Daniel Guadalupe Magaa Rodrguez Chan Balan Mario Alberto Daz lvarez Vctor Espinoza Martnez Rub Esmeralda Daniel Gpe. Magaa Rodrguez Gmez Cisneros Roberto
Razonamiento con incertidumbre
Aprendizaje Razonamiento probabilstico Naturaleza del Razonamiento: Procesamiento de la informacin que permite disponer de nuevos conocimientos a partir del conocimiento previo. Aprendizaje Tipos de Aprendizaje
Aprendizaje inductivo: Creamos modelos de conceptos a partir de generalizar ejemplos simples. Buscamos patrones comunes que expliquen los ejemplos. Aprendizaje analtico o deductivo: Aplicamos la deduccin para obtener descripciones generales a partir de un ejemplo de concepto y su explicacin. Aprendizaje gentico: Aplica algoritmos inspirados en la teora de la evolucin para encontrar descripciones generales a conjuntos de ejemplos.
Aprendizaje conexionista: Busca descripciones generales mediante el uso de la capacidad de adaptacin de redes de neuronas artificiales. 5 Adquisicin del conocimiento Marco de referencia: proceso de construccin de un sistema basado en el conocimiento: Adquisicin del conocimiento Representacin del conocimiento Mtodo de resolucin Construccin del motor de inferencia 5 6 Adquisicin del conocimiento Adquisicin del conocimiento Traspaso del conocimiento de los expertos (o de las fuentes de conocimiento) en un dominio determinado hacia un formalismo de representacin computable del conocimiento. Base de conocimiento Ingeniero del conocimiento FC 1 Experto 1
. . . .
FC n Experto n Conocimiento Dominio (hechos, relaciones, asociaciones) Proceso de resolucin (heursticas, mtodos) Razonamiento probabilstico SISTEMAS DE RAZONAMIENTO PROBABILSTICO Son sistemas de razonamiento basados en modelos de redes y, con base en las leyes de la teora de la probabilidad, se emplean para razonar en situaciones de incertidumbre. La principal ventaja del razonamiento probabilstico en comparacin con el razonamiento lgico es que el agente lgico puede tomar decisiones racionales an si disponer de suficiente informacin para probar que una accin dada funcionar. REPRESENTACIN DEL CONOCIMIENTO EN UN DOMINIO INCIERTO Si bien la distribucin de probabilidad conjunta puede dar respuesta a cualquier pregunta relacionada con un dominio determinado, conforme aumenta la cantidad de variables, su magnitud se convierte intratablemente extensa. Adems, no resulta muy natural la especificacin de probabilidades de eventos atmicos y puede volverse bastante complicada, a menos de contar con una gran cantidad de datos que permita recopilar estimaciones estadsticas. REPRESENTACIN DEL CONOCIMIENTO EN UN DOMINIO INCIERTO Tambin, las relaciones de independencia condicional que existen entre las variables permiten simplificar el clculo de los resultados de una consulta y reducir tambin la cantidad de probabilidades condicionales que es necesario especificar.
Para representar la dependencia que existe entre determinadas variables, se usa una estructura de datos conocida como red bayesiana (red de creencia, red probabilstica, red causa, mapa de conocimiento). REPRESENTACIN DEL CONOCIMIENTO EN UN DOMINIO INCIERTO La red bayesiana es una grfica en la que se cumple lo siguiente: Los nodos de la red estn formados por un conjunto de variables aleatorias. Cada par de nodos se conecta entre s mediante un conjunto de enlaces o flechas. El significado implcito de una flecha que vaya del nodo X al nodo Y es el de que X ejerce una influencia directa sobre Y. Por cada nodo hay una tabla de probabilidad condicional que sirve para cuantificar los efectos de los padres sobre el nodo. Los padres de un nodos son aquellos cuyas flechas apuntan hacia ste. La grfica no tiene ciclos dirigidos (es acclica). REPRESENTACIN DEL CONOCIMIENTO EN UN DOMINIO INCIERTO Robo Terremoto Alarma Juanllama Maryllama REPRESENTACIN DEL CONOCIMIENTO EN UN DOMINIO INCIERTO Tabla de Probabilidad Condicional para la Alarma
true true 0.950 0.050 true true 0.950 0.050 false true 0.290 0.710 false false 0.001 0.999 Compactacin y ordenamiento de nodos Red Bayesiana resultado de un orden equivocado al agregar nodos: Maryllama Juanllama Terremoto Robo Alarma Maryllama Juanllama Terremoto Robo Alarma Hay dos maneras de interpretar las redes bayesianas: Considerar la red como una representacin de la distribucin de probabilidad conjunta. Esto es til para poder saber cmo construir redes.
Considerar la red como la codificacin de un conjunto de aseveraciones de independencia condicional. Esto es til para el diseo de procedimientos de inferencia.