Inteligencia se puede definir como la capacidad de resolver problemas o elaborar productos

que sean valiosos en una o más culturas.

Qué es IA: Es la capacidad que le damos a un software de poder analizar en qué situación se
encuentra y cuál es la mejor decisión.

Ventajas de la inteligencia artificial: Resolver problemas, Resolución de problemas mediante

búsqueda, agentes lógicos, aprendizaje automático, razonamiento probabilístico.

Aprendizaje Automático: Mejoras para el desarrollo de software, resolución de problemas, etc.

Cambia en la manera de que cambia un problema. Se basa en las matemáticas y razonamiento.
Como combinar entradas para producir predicciones útiles sobre datos nunca antes vistos.

Agente Inteligente es cualquier cosa capaz de percibir su medioambiente con la ayuda de

sensores y actuar en ese medio utilizando actuadores.

Sensores: Un agente humano tiene ojos oídos y otros órganos sensoriales además de manos
piernas bocas y otras

Actuador: para actuar Un agente recibe pulsaciones del teclado archivos de información y
paquetes vía red a modo de entradas sensoriales y actúa sobre el medio con mensajes en el
monitor.

Percepción se utiliza en el contexto para indicar que el agente puede recibir entradas en
cualquier instante.

Secuencia de Perceptores el historial completo de lo que ha recibido un agente, un agente

tomara una decisión en un momento dado dependiendo de la secuencia completa de
percepciones hasta ese instante.

Función del agente: En términos matemático se puede decir que el comportamiento del agente
viene dado por la función del agente que proyecta una percepción dada en una acción.
Medidas de Rendimiento: incluyen los criterios que determinan éxito en el comportamiento
del agente. Cuando se sitúa un agente en un medio genera una secuencia de acciones de
acuerdo a las percepciones que recibe.

Racionalidad este depende de cuatro factores:

La medida de rendimiento que define el criterio de éxito.

El conocimiento del medio en el que habita acumulado por el agente.

Las acciones que el agente puede llevar a cabo

La secuencia de percepciones del agente hasta el momento

Agente Racional: Un agente racional debe emprender aquella acción que supuestamente
maximice su medida de rendimiento basándose en la evidencia aportada por la secuencia de
percepciones y el conocimiento que el agente tiene almacenado.

Recopilación de Información: Llevar a cabo acciones con la intención de modificar

percepciones futuras en ocasiones proceso denominado recopilación de información es una
parte importante de la racionalidad.

Exploración: un segundo ejemplo de recopilación de información lo proporciona la exploración

que el agente debe llevar a cabo en un medio inicialmente desconocido.

Aprendizaje: La definición propuesta implica que el agente racional no solo recopile

información sino que aprenda lo máximo posible de lo que está percibiendo. La configuración
inicial del agente puede reflejar un conocimiento preliminar del entorno pero a medida que el
agente adquiere experiencia este puede modificar y aumentar.

Autonomía: Se dice que un agente carece de autonomía cuando se apoya más en el

conocimiento inicial que le proporciona su diseñador que en sus propias percepciones. Un
agente racional debe ser autónomo debe saber aprender a determinar cómo tiene que
compensar el conocimiento completo o incompleto.

Entornos de Trabajo son esencialmente los problemas para los que los agentes racionales son
las soluciones.

REAS Es la especificación de medidas de rendimiento, entorno, actuadores y sensores del

agente.
Totalmente observable vs Parcialmente observable

Si los sensores del agente le proporcionan acceso al estado completo del medio en cada
momento entonces se dice que el entorno es totalmente observable. Cuando los sensores
detectan todos los aspectos que son relevantes en la toma de decisiones la relevancia depende
del rendimiento. Un entorno es parcialmente observable debido al ruido y a la existencia de
sensores pocos exactos o porque los sensores no reciben información de parte del sistema.

Determinista vs. Estocástico. Si el siguiente estado es totalmente determinado por el estado

actual y la acción ejecutada por el agente entonces se dice que el entorno es determinista sino
es estocástico.

Discreto vs. Continuo. Se puede aplicar al estado del medio a la forma en que se maneja el
tiempo y las percepciones y acciones del agente.

Estructura del Agente: Programa del agente que implemente la función del agente que proyecta
las percepciones en las acciones. Se asume que este programa se ejecutara en algún tipo de
computador con sensores físicos y actuadores.

Agente = Arquitectura + Programa

Programas de los Agentes: Reciben las percepciones actuales como entradas de los sensores y
devuelven una acción de los actuadores.

4 Tipos Básicos de programa de agentes:

Agentes reactivos simples: Estos agentes seleccionan las acciones sobre la base de las
percepciones actuales ignorando el resto de percepciones históricas.
Agentes reactivos basados en modelos: La forma más efectiva que tienen los agentes de
manejar la visibilidad parcial es almacenar información de las partes del mundo que no pueden
ver. O lo que es lo mismo, el agente debe mantener algún tipo de estado interno que dependa
de la historia percibida y que de ese modo refleje por lo menos alguno de los aspectos no
observables del estado actual.
Agentes reactivos basados en objetivos: El conocimiento sobre el estado actual del mundo no
es siempre suficiente para decidir qué hacer. En algunas ocasiones, la selección de acciones
basadas en objetivos es directa, cuando alcanzar los objetivos es el resultado inmediato de una
acción individual. La toma de decisiones de este tipo es fundamentalmente diferente de las
reglas de condición–acción descritas anteriormente.

Agentes basados en utilidad:

Agentes que aprenden.

Los agentes tienen una gran variedad de componentes, y estos componentes se pueden
representar de muchas formas en los programas de agentes, por lo que, parece haber una gran
variedad de métodos de aprendizaje.

Existe, sin embargo, una visión unificada sobre un tema fundamental. El aprendizaje en el campo
de los agentes inteligentes puede definirse como el proceso de modificación de cada
componente del agente, lo cual permite a cada componente comportarse más en consonancia
con la información que se recibe, lo que por tanto permite mejorar el nivel medio de actuación
del agente.

Pasos para resolver un problema

Formulación de objetivo: Los objetivos ayudan a organizar su comportamiento limitando las

metas que intenta alcanzar el agente. El primer paso para solucionar un problema es la
formulación del objetivo, basado en la situación actual y la medida de rendimiento del agente.

Consideraremos un objetivo como un conjunto de estados del mundo (exactamente aquellos

estados que satisfacen el objetivo). La tarea del agente es encontrar qué secuencia de acciones
permite obtener un estado objetivo.

Formulación del problema: Dado un objetivo, la formulación del problema es el proceso de

decidir qué acciones y estados tenemos que considerar.
Agentes Lógicos.

Capaces de aceptar tareas nuevas en forma de objetivos descritos explícitamente, pueden

obtener rápidamente competencias informándose acerca del conocimiento del entorno o
aprendiéndolo, y pueden adaptarse a los cambios del entorno actualizando el conocimiento
relevante.

Características de un Sistema Experto

Toma de decisiones con la competencia de un experto.

Representa el conocimiento y realiza inferencias

Basado en un gran Volumen de conocimiento teórico

Razona sobre las operaciones que realiza como y porque las ejecuta.

Constituye un modo no algorítmico

Admite una fácil modificación de conocimientos sin reprogramar el sistema

Estructura de un Sistema Experto

Sistema Basado en Conocimientos: Un mecanismo de aprendizaje, una base de

conocimientos, un motor de razonamiento y medios de comunicación hombre máquina.

INTELIGENCIA ARTIFICAL  SISTEMAS BASADOS EN CONOCIMIENTOS  SISTEMAS EXPERTOS

Estructura en un Sistema Basado en el conocimiento.

Sistema Experto: Son aplicaciones de computo que involucran experiencia no algorítmica para
resolver cierto tipo de problema. Encargados de representar conocimiento de los especialistas
de una rama en la procura de su aprovechamiento para tareas de diagnóstico, enseñanza y
control.

Componentes del Sistema en si e interfaces con individuos con varios roles.

Base de Conocimiento La representación declarativa de la experiencia muchas veces en forma

de regla if then.

Almacén de Trabajo Los datos específicos al problema que se está resolviendo.

Máquina de Inferencia El código central del sistema experto que deriva recomendaciones con
base en la base de conocimientos y los datos específicos del problema.

Interfaz de Usuario El código que controla el dialogo entre el usuario y el Sistema Experto.

Rol de Usuario

Experto del Dominio: El o los Individuos que son los expertos en resolver el problema que el
Sistema Experto intentara resolver.

Ingeniero de Conocimiento: El individuo que codifica el conocimiento del experto en forma

declarativa para que pueda ser usado por el sistema experto.

Usuario: El individuo que consulta el Sistema Experto para obtener los consejos que esperaría
en un experto del dominio.¬
Uso del Shell: Razonamiento guiado por las metas y encadenamiento hacia atrás. Una técnica
de inferencia que usa las reglas if then para descomponer las metas en submetas mas fáciles
de probar.

Manejo de incertidumbre La habilidad del SE para trabajar con reglas y datos que no son
conocidos con precisión.

Razonamiento guiado por los datos y encadenamiento hacia adelante. Una técnica de
inferencia que usa las reglas if then para deducir soluciones a un problema a partir de los datos
iniciales disponibles.

Razonamiento basado en metas es una forma eficiente de resolver problemas que pueden ser
modelados como casos de selección estructurada donde la meta del sistema experto es elegir
la opción de entre varias posibilidades enumeradas.

INCERTIDUMBRE: Cuando una resolución del problema de solución estructurada que la

respuesta final no es conocida con total certeza con reglas de experto que pueden ser vagas o
puede estar inseguro por las respuestas.

Razonamiento guiado por los datos para muchos problemas no es posible enumerar las
soluciones alternativas a las preguntas planteadas con antelación se utiliza if then para
explorar el estado actual en la solución del problema y moverse a estados mas cercanos a la
solución.
¬Diseñe el diagrama de Región de decisión correspondiente a un perceptron simple con dos
neuronas de entrada

Realice el diagrama o esquema de un control difuso

Diagrame la función de activación escalón simétrico

Diagrame la arquitectura unidireccional con tres capas de neuronas: una capa de entrada, una
capa oculta y una capa de salida
Diagrame el Sistema Global de Proceso de una red Neuronal

Sistemas de Razonamiento Probabilístico

Son sistemas de razonamiento basados en modelos de redes y, con base en las leyes de la teoría
de la probabilidad, se emplean para razonar en situaciones de incertidumbre. La principal
ventaja del razonamiento probabilístico en comparación con el razonamiento lógico es que el
agente lógico puede tomar decisiones racionales aún si disponer de suficiente información para
probar que una acción dada funcionará.

Representación del Conocimiento en un Dominio incierto

La distribución 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. No resulta muy natural la especificación de probabilidades
de eventos atómicos y puede volverse bastante complicada, a menos de contar con una gran
cantidad de datos que permita recopilar estimaciones estadísticas.

Red Bayesiana

Se utiliza para representar la dependencia que existe entre determinadas variables se usa una
estructura de datos, formada por un conjunto de variables aleatorias cada par de nodos se
conecta entre sí mediante un conjunto de enlaces o flechas. Por cada nodo hay una tabla de
probabilidad condicional que sirve para cuantificar los efectos de los padres sobre el nodo.

INTELIGENCIA ARTIFICIAL Y TEOREMA DE BAYES

La toma de decisiones está presente en todas las actividades del hombre y con frecuencia el
dilema de qué elección es la más correcta nos puede causar algo de preocupación, ya que
siempre buscaremos evitar cierto grado de incertidumbre que viene de la mano de la decisión
que podamos tomar.

Independientemente de la incertidumbre que esto genera muchas veces estamos obligados a

tomar una decisión y a pesar de las condiciones, no debemos salirnos de la realidad y buscar
criterios de elección lo más acertados posibles.

Para esto el utilizar la lógica al razonar nos dirá que debemos elegir la opción que plantea un
riesgo menor y para determinar esto usaremos la información disponible y de la menor forma
para determinar la probabilidad de ocurrencia de un evento.
Redes Neuronales Artificiales.

Las cuales emulan las redes neuronales biológicas, y que se han utilizado para aprender
estrategias de solución basadas en ejemplos de comportamiento típico de patrones; estos
sistemas no requieren que la tarea a ejecutar se programe, ellos generalizan y aprenden de la
experiencia. Las aplicaciones más exitosas de las RNA son:

Procesamiento de imágenes y voz, reconocimiento de patrones, planeamiento, Interfaces

adaptivas para sistemas hombre/maquina, predicción, Control y optimización, Filtrado de
Señales.´

Las RNA no ejecutan instrucciones, responden en paralelo a las entradas que se presentan. El
resultado no se almacena en una posición de memoria este es el estado de la red para lograr
cualquier equilibrio. El conocimiento de la red neuronal no se almacena en instrucciones el
poder de la red está en su topología y en los valores de las conexiones (pesos) entre neuronas.

Una RNA es un paradigma de procesamiento de información inicialmente inspirado en el modo

en el que lo hace el cerebro con el elemento clave del paradigma es la estructura compuesta por
un cierto número de elementos de procesamientos o neuronas que trabajan al unisono para
resolver un problema específico.

Características de una RNA

El modelo de una neurona artificial es una imitación del proceso de una neurona biológica,
puede también asemejarse a un sumador hecho con un amplificador operacional. Una RNA es
una paradigma de procesamiento de información inspirado en la forma que lo hace el cerebro
el secreto es la estructura compuestas por un cierto número de elementos de procesamientos
o neuronas que trabajan al unísono para resolver un problema específico. Con conexiones entre
las distintas neuronas simulando las conexiones del cerebro pueden establecerse con mayor o
menor intensidad determinado por los pesos cada entrada es afectada por el peso.
Partes de un RNA

Entradas: Reciben los datos o parámetros que le permiten decidir a la neurona si está activa o
no normalmente se presenta como X1 X2 .. XN Entre la Entrada y el núcleo se encuentran los
pesos que representan la memoria de la Red.

Núcleo: Aquí se realizan las operaciones necesarias para determinar una salida de la neurona.
El proceso que realiza en el núcleo depende de la red neuronal que se está trabajando Utilizando
las siguientes tres funciones:

Función de Propagación: Consiste en la sumatoria de cada entrada multiplicada por el peso de

su interconexión valor neto si el valor es positivo la conexión se denomina excitatoria si es
negativa es inhibitoria. Esta función calcula el valor de la base o entrada total de la unidad
generalmente como una simple suma ponderada de todas las entradas recibidas.

Esta función permite obtener a partir de las entradas y los pesos el valor del potencial post-
sináptico hi de la neurona.
Función de Activación: Es la característica principal o definitoria de las neuronas la que mejor
define el comportamiento de la misma. Porporciona el estado de activación de la neurona en
función del estado anterior y del valor post-sinaptico. Se usan diferentes tipos de funciones
desde simple funciones de umbral a funciones no lineales. Se encarga de calcular el nivel o
estado de activación de la neurona en función de la entrada total. Esta función es la que se
modifica a la anterior. Puede existir o no existir siendo en este caso la salida la misma función
de propagación.

Función de Transferencia Se aplica al valor devuelto por la función de activación Se conoce

también como la función de salida. Se utiliza para acotar la salida de la neurona y generalmente
viene dada por la interpretación que queremos darle a dichas salidas algunas de las mas
utilizadas son la función sigmoida para obtener valores en el intervalo [0,1] y la tangente
hiperbólica en el intervalo [-1,1]
Red Perceptron

Es un red con todas las entradas conectadas directamente a las salidas en estas las entradas se
pasan primero a través de algunos pre-procesadores que conmunmente se llaman unidades de
asociación quienes son encargadas de detectar la presencia de ciertas características en las
entradas cada unidad de salida es independiente de las otras y cada peso afecta solo una de las
salidas.

Logica Difusa

Logica basada en la teoría de conjuntos que trata de imitar el comportamiento de la lógica

humana se utiliza para representar la información impresisa ambigua o vaga para tomar
decisiones razonables en un entorno de incertidumbre, representa imprecisión en el lenguaje
natural utiliza conjuntos disjuntos, relaciones difusas variables difusas, estos elementos se
combinan en el proceso de inferencia es un conjunto de pasos que pasa la información precisa
a difusa o viceversa.