, por ejemplo: en sistemas de control de tráfico, transacciones bancarias, o
diagnóstico de enfermedades.
En estos sistemas, la base de conocimiento de la que se parte contiene las variables y el
conjunto de reglas que definen el problema, y el motor de inferencia es capaz de extraer
conclusiones aplicando métodos de la lógica clásica sobre esta base.
En un sistema basado en reglas existen dos elementos básicos que sirven para la
representación del conocimiento:
Conocimiento
●
Atributos
●
Reglas
Diferencia entre información y conocimiento
Este conocimiento ha de permitir guiar a los mecanismos de IA para obtener soluciones de
manera más eficiente y nos enfrentamos a los problemas de:
a) ¿Cómo escoger el formalismo de representación que nos permita hacer una traducción
fácil del mundo real a la representación?
b) ¿Cómo ha de ser esa representación para que pueda ser utilizada de forma eficiente?
Llamaremos información al conjunto de datos básicos, sin interpretar, que se obtienen como
entrada del sistema. Por ejemplo: Los datos numéricos que aparecen en una analítica de
sangre o los datos de los sensores de una planta química.
Llamaremos conocimiento al conjunto de datos de primer orden, que modelan de forma
estructurada la experiencia que se tiene sobre un cierto dominio o que surgen de interpretar
los datos básicos. Por ejemplo: La interpretación de los valores de la analítica de sangre o
de los sensores de la planta química para decir si son normales, altos o bajos,
preocupantes, peligrosos o el conjunto de estructuras de datos y métodos para diagnosticar
a pacientes a partir de la interpretación del análisis de sangre, o para ayudar en la toma de
decisiones de que hacer en la planta química
Unidad no 4
Introducción al aprendizaje automático
En la actualidad, gracias a los avances de la informática, es posible almacenar y procesar
grandes cantidades de datos, así como acceder a datos ubicados físicamente en otras
localidades geográficas a través de las redes computacionales. En este contexto aparece
el concepto de aprendizaje en informática, denominado también aprendizaje de máquina o
automático, que corresponde a programas computacionales que buscan optimizar los
parámetros de un modelo usando datos previos o datos de entrenamiento. Los modelos
pueden ser inductivos, cuando permiten hacer predicciones sobre el futuro o bien
descriptivos cuando permiten generar conocimiento a partir de los datos.
El aprendizaje automático usa la teoría estadística para construir modelos matemáticos,
pues de esta manera es posible hacer inferencias a partir de una muestra. La ciencia de la
computación es requerida en la fase de entrenamiento para la implementación de
algoritmos de optimización eficientes, además de ser necesaria en las tareas de
almacenamiento y procesamiento de grandes volúmenes de datos. Una vez que un modelo
es ajustado, se requiere también eficiencia en su representación y solución algorítmica para
la fase de inferencia.
Los métodos de aprendizaje automático han jugado un papel importante en la Inteligencia
Artificial, desde sus comienzos. Probablemente esto se debe a la probabilidad de aprender,
adaptarse y modificar el comportamiento, es un componente fundamental de la inteligencia
humana.
El aprendizaje automático puede ser:
Aprendizaje supervisado
Entrada

Conjunto de instancias con sus etiquetas asociadas
Objetivo


A partir de conjunto de entrenamiento etiquetado
Construir modelo capaz de predecir la etiqueta de nuevas instancias
Distintos tipos


Clasificación
Regresión
La Minería de datos es el concepto acuñado en el mundo del negocio para la aplicación del
aprendizaje automático en grandes volúmenes de datos con el objeto de extraer
información de los mismos. Aplicaciones de Minería de Datos se han extendido a diversas
áreas, como por ejemplo el estudio del comportamiento de consumo de los clientes de un
supermercado. En finanzas bancarias los datos históricos se utilizan para construir modelos
de riesgo de créditos, detección de fraudes entre otros
Redes neuronales
Las Redes Neuronales son un paradigma de aprendizaje y procesamiento automático
inspirado en la forma en que funciona el cerebro para realizar las tareas de pensar y tomar
decisiones (sistema nervioso). El cerebro se trata de un sistema de interconexión de
neuronas en una red que colabora para producir un estímulo de salida.
Una red neuronal es un modelo computacional, paralelo, compuesto de unidades
procesadoras adaptativas con una alta interconexión entre ellas (Hassoun, 1995).
Ventajas y desventajas de las Redes Neuronales Artificiales
Ventajas


Aprendizaje adaptativo en el cual aprende a realizar tareas a partir de un conjunto
de datos siendo así que en el proceso de aprendizaje de estos datos sean
representados como entradas y pesos.
Auto-organización pueden crear su propia organización o representación de la
información recibida, las redes neuronales auto-organizan su información que


reciben durante el aprendizaje de la operación utilizando los métodos matemáticos
Adeline, Madeline y Perceptron entre otros.
Tolerancia a fallos parciales sabiendo que la destrucción parcial de la red daña el
funcionamiento a la misma, pero no la destruye completamente. Esto es debido a la
redundancia de la información contenida, es decir, esto conlleva a que la
información no se pierda ya que funciona como el cuerpo humano.
Operación en tiempo real, que pueden ser llevadas a cabo por computadoras o
dispositivos de hardware especial para aprovechar así la capacidad de las RNA.
Desventajas


Menciona que las redes neuronales artificiales tienen complejidad para el
aprendizaje de tareas grandes.
Elevado tiempo de aprendizaje, esto dependerá de, el número de patrones a
reconocer y la flexibilidad para reconocer patrones que sean bastante parecidos.
(Rivera, 2007, pág. 64).
No tiene la capacidad de interpretar los resultados que esta produce siendo
necesario por tal razón la interpretación del desarrollador o de la aplicación para que
le de significados a tales resultados.
Tiempo de convergencia, es decir existen aplicaciones que requieren un enorme
conjunto de ejemplos para el entrenamiento lo que se traduce en tiempo de cálculo.
Modelos Neuronales
En todo modelo artificial de neurona se tienen cuatro elementos básicos:
1. Un conjunto de conexiones, pesos o sinapsis que determinan el comportamiento
de la neurona. Estas conexiones pueden ser excitadoras (presentan un signo
positivo), o inhibidoras (conexiones negativas).
2. Un sumador que se encarga de sumar todas las entradas multiplicadas por las
respectivas sinapsis.
3. Una función de activación no lineal para limitar la amplitud de la salida de la
neurona.
4. Un umbral exterior que determina el umbral por encima del cual la neurona se
activa.
Estructuras neuronales
Las redes neuronales se pueden usar en una serie de estructuras según la aplicación a la
que está destinado el sistema. Así pues, según la disposición de la red neuronal se
tendrán las siguientes estructuras:
Estructura directa
Estructura inversa
Arboles de decisión
El tomar una decisión implica servirse en parte (no solo de la información disponible), de la
intuición y las emociones. Esto es debido a que la persona tiende a ver desde una
perspectiva imparcial la realidad objeto de análisis, tomando una decisión rápida o simple,
con los riesgos que este hecho conlleva (Lozano, 2013).
Los Árboles de decisión ofrecen un apoyo útil para los directivos, porque sin duda
simplificará la toma de decisiones en la empresa, aportando simplicidad y concreción ante
una determinada problemática, minimizando los errores.
El método árbol de decisión consiste en aquella representación gráfica de una serie de
secuencias lógicas que interpretan una realidad, más o menos compleja. Dicha realidad
estará desglosada en una o varias secuencias de eventos, ordenados estos según una
línea temporal coherente. De este modo, los sucesos más recientes vendrán precedidos
por otros anteriores, hilvanados y originando las diferentes alternativas de las que el sujeto
se servirá para tomar una decisión al problema planteado. Algunos de estos eventos se
conocen como eventos aleatorios; aquellos cuya realización vendrá influida por una
probabilidad, causa de la intervención de variables externas al individuo que condicionaran
los posibles resultados. Otros sin embargo no, ya que serían decisiones que atañerían
exclusivamente al decisor y, por lo tanto, no estarían condicionados por el entorno.
Un Árbol de Decisión es una representación gráfica de una serie de secuencias lógicas
que interpretan una realidad, más o menos compleja.
El árbol de decisión reflejará de forma fiel los pasos que habrá de afrontar una persona,
equipo o entidad; ordenados de manera lógica y atendiendo a unas complejidades
concretas.
Por eso es importante que antes de plantear el árbol de decisión, y con el objeto de llegar
a una conclusión más fiable, se haya recogido la máxima información posible, reduciendo
así el riesgo.
Para poder diagramar un árbol de decisión es necesario diferenciar dos elementos
principales: por un lado, los nudos; por otro, las ramas.
Bibliografía y Recursos de apoyo
lfaomega. ISBN: 970-15-1166-2. Mexico. Rusell & Norving (2003). Inteligencia Artificial.
Un enfoque moderno, Segunda Edición. Prentice Hall.
Benitez, R., Escudero, G., Kannan, S. y Masip, R. (2010) Inteligencia Artificial Avanzada.
España: UOC.
García Serrano, A. (2016) Inteligencia Artificial. Fundamentos, práctica y aplicaciones.
México: Alfaomega.
Pajares G. y Santos M. (2006).Inteligencia Artificial e Ingeniería del Conocimiento.
Ponce Cruz, P. (2014) Inteligencia Artificial con aplicaciones en la Ingeniería. México:
Alfaomega.
Benitez, R., Escudero, G., Kannan, S. y Masip, R. (2010) Inteligencia Artificial Avanzada.
España: UOC.
García Serrano, A. (2016) Inteligencia Artificial Fundamentos, práctica y aplicaciones.
México: Alfaomega.
http://ocw.uv.es/ingenieria-y-arquitectura/1-2/libro_ocw_libro_de_redes.pdf
Russell Stuart y Peter Norvig (2004) Inteligencia Artificial. Un Enfoque Moderno. PrenticeHall.
Descargar