You are on page 1of 17

Semana 1:

¿Inteligencia?

• La capacidad de uno para la lógica, la comprensión, la comunicación, el aprendizaje, la

memoria, la resolución de problemas, etc.

•¿Inteligencia artificial? • Inteligencia exhibida por máquinas o software. • El estudio y diseño de agentes inteligentes. • La ciencia y la ingeniería de hacer máquinas inteligentes • Tomando ideas de diferentes campos

• Ingeniería, biología, psicología, teoría de la comunicación, matemáticas, estadística, lógica y

filosofía. • ¿Robots AI que reemplazan a los humanos?

• ¿Sustitución de agentes de mesa de ayuda, doctores, maestros, periodistas, trabajadores de

manufactura, soldados, etc.?

• ¿AI es malo para la humanidad? • Impacto en la economía, la seguridad, la moral y la ética. • Robótica en la nube

• Acceso a los datos de cualquier robot, la computación puede crecer, los robots pueden

hablar entre sí, compartir software (algoritmos). Aprendiendo en AI

•Aprendizaje supervisado

• Los agentes tienen acceso para corregir los datos de prueba o ejemplos que deben aprenderse. Los agentes pueden aprender de los errores entre sus decisiones y las decisiones correctas.

• Aprendizaje no supervisado • En aprendizaje no supervisado, no hay etiqueta ni valor objetivo para los datos.

• El problema del Aprendizaje No Supervisado es tratar de encontrar la estructura oculta en los datos no etiquetados.

•Aprendizaje reforzado

• El curso correcto de las acciones no se conoce y el agente debe aprender el buen

comportamiento a través de prueba y error interactuando directamente con el dominio. Paper 1S1: Breve historia de la inteligencia artificial

En esta breve historia, los comienzos de la inteligencia artificial se remontan a la filosofía, la ficción y la imaginación. Los primeros inventos en electrónica, ingeniería y muchas otras disciplinas han influido en AI. Algunos hitos tempranos incluyen el trabajo en la resolución de

problemas que incluye trabajo básico en aprendizaje, representación de conocimiento e inferencia, así como programas de demostración en comprensión del lenguaje, traducción, prueba de teoremas, memoria asociativa y sistemas basados en conocimiento. El artículo termina con un breve examen de las organizaciones influyentes y los problemas actuales que enfrenta el campo.

Paper 2S1:

Un sistema experto basado en el conocimiento usa el conocimiento humano para resolver problemas que normalmente requerirían inteligencia humana.

Los sistemas expertos están diseñados para transportar la inteligencia y la información que se encuentran en el intelecto de los expertos y proporcionar este conocimiento a otros miembros de la organización para la resolución de problemas. Con la creciente importancia de la gestión de recursos humanos y el aumento del tamaño de las organizaciones, el mantenimiento de los datos relacionados con los empleados y la generación de informes apropiados son los aspectos cruciales de cualquier organización.

Por lo tanto, cada vez más organizaciones están adoptando sistemas de gestión de recursos humanos basados en computadora (HRMS). Este artículo explica la arquitectura, las técnicas de representación del conocimiento y las áreas de aplicación del sistema experto basado en el conocimiento en Recursos Humanos.

Semana 2: Sistema Experto

• El área aplicada más importante de AI es el campo de los sistemas expertos. Un sistema experto (ES) es un sistema basado en el conocimiento que emplea conocimiento sobre su dominio de aplicación y utiliza un procedimiento de inferencia (razón) para resolver problemas que de otro modo requerirían competencia o experiencia humana.

• El poder de los sistemas expertos se basa principalmente en el conocimiento específico sobre

un dominio restringido almacenado en la base de conocimientos del sistema experto.

• Los sistemas expertos son asistentes para los tomadores de decisiones y no los sustituyen. Características de los sistemas expertos

• El sistema experto proporciona el rendimiento de alta calidad que resuelve los programas

difíciles en un dominio tan bueno o mejor que los expertos humanos.

• Expert System posee grandes cantidades de conocimiento específico del dominio para los detalles minuciosos.

• Los sistemas expertos aplican heurísticas para guiar el razonamiento y así reducir el área de

búsqueda de una solución.

• Una característica única de un sistema experto es su capacidad de explicación. Permite que el sistema experto revise su propio razonamiento y explique sus decisiones.

Proceso de inferencia Encadenamiento hacia adelante

Es una estrategia impulsada por datos. El proceso de inferencia se mueve de los hechos del caso a un objetivo (conclusión). El motor de inferencia intenta hacer coincidir la parte de

condición (IF) de cada regla en la base de conocimiento con los hechos actualmente disponibles en la memoria de trabajo. Si varias reglas coinciden, se invoca un procedimiento de resolución de conflictos; por ejemplo, se dispara la regla con el número más bajo que agrega nueva información a la memoria de trabajo. La conclusión de la regla de disparo se agrega a la memoria de trabajo.

Comúnmente se usa para resolver problemas más abiertos.

• Encadenamiento hacia atrás

El motor de inferencia intenta hacer coincidir la conclusión supuesta (hipotética) -el objetivo o el estado sub-objetivo- con la conclusión (ENTONCES) de la parte de la regla. Si se encuentra tal regla, su premisa se convierte en el nuevo subgoal. En un sistema experto con pocos estados de metas posibles, esta es una buena estrategia a seguir.

Es el más adecuado para aplicaciones en las que las posibles conclusiones son limitadas en número y bien definidas. Ejemplo: sistemas de clasificación o tipo de diagnóstico

Arquitectura de un sistema experto

Base de conocimiento: contiene el conocimiento necesario para comprender, formular y resolver.

Problemas

Reglas de inferencia: es un cerebro del sistema experto. Utiliza la estructura de control (intérprete de reglas) y proporciona una metodología para razonar

condición (IF) de cada regla en la base de conocimiento con los hechos actualmente disponibles en
Arboles de decisión Paper 1S2: SISTEMAS FUZZY BASIC LOGIC EN APLICACIONES DE GESTIÓN Y EMPRESAS En

Arboles de decisión

Arboles de decisión Paper 1S2: SISTEMAS FUZZY BASIC LOGIC EN APLICACIONES DE GESTIÓN Y EMPRESAS En

Paper 1S2: SISTEMAS FUZZY BASIC LOGIC EN APLICACIONES DE GESTIÓN Y EMPRESAS

En este artículo, explicamos algunos conceptos de sistemas expertos de lógica difusa y sus aplicaciones en el proceso empresarial y de gestión. También resumir algunas características de la lógica difusa con la ayuda de algunos ejemplos en tiempo real que se basa en aplicaciones de lógica difusa.

La lógica difusa es una aproximación a la computación basada en "grados de verdad" en lugar de la lógica booleana "verdadera o falsa" (1 o 0) en la que se basa la computadora moderna. La idea de la lógica difusa fue adelantada por primera vez por el Dr. Lotfi Zadeh de la Universidad de California en Berkeley en la década de 1960. El Dr. Zadeh estaba trabajando en el problema

de la comprensión informática del lenguaje natural. El lenguaje natural (como la mayoría de las otras actividades en la vida y, de hecho, el universo) no se traduce fácilmente a los términos absolutos de 0 y 1. (Si todo es descriptible en términos binarios, es una pregunta filosófica que vale la pena seguir, pero en la práctica, muchos datos podríamos quiere alimentar a una computadora está en algún estado intermedio y así, con frecuencia, son los resultados de la informática).

Paper 2S2: Aprendizaje automático supervisado: una revisión de las técnicas de clasificación

El aprendizaje automático supervisado es la búsqueda de algoritmos que razonan desde instancias suministradas externamente para generar hipótesis generales, que luego hacen predicciones sobre instancias futuras. En otras palabras, el objetivo del aprendizaje supervisado es construir un modelo conciso de la distribución de etiquetas de clase en términos de características de predictor. El clasificador resultante se usa para asignar etiquetas de clase a las instancias de prueba donde se conocen los valores de las características del predictor, pero se desconoce el valor de la etiqueta de clase. Este documento describe varias técnicas supervisadas de clasificación de aprendizaje automático. Por supuesto, un solo artículo no puede ser una revisión completa de todos los algoritmos supervisados de clasificación de aprendizaje automático (también conocidos algoritmos de clasificación de inducción), sin embargo, esperamos que las referencias citadas cubran los principales problemas teóricos, guiando al investigador en direcciones interesantes de investigación y sugiriendo posibles combinaciones de sesgo que aún no se han explorado.

Semana 3: Machine Learning

• Un campo de estudio que le da a las computadoras la capacidad de aprender sin ser

programado explícitamente.

• Se dice que un programa de computadora aprende de la experiencia E con respecto a una clase de tareas T y el rendimiento mide P, si su desempeño en las tareas en T, medido por P, mejora con la experiencia E (Tom M. Mitchell).

• El aprendizaje automático se encuentra en la intersección de la informática, la ingeniería y

las estadísticas, y con frecuencia aparece en otras disciplinas.

• Se puede aplicar a muchos campos, desde la política hasta la Medicina.

Aprendizaje supervisado

• ¿La tarea de aprendizaje automático consiste en deducir una función de los datos de

entrenamiento etiquetados? • Le decimos al algoritmo qué predecir. •Datos •Datos de entrenamiento • El conjunto de entrenamiento es un conjunto de ejemplos de entrenamiento para entrenar algoritmos de aprendizaje automático. • Variable de destino se conocen. • Aprende al encontrar alguna relación entre las características y la variable de destino.

•Equipo de prueba

• Datos utilizados para validar el algoritmo

Aprendizaje sin supervisión

• En aprendizaje no supervisado, no hay etiqueta ni valor objetivo para los datos.

• El problema del Aprendizaje No Supervisado es tratar de encontrar la estructura oculta en los datos no etiquetados.

• No hay señal de error o recompensa para evaluar una posible solución. • Algunas tareas:

• Clustering: una tarea en la que agrupamos elementos similares juntos o dividiendo un gran conjunto de datos en conjuntos de datos más pequeños de cierta similitud

Semana 4:

Solución del problema de IA: Definición del problema y proceso de solución

• Definición precisa del problema en términos de especificaciones para diferentes situaciones durante el proceso de solución.

• Elija una técnica de solución adecuada, el problema debe analizarse para comprender sus

características importantes y su influencia en las diferentes técnicas de solución.

• El conocimiento tiene que estar representado correctamente, que se puede acceder y manipular fácilmente durante la resolución de problemas.

• Elija la estrategia de control más adecuada y aplíquela para resolver el problema para

situaciones determinadas. Técnicas de búsqueda

• El núcleo de cualquier programa AI es la búsqueda a través del conocimiento.

• Los problemas típicos de AI pueden tener soluciones en dos formas:

• Estado que satisface los requisitos

• Ruta que especifica la forma en que uno tiene que atravesar para obtener una solución • Una buena técnica de búsqueda debe tener los siguientes requisitos:

• Una técnica de búsqueda debe ser sistemática • Una técnica de búsqueda debe hacer cambios en la base de datos

Breadth-First Search (BFS)

• Estado inicial: PDFG • Estado objetivo: DGPF

• Las evaluaciones se llevan a cabo en profundidad. • La evaluación 14 da el estado

• Las evaluaciones se llevan a cabo en profundidad. • La evaluación 14 da el estado del objetivo.

• Las evaluaciones se llevan a cabo en profundidad. • La evaluación 14 da el estado

Depth-First Search (DFS)

• Estado inicial: PDFG • Estado objetivo: DGPF • El primer estado debajo del nivel actual se genera y se evalúa recursivamente • La evaluación 11 da el estado del objetivo.

• Las evaluaciones se llevan a cabo en profundidad. • La evaluación 14 da el estado
Búsqueda heurística • Generalmente guían el proceso de búsqueda hacia la región donde se encuentran las

Búsqueda heurística

• Generalmente guían el proceso de búsqueda hacia la región donde se encuentran las

soluciones aceptables

• Depende del problema resuelto • Estado inicial: PDFG • Estado objetivo: DGPF

Búsqueda heurística • Generalmente guían el proceso de búsqueda hacia la región donde se encuentran las

Búsqueda heurística

• Cuando se combina una simple heurística con BFS, la eficiencia de la búsqueda mejoró,

resultando solo 7 evaluaciones para alcanzar la meta.

La mejor búsqueda primero Utilizando el problema anterior y los criterios de selección cuantificados: • 100

La mejor búsqueda primero Utilizando el problema anterior y los criterios de selección cuantificados:

• 100 por cada buena posición • Además de 100 para obtener la posición correcta después del cambio.

La mejor búsqueda primero Utilizando el problema anterior y los criterios de selección cuantificados: • 100

Best-First Search (algoritmo A *)

Best-first search explora un gráfico expandiendo el nodo más prometedor elegido de acuerdo con una regla especificada.

La mejor búsqueda primero Utilizando el problema anterior y los criterios de selección cuantificados: • 100

Búsqueda de árbol binario (BTS)

• BTS es un árbol binario donde cada nodo tiene una clave comparable y satisface la restricción

de que la clave en cualquier nodo es mayor que las claves en todos los nodos en el subárbol izquierdo de ese nodo y más pequeña que las claves en todos los nodos en el subárbol derecho de ese nodo.

• BTS es un árbol binario donde cada nodo tiene una clave comparable y satisface la

Búsqueda de árbol binario (BTS): búsqueda

• BTS es un árbol binario donde cada nodo tiene una clave comparable y satisface la

Búsqueda de árbol binario (BTS): Insertar

Búsqueda de árbol binario (BTS): Eliminar Semana 5: Arboles de decisión

Búsqueda de árbol binario (BTS): Eliminar

Búsqueda de árbol binario (BTS): Eliminar Semana 5: Arboles de decisión

Semana 5: Arboles de decisión

Árboles de decisión

• El objetivo con cualquier árbol de decisión es crear un modelo viable que prediga el valor de

una variable de destino en función del conjunto de variables de entrada.

• Dos tipos principales:

• El análisis de árbol de clasificación es cuando el resultado pronosticado es la clase a la que pertenecen los datos.

• El análisis del árbol de regresión es cuando el resultado predicho puede considerarse un

número real. • Se utiliza en muchas industrias: instituciones financieras, vendedores, campo médico y otros.

• Ventaja: es fácil de leer. Desventaja: puede crear modelos complejos dependiendo de los

datos. Cómo funcionan los árboles de decisión

• Los árboles están compuestos por nodos y bordes • Cada nodo está asociado con una variable de entrada • El borde es el valor total posible de ese nodo. • Una hoja representa el valor basado en los valores dados de la variable de entrada

Árboles de decisión • El objetivo con cualquier árbol de decisión es crear un modelo viable

Construyendo un árbol de decisiones: Ejemplo

• Ejemplo: Historial de compras del usuario:

• ¿El cliente tiene una cuenta? • ¿El cliente leyó reseñas de productos anteriores? • ¿El cliente es un cliente que regresa? • ¿El cliente compró el producto?

Semana 6: Red Bayesiana Red Bayesiana • Puede ser referido como modelo gráfico acíclico dirigido p

Semana 6: Red Bayesiana Red Bayesiana

• Puede ser referido como modelo gráfico acíclico dirigido probabilístico (DAG), Bayes Network, Belief Network o Bayesian Model.

• Sobre la base de un conjunto de variables conectadas, es posible predecir resultados basados

en probabilidades. El valor resultante de una variable influirá en la probabilidad de salida de otra, de ahí el uso de nodos en red.

• Una red bayesiana logra combinar la teoría de la probabilidad con la teoría de gráficos y

proporciona un método muy útil para abordar la complejidad y la incertidumbre. Un ejemplo:

• Preguntas como: ¿Está mojado mi jardín? • Tres nodos: lluvia, YardWet, manguera • Dos eventos que provocan que el patio esté húmedo. • Y = Yard wet (True o False) • R = Lloviendo (verdadero o falso) • H = Alguien que usa la manguera (Verdadero o Falso)

p (Y, R, H) = p (Y | R, H) p (H | R) p (R)

¿Cuál es la probabilidad de que llueva cuando el patio está húmedo?

Semana 6: Red Bayesiana Red Bayesiana • Puede ser referido como modelo gráfico acíclico dirigido p
Cálculo de resultados • Dado que el patio está húmedo, ¿cuál es la probabilidad de que

Cálculo de resultados

• Dado que el patio está húmedo, ¿cuál es la probabilidad de que llueva? • Entonces, YardWet (Verdadero) y Lluvia (Verdadero), ¿manguera? (Verdadero o falso). •Probabilidad:

Cálculo de resultados • Dado que el patio está húmedo, ¿cuál es la probabilidad de que

Ejemplo: Myelophaty espondilótico cervical (CSM)

• La mielopatía espondilótica cervical (CSM) es una enfermedad de la columna vertebral y es

una de las disfunciones de la médula espinal más comunes en pacientes mayores de 55 años. Los síntomas incluyen alteraciones del paso que conducen a problemas para caminar, y

debilidad en general. Los procedimientos quirúrgicos están disponibles y se realizan cuando el CSM progresa a síntomas leves o graves.

• Nodos:

• Edad del paciente (A) • ¿Fuma el paciente (S) • Duración de los síntomas (D) • Exito de resultado quirúrgico (SS)

Aprendiendo la red bayesiana a partir de datos: Algoritmo K2 • K2 es un algoritmo para
Aprendiendo la red bayesiana a partir de datos: Algoritmo K2 • K2 es un algoritmo para

Aprendiendo la red bayesiana a partir de datos: Algoritmo K2

• K2 es un algoritmo para construir Bayes Network a partir de datos

• El problema que soluciona K2 es el de encontrar una red bayesiana (modelo) a partir de una base de datos D, que contiene un conjunto de variables denominado Z, Bsi y Bsj que son dos modelos de red bayesiana que contienen exactamente las mismas variables que están en Z.

Algoritmo K2

Entrada: un conjunto de nodos, un ordenamiento en los nodos, un límite superior u sobre el número de padres que puede tener un nodo, y una base de datos D que contiene m casos.

Salida: para cada nodo, una impresión de los padres del nodo Pasos:

• Paso 1: Grafo inicial sin arcos. • Paso 2: Elección de un arco para agregar al grafo. • Paso 2.1: Calcula la probabilidad de la nueva red con un arco nuevo en cada caso. • Paso 2.2: elija el arco que da probabilidad mayor.

• Paso 3: Si el arco nuevo aumenta la probabilidad de la nueva red, se agrega y se va al paso 2, en caso contrario Fin, esa es la red

Setting parameters

•initAsNaiveBayes: Cuando se establece en True será una red con una flecha desde el nodo de

clasificador a cada nodo. Cuando se establece en falso, la estructura inicial corresponderá a una red vacía.

•markovBlanketClassier: Cuando se establece en true se asegura que todos los nodos de la red

forman parte de la manta de Markov (Markov Blanket) del nodo de clasificador.

•maxNrOfParents: Establece el número máximo de padres que un nodo podrá tener en la red bayesiana. Cuando se establece en 2, será una red de bayes aumentada a árbol (TAN), y cuando se establece >2, una red de bayes aumentada de red (BAN).

Red neuronal artificial

• El modelo matemático • La neurona aplico la función de activación a todas las entradas
• El modelo matemático
• La neurona aplico la función de activación a todas las entradas x1
...
xj
...
xn
Red Neuronal Artificial en Weka • Ir a clasificar • Haga clic en Elija • Seleccionar

Red Neuronal Artificial en Weka

• Ir a clasificar • Haga clic en Elija • Seleccionar funciones -> MultilayerPerceptron • Opciones de selección del clasificador • Seleccione las opciones para el clasificador • GUI: cierto • HiddenLayer:

• a: (atributo + clases) / 2 • i: atributos • o: clases • t: atributos + clases • Autobuild •Tiempo de entrenamiento