Documente Academic
Documente Profesional
Documente Cultură
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.
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.
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.
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.
Entornos de Trabajo son esencialmente los problemas para los que los agentes racionales son
las soluciones.
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.
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.
Programas de los Agentes: Reciben las percepciones actuales como entradas de los sensores y
devuelven una acción de los actuadores.
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.
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.
Razona sobre las operaciones que realiza como y porque las ejecuta.
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.
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.
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
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
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.
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.
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.
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:
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.
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:
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.
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