Documente Academic
Documente Profesional
Documente Cultură
Tutor (a):
Fernando Rojas
Grupo:
90169_27
Estudiantes:
José Fernando Sánchez Gómez Código: 5829891
Nicolás García
Luis Edilson Cortez
Brian camilo Garzón Ramírez Código 1005826891
La representación del conocimiento se hace necesaria para que los sistemas de IA, realicen
procesos que imiten la inteligencia, cuando hablamos de conocimiento no se hace referencia
a los datos o la información como tal, el hablar de conocimiento se refiere a saber utilizar esos
datos o esa información, dicho conocimiento por lo general es demasiado voluminoso, o tal
vez con incertidumbre, hasta es difícil de caracterizar. Por esta y otras diversas razones la IA
intenta generalizar situaciones y agrupar aquellas con propiedades similares, para así de esta
manera no se representa cada situación de manera independiente sino por grupos.
• Representación de conocimiento por tripleta, objeto atributo y valor, donde los objetos
pueden ser físicos o conceptuales, lo objetos poseen atributos, los atributos caracterizan los
objetos y el valor es la medida de los atributos, los objetos y valores representa nodos y los
atributos, su conexión.
• Representación por marcos, estructura de datos que de cierta manera permite hablarle
al computador, posee conocimiento sobre un objeto en particular y permite realizar inferencias
y razonamientos utilizando la lógica.
El aprendizaje profundo (Deep Learning), es una forma de imitar el enfoque de aprendizaje del
ser humano, es un método de aprendizaje representacional de datos, este método de
aprendizaje en inteligencia artificial también es conocido con el nombre redes neuronales
profundas, el termino redes neuronales hace referencia a la neurobiología, pero aun así los
modelos de aprendizaje profundo no son modelos de nuestro cerebro.
El termino aprendizaje profundo se refiere a la representación sucesiva y jerárquica de datos
por medio de capas, dependiendo de la cantidad de capas que tiene el modelo así mismo se
denomina la profundidad en capas del modelo, en general el aprendizaje profundo es un
método multi-capa de representación de datos.
De cierta manera lo que se intenta realizar con el aprendizaje profundo es que el ordenador
aprenda y por decirlo así piense por sí mismo, esto se logra con el sistema de aprendizaje por
capas y no lineal, esto quiere decir que no es un secuencia lineal de instrucciones que se
ejecutan una por una, el sistema con el uso de las redes neuronales aprende a partir de la
experiencia, aprende a través de una gran cantidad de ejemplos existentes, de allí el nombre
de profundo, porque entre mayor cantidad de datos tenga el sistema y más profunda su
estructura jerárquica, más preciso será su nivel de detalle y de predicción y precisión.
• Clasificación de imágenes.
• Reconocimiento de voz
• Transcripción de escritura
• Traducción.
• Conversión de texto a dialogo.
• Asistentes digitales.
• Conducción autónoma.
• Buscadores Web.
Los algoritmos del aprendizaje automático se clasifican por lo general en dos grandes grupos,
los supervisados y los no supervisados. Los supervisados pueden aplicar lo que se ha
aprendido en el pasado a nuevos datos. Los algoritmos no supervisados pueden extraer
inferencias de conjuntos de datos.
Código:
# -*- coding: utf-8 -*-
self.retranslateUi(MainWindow)
QtCore.QMetaObject.connectSlotsByName(MainWindow)
def generarDiagnostico(self):
clf = tree.DecisionTreeClassifier()# aca usamos el arbol de decisiones
# Dias con [tos, dolor pecho, sangrado]
#En esta parte le enseñamos al sistema ejemplos para que tome la decision
X = [[21, 10, 8], [20, 8, 0], [22, 11, 4], [19, 7, 0], [23, 12, 5],
[18, 6, 1], [24, 13, 4],
[17, 5, 2], [25, 55, 6], [16, 75, 0], [26, 85, 7]]
#continuando con el ejemplo le decimos cual es el diagnostico segun los
dias y sintomas
#Vamos a guardar para saber si enfermo o para seguimiento
Y = ['Enfermo de tuberculosis', 'Realizar Seguimiento', 'Enfermo de
tuberculosis',
'Realizar Seguimiento', 'Enfermo de tuberculosis', 'Realizar
Seguimiento',
'Enfermo de tuberculosis', 'Realizar Seguimiento',
'Enfermo de tuberculosis', 'Realizar Seguimiento', 'Enfermo de
tuberculosis']
#Pasamos los datos X y Y
clf = clf.fit(X, Y)
a = int(self.tos.value())
b = int(self.pecho.value())
c = int(self.sangrado.value())
#Se definen los datos
dato = [a, b, c]
#por ultimo el sistema realiza automaticamente la prediccion segun lo que
analiza de los datos
prediction = clf.predict([dato])
#Mostramos los resultados en pantalla
self.diagnostico.setText("Su diagnostico es: "+str(prediction))
if __name__ == "__main__":
import sys
app = QtWidgets.QApplication(sys.argv)
MainWindow = QtWidgets.QMainWindow()
ui = Ui_MainWindow()
ui.setupUi(MainWindow)
MainWindow.show()
sys.exit(app.exec_())
CONCLUSIONES
Palma Méndez, J. T., & Marín Morales, R. (2008). Inteligencia artificial: Métodos, técnicas y
aplicaciones. España: McGraw-Hill. Pag.33-56. Recuperado de
https://bibliotecavirtual.unad.edu.co:2538/lib/unadsp/reader.action?docID=3194970&query=sis
temas+basados+en+el+conocimiento
Bejár, J. (2007). Ingeniería del conocimiento. Wiki. Pag.12-19. Recuperado de
https://bibliotecavirtual.unad.edu.co:2538/lib/unadsp/reader.action?docID=3174775&query=int
eligencia+artificial
Rouse M. (s.f). Aprendizaje profundo (deep learning). Recuperado de,
https://searchdatacenter.techtarget.com/es/definicion/Aprendizaje-profundo-deep-learning
Cajamarca M. (s.f). Inteligencia Artificial, Aprendizaje Automático y Aprendizaje Profundo.
Recuperado de, https://planetachatbot.com/inteligencia-artificial-aprendizaje-automático-y-
aprendizaje-profundo-862ca9790bb9