INTELIGENCIA ARITIFICIAL

Fase 3, Representación del conocimiento en IA

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

Universidad Nacional Abierta y a Distancia (UNAD)

Noviembre 2019
 INTRODUCCION

En el presente trabajo se analizara acerca de las diferentes formas de representación del

conocimiento, también se expondrá que es el aprendizaje profundo (Deep Learning) y el
aprendizaje automático (Machine Learning), por último se trabajara sobre el prototipo
mejorando la propuesta del proyecto .
Actividades a desarrollar

1. Investigar sobre formas de representación del conocimiento en IA.

2. Investigar sobre aprendizaje profundo
3. Investigar sobre aprendizaje automático
4. Entrega prototipo, Etapa: Programación – Documentación

1. Investigar sobre formas de representación del conocimiento en IA.

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.

Cuando hablamos de conocimiento podemos clasificar dicho conocimiento en tres grandes

grupos, que son procedimental, declarativo y heurístico.

• El conocimiento procedimental es aquel que se basa en el saber cómo hacer, se refiere

a conocer los pasos para realizar una tarea.

• El conocimiento declarativo se basa en el saber qué hacer, se refiere a conocer hechos

del mundo que nos rodea, como la información que existe en una base de datos.

• El conocimiento heurístico, nos ayuda en la resolución de problemas complejos, se

basa en criterios, métodos o procesos para resolver algún tipo de problema.

Al representar el conocimiento en IA se intenta reducir ambigüedades, vaguedades, difusidad

y la encontrar diferentes métodos de inferencia. Dicha representación del conocimiento se
puede realizar para estructura conocimiento y realizar manipulaciones cualitativas del mismo,
inferir conocimiento a partir de hechos establecidos, dentro de las formas de representar
conocimiento encontramos:

• 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.

• Redes Semánticas, son representaciones básicas de conocimiento, conteniendo nodos

y enlaces, al igual que el anterior, los objetos son los nodos y los atributos la conexión.

• Reglas de producción, son sistemas hechos de reglas, producción y hechos, donde

cada regla tiene su condición o acción.

• Representación Formal, este tipo de representación se basa en la lógica, en el uso del

razonamiento para llegar a inferencias o conclusiones.

• Representación por guion y listas, el guion se basa en la descripción del conocimiento

a través d una secuencia de eventos y la lista se basa en la representación jerárquica del
conocimiento, con objetos agrupados.

• Representación por índices, tablas y árboles de decisión, el índice se utilice

organizando el conocimiento en filas y columnas y se realiza una relación entre cada sección
del conocimiento para llegar una determinada conclusión. Las tablas se basan en la división
en atributos, valores y conclusiones, y de esta manera representar el conocimiento. Los
arboles de decisión son una red semántica de reglas, con una búsqueda estratégica del
conocimiento.

• Representación por objetos, se basa en el paradigma de la orientación a objetos y trata

de la agrupación de objetos que comparten cierta conducta, donde están ubicados en una red,
para que cada objeto pueda acceder a información y cada objeto tenga una determinada
relación con los otros objetos.

• 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.

• Representación por agentes inteligentes, dichos agentes son objetos perciben el

ambiente y responde o actúan como respuesta a este ambiente.

Todo problema es más sencillo de resolver si disponemos de conocimiento específico sobre

él. Este conocimiento dependiente del dominio se combina con el conocimiento general sobre
cómo resolver problemas. Este conocimiento ha de permitir guiar los mecanismos de
inteligencia artificial para obtener soluciones de manera más eficientes.
La definición del concepto de representación de conocimiento se realiza desde dos puntos de
vista, atómico y holístico.
Vista Atómica
En su etimología la palabra representación viene del latín "Representare" que significa: hacer
aparecer como presente. Por otro lado la palabra Conocimiento deriva de la palabra latina
"Gnosco" que significa: aquello que ha sido sujeto al acto de reconocimiento. Si se combinan
ambos significados se tiene que: "la representación de conocimiento es hacer que aparezca
como presente lo que ha sido sujeto al acto de reconocimiento".
Otra definición sostiene que la representación de conocimiento puede ser algo como la
correspondencia de reglas conocidas y el estado del mundo en alguna estructura apropiada.
Vista Holística
Esta vista corresponde al holismo que dice, él todo es más que la suma de sus partes según
Aristóteles. Así la representación de conocimiento es más que solo la conjunción de los
conceptos de conocimiento y representación.

Modelo Realístico Simple

Este modelo conceptual corresponde al proceso de cognición. El dominio de interés es alguna

parte (P) del mundo (W) y el resultado será una teoría acerca de dicha parte P. Un modelo
realístico-simple es una abstracción extractada de lo concreto. El proceso de abstracción o
construcción tiene tres fases:
a) Se realiza la selección de un conjunto de datos acerca del mundo. La selección es en
principio sin ninguna teoría de respaldo.
b) Los datos se combinan en una estructura.
c) Se refina la estructura hasta que la misma refleja al mundo concreto, lo suficientemente
bien.
Modelo Lógico Matemático
Este modelo conceptual corresponde a la asignación de significado a la representación. El
modelo lógico matemático de una teoría o realización, es una estructura para la cual todos los
axiomas de la teoría son válidos.

Sistema de Programación Convencional

Un sistema de programación convencional consta de un conjunto de archivos, los que
normalmente pueden ser utilizados por programas, además de un programa que trabaja sobre
esos archivos. El programa y el conjunto de archivos están relacionados de manera cerrada.
 2. Investigar sobre aprendizaje profundo

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.

Dentro de las aplicaciones que podemos encontrar en el aprendizaje profundo están:

• Clasificación de imágenes.

• Reconocimiento de voz

• Transcripción de escritura

• Traducción.
 • Conversión de texto a dialogo.

• Asistentes digitales.

• Conducción autónoma.

• Buscadores Web.

• Conversación en lenguaje natural.

• Gran capacidad en juegos.

La proyección que tiene el aprendizaje profundo es prometedor, la conducción autónoma, los

asistentes, diagnósticos clínicos, en la genómica, en matemática, en general los desarrollos
tecnológicos y de aplicaciones será de gran impacto en el mundo científico, la capacidad de
analizar conjuntos de grandes cantidades de datos y el manejo del aprendizaje profundo en
sistemas basados en la experiencia, van a permitir el desarrollo de gran cantidad de
aplicaciones que prometen cambiar la forma con la que actualmente se desarrolla y manejan
de temas de gran complejidad.

3. Investigar sobre aprendizaje automático

El aprendizaje automático (Machine Leraning) es un sistema basado en diseñar sistemas que

aprendan, que mejoren el rendimiento, todo esto en función de los datos que consume el
sistema, se dice que es automático, porque las computadoras no son programadas
explícitamente sino que de cierta manera van aprendiendo y cambiando a medida que se
exponen a nuevos datos. El objetivo del aprendizaje automático es desarrollar técnicas para
que las computadoras aprendan, se enfoca a desarrollar soluciones factibles a los problemas
y reconocimiento de patrones.

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.

Dentro de las ventajas que podemos encontrar en el aprendizaje automático es la gran

capacidad de automatizar y acelerar el tiempo de decisiones, también la gran predicción, el
aprendizaje automático realiza tiene una gran capacidad analítica para predecir lo que va
suceder y además con el manejo y análisis de grandes cantidades de datos se convierte en
un gran aliado a la hora de analizar datos, toma de decisiones y simulaciones de situaciones.
 Machine Learning Y Deep Learning
Machine learning, o aprendizaje automático, es el uso de algoritmos para organizar
datos, reconocer patrones y hacer que computadores puedan aprender con esos
modelos y generar insights inteligentes sin necesidad de pre-programación.
Deep Learning o Aprendizaje Profundo es un sub-campo específico del Aprendizaje
Automático: Un nuevo intento en aprender representaciones idóneas de los datos en el
que se pone un énfasis en aprender dichas representaciones de manera sucesiva
mediante lo que se denominan capas.

Machine Learning Deep Learning

¿Qué es? Es la ciencia que hace Es un tipo de algoritmo más
que computadores sofisticado de machine
realicen acciones sin learning, construido a partir
necesitar ser del principio de las redes
programados para eso neuronales.
¿Cómo funciona? Los algoritmos pueden Diferentemente de los
ser abastecidos con primeros algoritmos
datos y entonces existentes, es capaz de
aprender por cuenta soportar y trabajar con big
propia para hacer data y funcionar como una
predicciones y orientar mente propia a través de
decisiones a partir de superposición de capas no
modelos. lineales de procesamiento de
datos.
¿Cómo surgió? Empezó a ser Se desarrolló a partir de 2010
desarrollado en los con el surgimiento de
años 80, como la computadores poderosos y el
primera forma de aumento de los datos
poner en práctica los accesibles, tornando posible
conceptos de los avances de aprendizaje
inteligencia artificial. automático.
 5. Entrega prototipo, Etapa: Programación – Documentación

Código:
# -*- coding: utf-8 -*-

# Form implementation generated from reading ui file 'C:\Users\Servicom\.spyder-

py3\Project1.ui'
#
# Created by: PyQt5 UI code generator 5.9.2
#
# WARNING! All changes made in this file will be lost!

from sklearn import tree#Se importa la clase del árbol de decisión.

from PyQt5 import QtCore, QtGui, QtWidgets

class Ui_MainWindow(object):#esta parte es para realizar la interfaz grafica

def setupUi(self, MainWindow):
MainWindow.setObjectName("MainWindow")
MainWindow.resize(513, 409)
MainWindow.setStyleSheet("background-color: rgb(85, 170, 255);")
self.centralwidget = QtWidgets.QWidget(MainWindow)
self.centralwidget.setObjectName("centralwidget")
self.label = QtWidgets.QLabel(self.centralwidget)
self.label.setGeometry(QtCore.QRect(140, 60, 211, 21))
font = QtGui.QFont()
font.setPointSize(12)
font.setBold(True)
font.setWeight(75)
self.label.setFont(font)
self.label.setObjectName("label")
self.label_2 = QtWidgets.QLabel(self.centralwidget)
self.label_2.setGeometry(QtCore.QRect(50, 110, 241, 16))
font = QtGui.QFont()
font.setPointSize(10)
font.setBold(True)
font.setWeight(75)
self.label_2.setFont(font)
self.label_2.setObjectName("label_2")
self.label_3 = QtWidgets.QLabel(self.centralwidget)
self.label_3.setGeometry(QtCore.QRect(50, 150, 331, 16))
font = QtGui.QFont()
font.setPointSize(10)
font.setBold(True)
font.setWeight(75)
self.label_3.setFont(font)
self.label_3.setObjectName("label_3")
self.label_4 = QtWidgets.QLabel(self.centralwidget)
self.label_4.setGeometry(QtCore.QRect(50, 190, 331, 16))
font = QtGui.QFont()
font.setPointSize(10)
font.setBold(True)
font.setWeight(75)
self.label_4.setFont(font)
 self.label_4.setObjectName("label_4")
self.tos = QtWidgets.QSpinBox(self.centralwidget)
self.tos.setGeometry(QtCore.QRect(400, 110, 42, 22))
self.tos.setObjectName("tos")
self.pecho = QtWidgets.QSpinBox(self.centralwidget)
self.pecho.setGeometry(QtCore.QRect(400, 150, 42, 22))
self.pecho.setObjectName("pecho")
self.sangrado = QtWidgets.QSpinBox(self.centralwidget)
self.sangrado.setGeometry(QtCore.QRect(400, 190, 42, 22))
self.sangrado.setObjectName("sangrado")
self.generar = QtWidgets.QPushButton(self.centralwidget)
self.generar.setGeometry(QtCore.QRect(110, 230, 181, 41))
font = QtGui.QFont()
font.setPointSize(10)
font.setBold(True)
font.setWeight(75)
self.generar.setFont(font)
self.generar.setStyleSheet("background-color: rgb(255, 255, 255);")
self.generar.setObjectName("generar")
self.diagnostico = QtWidgets.QTextEdit(self.centralwidget)
self.diagnostico.setGeometry(QtCore.QRect(80, 290, 251, 71))
self.diagnostico.setStyleSheet("background-color: rgb(170, 255, 255);\n"
"background-color: rgb(153, 206, 255);")
self.diagnostico.setObjectName("diagnostico")
MainWindow.setCentralWidget(self.centralwidget)
self.statusbar = QtWidgets.QStatusBar(MainWindow)
self.statusbar.setObjectName("statusbar")
MainWindow.setStatusBar(self.statusbar)

self.retranslateUi(MainWindow)
QtCore.QMetaObject.connectSlotsByName(MainWindow)

def retranslateUi(self, MainWindow):#solicitamos datos

_translate = QtCore.QCoreApplication.translate
MainWindow.setWindowTitle(_translate("MainWindow", "MainWindow"))
self.label.setText(_translate("MainWindow", "Diagnostico Tuberculosis"))
self.label_2.setText(_translate("MainWindow", "Ingrese cuantos dias lleva
con tos:"))
self.label_3.setText(_translate("MainWindow", "Ingrese cuantas dias lleva
con dolor en el pecho:"))
self.label_4.setText(_translate("MainWindow", "Ingrese cuantas dias lleva
con sangrado al tocer:"))
self.generar.setText(_translate("MainWindow", "Generar Diagnostico"))
self.generar.clicked.connect(self.generarDiagnostico)

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

Se logró comprender como funcionan las formas de representación, de lo que es el

aprendizaje automático y profundo y como se aplican, las grandes ventajas que han traído
para el desarrollo de la IA.
Se mejoró la presentación del prototipo, se diseñó una interfaz gráfica, se mejoró su
documentación.
 REFERENCIAS BIBLIOGRAFICAS

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