Inteligencia Artificial

Ing. Oscar Camacho Chab

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

P(Alarma | Robo, Terremoto)
Robo Terremoto true false

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.