Ejemplo analogías conjunto elemento

Inteligencia

Habilidad para responder flexiblemente a diferentes situaciones, saber aprovechar circunstancias fortuitas, dar sentido a mensajes ambiguos o contradictorios, encontrar similitudes entre situaciones diferentes y generación de nuevos conceptos e ideas innovadoras.

Representación del Conocimiento

Es un área de la Inteligencia Artificial cuyo principal objetivo es representar el conocimiento de tal manera que resulte fácil poder obtener conclusiones del propio conocimiento Partes de una representación ●
Parte léxica: Determina qué símbolos están permitidos en el vocabulario de la representación. ● Una parte estructural que describe las restricciones sobre la forma en que los símbolos pueden ordenarse. ● Una parte operativa que especifica los procedimientos de acceso que permiten crear descripciones, modificarlas y responder a preguntas utilizándose. ● Una parte semántica que establece una forma de asociar el significado con las descripciones.

Tipos de modelos de representación del conocimiento 1. Modelos formales (lógica clásica)

Uso de la lógica formal como lenguaje de representación 2. Modelos estructurados ●
Uso de técnicas de representación especializadas Diferencia entre I.A. Y la programación convencional
En el procesamiento de datos tradicional el sistema procesa el contenido de variables. Los sistemas de IA pueden hacer esto y también pueden manipular símbolos independientemente de sus valores, lo que permite resolver un problema cuando el valor de una variable no se conoce. En procesamiento de datos tradicional es el programador el que determina todas las relaciones entre los símbolos, pero en el procesamiento de símbolos en un programa basado en IA el programa puede determinar las relaciones entre los símbolos que no están establecidas explícitamente por el programador.

El proceso de solución de problemas

Un importante aspecto de la inteligencia artificial es la resolución de problemas basados en objetivos.  Diversos problemas pueden ser formulados como la búsqueda de una secuencia de acciones lideradas por el alcance de un objetivo. Cada acción cambia el estado y el objetivo es encontrar las secuencias de las acciones y estados que conducen desde el estado inicial a un estado final Para resolver un problema, el diseñador de un sistema debe: ● Profundizar en la tarea y determinar qué constituye una solución; ● Representar el problema en un lenguaje con el cual el computador pueda razonar; ● Usar el computador para procesar la salida; la cual, es una respuesta presentada al usuario o a una secuencia de acciones a ser ejecutadas; ● Interpretar la salida como una solución al problema.

BÚSQUEDA

La Búsqueda es la examinación sistemática de los estados para encontrar una ruta desde el estado inicial hasta el estado objetivo.

Idea:

❏ Buscar una secuencia de acciones antes de realizar cualquier acción.

Asunciones:

❏ Las acciones son no-determinísticas. ❏ Toda carácterística relevante de los estados pueden ser especificadas. ❏ Se puede concluir si un estado satisface o no un objetivo Usualmente, un problema es transformado en un Grafo Dirigido (GD): Un GD es un conjunto de nodos/vértices y un conjunto A de arcos/bordes. ● Los estados son mapeados a nodos, las acciones a arcos. ● Típicamente, un GD es muy grande para ser almacenado en su totalidad. En lugar de ello, es usado para generar arcos como sea necesario.  

2.5. Representación del Conocimiento

El conocimiento es la información acerca de un dominio que puede ser usada para resolver problemas en ese dominio.  Para resolver muchos problemas requiere de mucho conocimiento y el conocimiento debe estar representado en el computador.

Como parte del diseño de un programa a resolver un problema, debemos definir cómo el conocimiento se encontrará representado

Métodos de búsqueda “sin razonamiento”

2.6.1.

Amplitud Búsqueda en Anchura o Amplitud (Breadth-First Search)

En la búsqueda en Anchura, la frontera actúa como una cola (el primero en entrar es el primero en salir – FIFO)
. Prefiere eliminar rutas cortas de la frontera.

Profundidad

La primera estrategia es la búsqueda en profundidad (Depth-First Search).En la búsqueda en profundidad, la frontera actúa como una pila (el último en entrar es el primero en salir – LIFO)
. Prefiere eliminar rutas largas de la frontera.

Métodos de búsqueda “heurísticos”

2.7.1 Escalada
● Se llaman de escalada (o de ascensión a la colina) porque tratan de elegir en cada paso un estado cuyo valor heurístico sea mayor que el del estado activo en ese momento. Se dividen en dos grupos: ❏Los métodos irrevocables, que no prevén la vuelta a un lugar del espacio de estados si el camino resulta inadecuado. ❏ Los métodos tentativos en los que sí podemos volver hacia atrás si prevemos que el camino elegido no es el más adecuado La escalada simple.
En este método, en el momento es que se encuentra un estado que es más favorable que el que se está expandiendo, dicho estado es devuelto sin generar el resto de estados hijos La escalada por la máxima pendiente.
En este caso, se generan todos los hijos de un estado, se calculan sus valores heurísticos y se determina uno de los estados de mejor valor heurístico; se compara dicho valor con el del estado expandido y si es mejor, se devuelve ese estado como expansión

.A*.-

 el algoritmo A* encuentra, siempre y cuando se cumplan unas determinadas condiciones, el camino de menor coste entre un nodo origen y uno objetivo El nodo meta es denotado por nodo_meta y el nodo fuente es denotado por nodo_inicial. Se mantienen dos listas:  • Abierta.
– Consiste en los nodos que han sido visitados pero no expandidos (los sucesores que no han sido explorados, aún). Esta es la lista de las tareas pendientes. • Cerrada.-
Consiste en los nodos que han sido visitados y expandidos (los sucesores ya han sido explorados e incluidos en la lista abierta, si este fuera el caso). LÓGICA DIFUSA 3.1. Breve introducción e Historia de la Lógica Difusa
● Fuzzy = Borracho,Difuso,Borroso…

Lógica Borrosa

Lógica multivaluada que proporciona las bases del razonamiento aproximado que utiliza premisas imprecisas como instrumento para formular el conocimiento. La lógica borrosa se fundamenta en el concepto de Conjunto Borroso (Fuzzy Set) reside la idea de que los elementos clave en el pensamiento humano no son números, sino etiquetas lingüísticas Combina métodos simbólicos (cualitativos) y numéricos (cuantitativos).

Conjuntos Borrosos (fuzzy sets)

Lógica Convencional. Conjuntos discretos Conjuntos Difusos
Un conjunto borroso
A en un dominio D, viene caracterizado por una función de pertenencia UA(X) que asocia a cada elemento del dominio, un valor en el intervalo [0;1] que determina su grado de pertenencia a ese conjunto. Cada función de pertenencia tiene asociadas una serie de etiquetas lingüísticas, que diferencian los diferentes intervalos dentro del dominio  Funciones de pertenencia
Representación de conjuntos borrosos mediante función de pertenencia del concepto a definir,del contexto,de la aplicación.UA(X) ● Preferible funciones simples (simplifican cálculos, no pierden exactitud) ● Se suelen definir gráficamente para facilitar la representación de los conceptos  El estándar FCL (Fuzzy Control Language)
FCL significa Fuzzy Control Language, que es un estándar para Fuzzy Control Programming publicado por la Comisión Electrotécnica Internacional (IEC). FCL se refiere a los conjuntos individuales en una variable como TERMOS. En otra literatura de lógica difusa usted verá éstos referidos como conjuntos o subconjunto borroso Los puntos que definen un TERM se declaran en pares (x, y). El valor de x está dentro de la RANGO de la variable y el valor de y está entre 0 y 1 ● El nombre RULEBLOCK no se utiliza en FFLL, pero está incluido para cumplir con los estándares FCL ● Las condiciones de la regla son AND de términos variables juntos ● La conclusión de la regla es un término de la variable de salida Etapas de un sistema difuso
1.
Fusificación tiene como objetivo convertir valores crisp (reales) en valores difusos. 2. Base de conocimiento contiene el conocimiento asociado con el dominio de la aplicación y los objetivos del control 3. Inferencia relaciona los conjuntos difusos de entrada y salida para representar las reglas que definirán el sistema mediante el uso de condiciones. 4.
Defusificación realiza el proceso de adecuar los valores difusos generados en la inferencia en valores crisp, que posteriormente se utilizarán en el proceso de control 4.2.1. Fusificación
Consiste en transformar la señal discreta de entrada x en su valor lingüístico correspondiente, que pueda ser utilizado en el proceso de inferencia borrosa.

Reglas de Evaluación

La base de reglas borrosas es la parte de la arquitectura donde se almacena el conocimiento en forma de reglas SI-ENTONCES, donde los antecedentes y consecuentes son conjuntos borrosos previamente definidos Defusificación ●
Método del centroide (centro de áreas)  Método de Centro de sumas ● Método de la Media Ponderada Modelo de Mamdani
4.2.4.1. Arquitectura (Reglas, Sistema de Inferencia)

Reglas

La base de reglas borrosas es la parte de la arquitectura donde se almacena el conocimiento en forma de reglas SI-ENTONCES, donde los antecedentes y consecuentes son conjuntos borrosos previamente definidos Sistema de Inferencia
El consecuente de las reglas es un conjunto borroso representado por una función de pertenencia triangular, trapezoidal o gausiana.

Modelo de Tsukamoto

● En este modelo la función consecuente es un set difuso con una función monotónica: If x is A and y is B then z is C ● El output de cada regla se define como un valor exacto inducido por la fuerza de disparo de cada regla. ● Cada regla tiene un output exacto. ● Este método no necesita defuzificación ya que agrega los outputs exactos de cada regla usando el promedio ponderado.

4.2.6. Modelo de Sugeno

4.2.6.1. Arquitectura (Reglas, Sistema de Inferencia)

Reglas

La base de reglas borrosas es la parte de la arquitectura donde se almacena el conocimiento en forma de reglas SI-ENTONCES, donde los antecedentes y consecuentes son conjuntos borrosos previamente definidos Sistema de Inferencia
El consecuente de las reglas es un conjunto borroso cuya función de pertenencia es una función monótona (Singleton).

Implementación de sistemas difusos. Útil para representar:

● Conceptos que tengan imprecisión/incertidumbre y operar con ellos ● Procesos complejos, procesos no lineales. ● Manejar experiencia basada en conceptos imprecisos ● Partes del sistema desconocidas o que no pueden medirse de forma fiable Principales aplicaciones: ●
Sistemas Expertos Difusos ● Control de sistemas (tráfico, vehículos, electrodomésticos,…)

Ejemplo de entrada:

❏ Error de velocidad ❏ celeración Variables de salida:
❏ Acelerador Definición de los conjuntos borrosos de entrada
Error_vel Error_vel { negativo -200 -200 -7 5 positivo -5 7 200 200 } ❏ Aceleración Aceleración { negativa -100 -100 -50 50 positiva -50 50 100 100 }