You are on page 1of 19

CRISTIAN CHAVEZ

1005175663

.

.DEFINICIONES Un sistema inteligente es un programa de computación que reúne características y comportamientos asimilables al de la inteligencia humana o animal. por ejemplo para una casa inteligente o un sistema experto. La expresión "sistema inteligente" se usa a veces para sistemas inteligentes incompletos.

Puede actuar. Tiene un objetivo e. Aprende cómo lograr mejorar su rendimiento y eficiencia. inspeccionando su memoria.Un sistema inteligente completo incluye "sentidos" que le permiten recibir información de su entorno. y tiene una memoria para archivar el resultado de sus acciones. . puede aprender de su experiencia.

TÉCNICAS Técnicas de Búsqueda Introducción Las corrientes de la inteligencia artificial y computacionales emergentes son ciencias abiertas en sentido de que definen técnicas de solución de características de paradigmas. ya sea por variaciones o diferentes fenómenos indeligentesque ocurren en la naturaleza. .

Agentes Inteligentes 2. Sistemas Híbridos 3. Redes Neuronales 4.Técnicas Inteligentes En las empresas Distintas técnicas: 1. Algoritmos Genéticos 5. Sistema de lógica difusa 6. Inteligencia Organizacional .

APLICACIONES En este artículo se desea realizar un recorrido por las principales aplicaciones de la  Inteligencia Artificial (IA) en la Educación. tales como los Sistemas Tutoriales Inteligentes y Sistemas de Enseñanza Inteligentes Distribuidos a través de Internet. .

fundamentalmente. . de aplicar las técnicas de la IA al desarrollo de sistemas de enseñanza asistida por ordenador con el propósito de construir sistemas de enseñanza inteligentes. constituye actualmente un campo de creciente interés donde se tratan.La aplicación de la Inteligencia Artificial (IA) en la Educación.

 REDES NEURONALES Y SISTEMAS FUZZY .

DEFINICIONES Las redes de neuronas artificiales (denominadas habitualmente como RNA o en inglés como: "ANN"1 ) son un paradigma de aprendizaje y procesamiento automático inspirado en la forma en que funciona el sistema nervioso biológico. En inteligencia artificial es frecuente referirse a ellas como redes de neuronas o redes neuronales. . Se trata de un sistema de interconexión de neuronas que colaboran entre sí para producir un estímulo de salida.

el mecanismo de aprendizaje.CARACTERÍSTICAS Existen cuatro aspectos que caracterizan una red neuronal: Su topología. tipo de asociación realizada entre la información de entrada y salida. y la forma de representación de esta información .

el grado de conectividad y el tipo de conexiones entre neuronas . los parámetros fundamentales son: el número de capas.TOPOLOGÍA La topología o arquitectura de las redes neuronales consiste en la organización y disposición de las neuronas en red formando capas o agrupaciones de neuronas. En este sentido. el número de neuronas por capa.

MECANISMO DE APRENDIZAJE El aprendizaje es el proceso por el cual una red neuronal modifica sus pesos en respuesta a una información de entrada. los pesos de las conexiones de la red sufren modificaciones. Durante este proceso. por lo que se puede afirmar que este proceso ha terminado (la red ha aprendido) cuando los valores de los pesos permanecen estables. .

. esta información se registra de forma distribuida en los pesos asociados a las conexiones entre neuronas de entrada y salida.tipo de asociación realizada entre la información de entrada y salida Las redes neuronales artificiales (RNA) almacenan cierta información aprendida.

En algunas redes tanto los datos de entrada como los de salida son de naturaleza analógica. cuando esto ocurre. .FORMA DE REPRESENTACIÓN DE ESTA INFORMACIÓN Las RNA pueden representar la información de entrada y de salida de manera diferente. con base en lo cual se pueden clasificar. de tipo lineal o sigmoidea. las funciones de activación de las neuronas son continuas.

APLICACIONES Una segunda clasificación que se suele hacer es en función del tipo de aprendizaje de que es capaz (si necesita o no un conjunto de entrenamiento supervisado). Para cada tipo de aprendizaje encontramos varios modelos propuestos por diferentes autores: .

red backpropagation. y la memoria asociativa bidireccional. el perceptor multicapa. la red Adelina.Aprendizaje supervisado: Necesitan un conjunto de datos de entrada previamente clasificado o cuya respuesta objetivo se conoce. . Ejemplos de este tipo de redes son: elperceptrón simple.

las redes de Kohonen o mapas autoorganizados y las redes de resonancia adaptativa (ART). . las redes de Hopfield.Aprendizaje no supervisado o auto organizado  no necesitan de tal conjunto previo. Ejemplos de este tipo de redes son: las memorias asociativas. la máquina de Boltzmanny la máquina de Cauchy. las redes de aprendizaje competitivo.

Un ejemplo de este último tipo son las redes de base radial. Aprendizaje reforzado: se sitúa a medio camino entre el supervisado y el auto organizado.Redes híbridas:  son un enfoque mixto en el que se utiliza una función de mejora para facilitar la convergencia. .