Sistemas inteligentes Public

Sistemas inteligentes

Pedro Alejandro Núñez castañeda
Course by Pedro Alejandro Núñez castañeda, updated more than 1 year ago Contributors

Description

Curso de 4to año, 7mo semestre

Module Information

Description

Deep learning, auges de la IA, Sistemas expertos y formas de representación del conocimiento
Micro resúmen Sistemas inteligentes Fase 1: Categorías de la IA:   - Procesamiento de alta velocidad(procesar el mismo conjunto)   - Adivinar respuestas a un problema siguiendo reglas predeterminadas   - Dar respuesta a datos desconocidos mediante datos existentes(sist. de remendación) Auges:   1. Reglas fijas: a finales de los 50s, teniendo todos los patrones posibles   2. Representación del conocimiento(KR): en los 80s, web semántica hecha por Cyc, machine learning supervisado   3. Deep learning: redes neuronales para aprendizaje automático Sistemas expertos: [Reglas, hechos, relaciones]     Sistema informático que emulan el razonamiento humano en un campo determinado   Características:     - Explican sus resultados     - Adquieren conocimiento     - Resuelven problemas     - Determina si el problema está en su dominio     - Sintetiza conocimiento de expertos   Tipos:         - Determinista: lógico, basado en reglas             - Base de Conocimiento: variables             - Motor de inferencia: obtiene conclusiones aplicando la lógica             - Regla: proposición lógica             - Sistemas complejos Deterministas: Tráfico, seguridad         - Estocástica: probabilístico, inferencia             - Incertidumbre de datos             - Reglas de condición-conclusión             Tipos:                 - Procedimientos numéricos: manejan evidencias combinadas, usan conjuntos difusos                 - Credibilidad: info errónea     Ventajas:         - Disponibilidad         - Menor costo y riesgo         - Más confiabilidad         - Objetividad         - BD Inteligente   Componentes:         - Humano: Expertos e ingenieros del conocimiento         - Base del conocimiento: reglas, distribución de probabilidad         - SubS. de Adquisición de conocimiento: controla flujo de nuevo conocimiento         - SubS. Control de coherencia         - Motor de Inferencia: Brinda las conclusiones         - Adquisición de información: aumenta la Base de conocimiento         - Interfaz Usuario         - Ejecución de órdenes         - Explicación         - Aprendizaje     Tareas:         - Adquisición de conocimiento         - Almacenamiento de con.         - Aprendizaje         - Razonamiento         - Explicar conclusiones     Campos:         - Medicina         - Ciencias         - Negocios         - Ingeniería         - Industria Representaciones del conocimiento:   Evolución de sistemas:     - Sistemas expertos: Razonamiento(algoritmo + estr. de datos)     - Sistemas basados en conocimiento: No razona, construcción de distribución       - conocimiento tolerante, Human       - Conocimiento evolutivo       - No aplicable al modelo cascada       - Respuestas inseguras     - Sistemas inteligentes: razona y aprende por sí solo   Epistemología: Estudio del conocimiento a priori(frases lógicas, sentidos) y posteriori(verificable, afirmaciones)     Categorías conocimiento:       - Procedimental: saber cómo hacer algo       - Declarativo: capacidad de saber si algo es verdadero       - Tácito: No expresable(ej. Movimiento de la mano), no requiere entenderse para usarlo     Jerarquía:       - Meta-conocimiento: Experiencia, conoc. sobre el conoc.       - Conocimiento: Especializada       - Información: importante, datos procesados       - Datos: Verdaderos       - Ruido: Inconsistente     Red semántica: Técnica de Representación de conocimiento Declarativo(Establece hechos)       - Dificultades:         - Delay en búsquedas negativas         - Muchos nodos       - Marcos: Representación de redes semánticas con conoc. Procedimental         - modo u objeto puede ser un marco     Tripleta: caracterización del conocimiento en una red semántica       - Objeto       - Atributo       - Valor   CLIPS: entorno y lenguaje de Representación de conoc.     - Usa un motor de inferencia con razonam. hacia adelante     - Sobre un intérprete de lenguaje(deriva de LISP)     Paradigmas:       - Reglas       - Funcional       - POO     Hechos:       - Ordered: con estructura libre       - DefTemplate: define campos como slots       - Creación: assert o deffacts     Ventajas:       - Obtener y procesar todos los Datos       - Almacenar cualquier tipo de dato       - Fácil ingreso de Datos       - Rápida definición de if     Desventajas:       - Uso de condiciones poco intuitivo       - Difícil control de Tipos       - Lenguaje funcional complicado       - Clases complicadas       - Funcionamiento de operaciones (op par1 par2)     Estrategias: de ejecución de reglas       - LEX: orden lexicográfico       - MEA: cronológico respecto al hecho que instancia la primera condición, empate=LEX       - Aleatoria: se disparan en orden aleatorio Conceptos:   - Información: Datos importantes   - Conocimiento: contrastar información   - Patrones: Condiciones o filtros de hechos   - Ingeniería de Características: Técnica requerida para el Aprendizaje de la máquina   - Dendral: primer sistema experto
Show less
No tags specified

Mind Map

Mapa mental de la fase 1 del curso de Sistemas inteligentes

Context

Micro resúmen Sistemas inteligentes Fase 1: Categorías de la IA:   - Procesamiento de alta velocidad(procesar el mismo conjunto)   - Adivinar respuestas a un problema siguiendo reglas predeterminadas   - Dar respuesta a datos desconocidos mediante datos existentes(sist. de remendación) Auges:   1. Reglas fijas: a finales de los 50s, teniendo todos los patrones posibles   2. Representación del conocimiento(KR): en los 80s, web semántica hecha por Cyc, machine learning supervisado   3. Deep learning: redes neuronales para aprendizaje automático Sistemas expertos: [Reglas, hechos, relaciones]     Sistema informático que emulan el razonamiento humano en un campo determinado   Características:     - Explican sus resultados     - Adquieren conocimiento     - Resuelven problemas     - Determina si el problema está en su dominio     - Sintetiza conocimiento de expertos   Tipos:         - Determinista: lógico, basado en reglas             - Base de Conocimiento: variables             - Motor de inferencia: obtiene conclusiones aplicando la lógica             - Regla: proposición lógica             - Sistemas complejos Deterministas: Tráfico, seguridad         - Estocástica: probabilístico, inferencia             - Incertidumbre de datos             - Reglas de condición-conclusión             Tipos:                 - Procedimientos numéricos: manejan evidencias combinadas, usan conjuntos difusos                 - Credibilidad: info errónea     Ventajas:         - Disponibilidad         - Menor costo y riesgo         - Más confiabilidad         - Objetividad         - BD Inteligente   Componentes:         - Humano: Expertos e ingenieros del conocimiento         - Base del conocimiento: reglas, distribución de probabilidad         - SubS. de Adquisición de conocimiento: controla flujo de nuevo conocimiento         - SubS. Control de coherencia         - Motor de Inferencia: Brinda las conclusiones         - Adquisición de información: aumenta la Base de conocimiento         - Interfaz Usuario         - Ejecución de órdenes         - Explicación         - Aprendizaje     Tareas:         - Adquisición de conocimiento         - Almacenamiento de con.         - Aprendizaje         - Razonamiento         - Explicar conclusiones     Campos:         - Medicina         - Ciencias         - Negocios         - Ingeniería         - Industria
Show less
No tags specified

Mind Map

Formas de representación del conocimiento.

Context

Representaciones del conocimiento:   Evolución de sistemas:     - Sistemas expertos: Razonamiento(algoritmo + estr. de datos)     - Sistemas basados en conocimiento: No razona, construcción de distribución       - conocimiento tolerante, Human       - Conocimiento evolutivo       - No aplicable al modelo cascada       - Respuestas inseguras     - Sistemas inteligentes: razona y aprende por sí solo   Epistemología: Estudio del conocimiento a priori(frases lógicas, sentidos) y posteriori(verificable, afirmaciones)     Categorías conocimiento:       - Procedimental: saber cómo hacer algo       - Declarativo: capacidad de saber si algo es verdadero       - Tácito: No expresable(ej. Movimiento de la mano), no requiere entenderse para usarlo     Jerarquía:       - Meta-conocimiento: Experiencia, conoc. sobre el conoc.       - Conocimiento: Especializada       - Información: importante, datos procesados       - Datos: Verdaderos       - Ruido: Inconsistente     Red semántica: Técnica de Representación de conocimiento Declarativo(Establece hechos)       - Dificultades:         - Delay en búsquedas negativas         - Muchos nodos       - Marcos: Representación de redes semánticas con conoc. Procedimental         - modo u objeto puede ser un marco     Tripleta: caracterización del conocimiento en una red semántica       - Objeto       - Atributo       - Valor   CLIPS: entorno y lenguaje de Representación de conoc.     - Usa un motor de inferencia con razonam. hacia adelante     - Sobre un intérprete de lenguaje(deriva de LISP)     Paradigmas:       - Reglas       - Funcional       - POO     Hechos:       - Ordered: con estructura libre       - DefTemplate: define campos como slots       - Creación: assert o deffacts     Ventajas:       - Obtener y procesar todos los Datos       - Almacenar cualquier tipo de dato       - Fácil ingreso de Datos       - Rápida definición de if     Desventajas:       - Uso de condiciones poco intuitivo       - Difícil control de Tipos       - Lenguaje funcional complicado       - Clases complicadas       - Funcionamiento de operaciones (op par1 par2)     Estrategias: de ejecución de reglas       - LEX: orden lexicográfico       - MEA: cronológico respecto al hecho que instancia la primera condición, empate=LEX       - Aleatoria: se disparan en orden aleatorio
Show less
No tags specified

Mind Map

Usando neuronas artificiales se puede crear un sistema que aprenda de los datos que recibe
Show less
Show full summary Hide full summary