You are on page 1of 43

Ing.

Aldo Méndez Burgoa
I-2017

1. Diseña sistemas con tecnología de
inteligencia artificial;
2. identificando el hardware con requerimiento
de inteligencia;
3. aplicando la programación orientada a
agentes
4. y utilizando simulación de estructuras de
inteligencia artificial.

2

En 1956, John McCarthy acuñó la expresión
"inteligencia artificial", y la definió como:
"...la ciencia e ingenio de hacer máquinas inteligentes,
especialmente programas de cómputo inteligentes"

John McCarthy
(Premio Turing –
1971) 3

Inteligencia Artificial = Inteligencia Computacional
 Inteligencia exhibida por máquinas

Una
es Un Agente que
Máquina un
Racional percibe
“Inteligente“ entorno
Flexible
(ideal)

realiza

Un
para la para
Objetivo
lograr posibilidad maximizar acciones
o
de éxito
Tarea
http://ai.stanford.edu/
4

 Observar – Analizar ◦ Formar Equipos ◦ Ver y analizar secuencia de video ◦ Elaborar Resumen ◦ Presentar y Leer 5 .

Algoritmos genéticos 3. Búsqueda del estado 2. según Nilsson: 1.Cuatro pilares básicos. Razonamiento mediante una lógica formal Nils John Nilsson 6 . Redes neuronales artificiales 4.

Nils John Nilsson 7 . Búsqueda del estado requerido en el conjunto de los estados producidos por las acciones posibles.1.

Algoritmos genéticos (análogo al proceso de evolución de las cadenas de ADN).2. Nils John Nilsson 8 .

Redes neuronales artificiales (análogo al funcionamiento físico del cerebro de animales y humanos). Nils John Nilsson 9 .3.

4. Razonamiento mediante una lógica formal análogo al pensamiento abstracto humano. Nils John Nilsson 10 .

Un gran número de pequeños elementos procesadores interconectados trabajando en forma paralela. 11 . Red Neuronal.

 Mediante reglas aprendidas de la experiencia. el ser humano se manifiesta mucho más eficaz que las computadoras en la resolución de problemas definidos de manera imprecisa. ambiguos. mediante miles de millones (1011) de células simples e interconectadas entre sí. llamadas neuronas. el cerebro alcanza estos objetivos. o que requieren procesar gran cantidad de información. 12 . localizadas en un recinto determinado del cerebro.

 Originadas en el conocimiento de las redes neuronales biológicas. 13 . funcionan porque cada neurona recibe una serie de entradas a través de interconexiones y emite una salida.

 Esta salida viene dada por tres funciones: 1. Activación 3. Propagación 2. Transferencia 14 .

15 . Propagación. en general consiste en el sumatorio de cada entrada multiplicada por el peso de su interconexión. Esta salida viene dada por tres funciones: 1.

16 . Esta salida viene dada por tres funciones: 2. Activación. siendo en este caso la salida la misma función de propagación. que modifica a la anterior y que puede no existir.

Transferencia. que se aplica al valor devuelto por la función de activación. Esta salida viene dada por tres funciones: 3. Se utiliza para acotar la salida de la neurona y generalmente viene dada por la interpretación que queramos darle a dichas salidas. 17 .

Red Neuronal Artificial 18 . Neurona o Unidad Procesadora 2.Principales componentes RNA: 1.

Neurona o Unidad Procesadora (X . Y) Sobre un conjunto de N nodos Nodos de Entrada: X ⊆ N . Nodo de Salida: Y . f . Función de activación: f 19 .Principales componentes RNA: 1.

Red Neuronal Artificial (N.U)  U es un conjunto de unidades procesadoras sobre N  Condición: cada nodo Xi es nodo de entrada o de salida de al menos una unidad procesadora de U.Principales componentes RNA: 2. 20 .

 Red neuronal Artificial  Función procesadora 21 .

aprender a partir de ciertos datos:  Elegida la arquitectura de red para un determinado problema.  los pesos de las conexiones se ajustan para codificar la información contenida en un conjunto de datos de entrenamiento. 22 .Aprendizaje: características de las RNA.

Red descubre patrones y categorías) 23 .Aprendizaje. Aprendizaje Supervisado (Relación Entrada- Salida) . Aprendizaje No Supervisado (No existe relación Entrada-Salida. Categorías por tipo de información disponible: .

Aprendizaje Hebbiano 2.. Representación de características 24 . Aprendizaje competitivo 3. Aprendizaje No Supervisado: 1.

Aprendizaje Hebbiano: modificar pesos de acuerdo con algún criterio de correlación entre las actividades neuronales. 25 . Aprendizaje No Supervisado: 1..

y 26 . Aprendizaje competitivo: neuronas diferentes se conectan con pesos negativos (inhibitorios) que fuerzan una competición para ganar la actividad neuronal.. Aprendizaje No Supervisado: 2.

Aprendizaje No Supervisado: 3. 27 .. Representación de características: que concierne a la ordenación geométrica de los vectores peso de las unidades competitivas.

Aprender en este contexto quiere decir identificar patrones complejos en millones de datos.Machine Learning. (e. Big Data) 28 .g. disciplina científica de la IA. que crea sistemas que aprenden automáticamente.

Se trata de crear programas capaces de generalizar comportamientos a partir de una información no estructurada suministrada en forma de ejemplos. 29 .

30 . ambas se basan en el análisis de datos. el aprendizaje automático se centra más en el estudio de la complejidad computacional de los problemas.Se solapa con el de la estadística. Sin embargo.

y robótica 31 . detección de fraude en el uso de tarjetas de crédito. 3. 2. clasificación de secuencias de ADN. 5. motores de búsqueda. juegos 8. análisis del mercado de valores. reconocimiento del habla y del lenguaje escrito. 6. 7. 4.Aplicaciones: 1. diagnósticos médicos.

Geométricos 2. Gradiente 32 . pueden ser: 1. Agrupamiento 5.El aprendizaje automático tiene como resultado un modelo para resolver una tarea dada. Probabilísticos (estadística bayesiana) 3. Lógicos (árboles de decisión) 4.

Los atributos mapean el espacio de instancias a un conjunto de valores o dominio de atributos. 33 .Atributo o característica es un tipo de medida realizada sobre cualquier instancia a medir.

valores binarios . números como la frecuencia de aparición de las instancias. estaciones o colores.Los valores del dominio pueden ser: . o un conjunto cualquiera como el de meses. . 34 .

El perceptrón. puede ser un tipo de RNA o una NA. (1928 .1969) (1928 . dentro de las RNA por Frank Rosenblatt .1969) 35 .

a redes capaces de modificar los pesos de sus conexiones si las respuestas de la red no eran las correctas y demostró que estas redes se podían entrenar para clasificar ciertos patrones en iguales o distintos. 36 . por tanto que eran capaces del reconocimiento de formas sencillas. Rosenblatt rechazó el uso de la lógica simbólica aplicada a las RNA y defendió métodos probabilísticos.  Llamó “perceptrones”.

37 .

corriente. Video: movimientos en escenas 6. 38 . pueden ser: 1. amplificación e interpretación de señales. típicamente para voltaje. filtros. Audio: sonidos. inductores. transistores o circuitos integrados. resistencias. Caso: Tecnología FPGA para el monitoreo y diagnóstico de fallas en maquinaria industrial.El procesamiento de señales es el procesamiento. 3. o una carga eléctrica. Analógicas: capacitores. microprocesadores y ordenadores. Matrices: Combinación de las anteriores. Digitales: circuitos digitales. Voz: voz humana 5. 4. 2.

39 . POA / AOP especialización de POO / OOP  Paradigma que modela aplicaciones con un conjunto de componentes llamados agentes.

 Los agentes se caracterizan por ser: ◦ Autónomos (independientes) ◦ Proactivos (tomar iniciativa) ◦ Comunicación (con otros agentes)  Siendo todos iguales. como tal no existe un servidor y un cliente en la comunicación 40 .

◦ aplicaciones industriales. ◦ manufactura ◦ y redes. 41 . Los sistemas multiagentes son utilizados por la industria en: ◦ los sistemas de misión critica. ◦ control de procesos. ◦ diagnóstico.

NET AOP.  Plataformas: Jade. Se han creado plataformas y frameworks específicos. 42 . Aspect J.  Centrándose solo en la lógica de los componentes y no en las características del ambiente donde deben ser desplegadas. .

43 .