Niveles de computacin de Marr (1982): Perspectiva simblica: SIMULACIN Conocimiento Simblico Fsico Nivel del conocimiento de Newell (1981):

1): Perspectiva conexionista: EMULACIN Sistema Medio Componentes Leyes de composicin Leyes de comportamiento Tareas genricas: Clasificacin heurstica de Chancey (1985): Abstraccin Equiparacin heurstica Refinamiento Tareas genricas: Clasificacin conexionistas: Extraccin de propiedades Mtricas Seleccin Aprendizaje

1. Qu caractersticas debiera tener un Sistema Basado en Conocimiento? (5:8) Representatividad: debe representar todos los hechos explcitos e implcitos que intervienen de forma relevante en el conocimiento. Inferencia: debe dar la posibilidad de inferir (deducir, inducir, abducir?), nuevo conocimiento a partir del ya existente. Eficiencia: no slo debe ser eficaz, sino que debe ser eficiente en sus inferencias (bueno, bonito y barato = eficaz, rpido y barato). De otra forma, no resultara til. Adquisicin: debe permitir la incorporacin de nuevo conocimiento por vas externas (distintas de la inferencia).

2. Qu propiedades tienen los formalismos que representan conocimiento heredable, deductivo y procedimental? (5:1114) Relacional: (BBDD): Representacin relacional. No deductivos. Heredable: (Redes de clasificacin: Taxonmicas y Marcos): Disponen de clases que heredan sus propiedades entre ellas segn una jerarqua. La representacin del conocimiento es muy completa y relativamente sencilla, si bien la inferencia es menos intuitiva. Deductivo: (Predicados y proposiciones basadas en hechos): El mecanismo de inferencia es la lgica y es sencillo y directo. Sin embargo, la descripcin del conocimiento es compleja. Procedimental: (Programacin imperativa y declarativa): Diseo de programas que ejecuten tareas. Requieren un ejercicio de abstraccin previo.

Conocimiento declarativo y Conocimiento procedimental: las 2 formas de almacenar la informacin.

3. Cuales son las decisiones que hay que tomar al disear Sistemas Basados en Conocimiento? (5: 1528) Diferenciar los tipos de atributos: instancia y herencia, as como la impotancia de cada atributo. Establecer las relaciones que pueden darse entre atributos: o Relaciones entre un objeto y su atributo: a su vez, puede ser otro objeto. o Herencia y jerarqua de atributos: pueden compartir caractersticas. o Razonamiento en la evaluacin de atributos: tipos, restricciones, encadenamiento,... Optar por una granularidad de representacin gruesa o fina. 1

La granularidad hace referencia al nivel de detalle de la representacin: gruesa atiende a los rasgos generales y deja a un lado los detalles; fina atiende a cada detalle, pero a costa de una mayor dificultad en el manejo. Debe ser coherente en todo el sistema. o El problema del marco hace referencia a la repeticin de hechos entre distintos estados, que aumenta las necesidades de tiempo y memoria. Se puede afrontar describiendo slo las circunstancias que darn lugar a ciertos estados, en lugar de todos los estados en s (por ejemplo, un estado inicial y las reglas que dan lugar a cada estado). Identificar y definir los conjuntos de objetos que formarn el sistema. Elegir en cada caso las estructuras adecuadas para la representacin del conocimiento.

4. Enumera y comenta los componentes de un Sistema basado en Reglas. (6:7) Base de conocimiento: es un conocimiento esttico (definido en tiempo de diseo) y est constituido por las reglas de produccin del sistema. Base de datos: contiene informacin especfica relativa al problema. Base de afirmaciones: contiene todos los hechos iniciales y todos los que se hayan afirmado posteriormente (mediante el motor de inferencia o mediante agentes externos). Motor de inferencia: es el ncleo del sistema que elige cmo interactuarn todos los dems elementos para crear nuevo conocimiento.

Se debera incluir tambin una Interfaz para que el sistema pueda interactuar con el usuario.

5. Qu es interpretacin declarativa e interpretacin imperativa en Sistemas basados en Reglas? Pon ejemplos. (6:9) *** Esto no lo entiendo bien.

6. Qu estructura tiene una regla en un Sistema Basado en Reglas? Qu elementos pueden formar parte de cada componente? (6:912) Antecedente y consecuente. El antecedente est compuesto clusulas que deben cumplirse para ejecutar el consecuente, que contiene las conclusiones: Una clusula puede ser una hiptesis, una comparacin o una pertenencia. Una conclusin puede ser una afirmacin, una retractacin o una actuacin (ejecucin).

7. Qu es el axioma del mundo cerrado? Pon ejemplos. (6:13) El axioma de mundo cerrado considera falso todo aquello cuya veracidad no se conoce explcitamente (no est en la base de afirmaciones). Por ejemplo: en la sentencia Juan fue en coche al Hipercor, se considera falso que Juan fuera por la tarde, ya que no se explicita.

8. Explica por qu una regla puede recibir ms de una activacin? (6:15) En general, una regla se activa siempre que haya nuevos hechos que la estimulen. Si se crean nuevos hechos en la base de afirmaciones y stos estimulan la regla, sta volver a activarse. Pero no es la nica manera de reactivar una regla: segn el sistema, se pueden definir

comportamientos especficos que reactiven cualquier regla (como, por ejemplo, que transcurra un tiempo de enframiento).

9. Qu es el encadenamiento de reglas? Qu tipos hay? Tiene que ver con la forma en la que se ejecutan las reglas? (6:16) No tiene que ver con la forma en que se ejecutan las reglas; cada regla se ejecuta siempre de la misma forma. Lo que vara con el encadenamiento es cmo el motor de inferencia las activa. En el encadenamiento hacia atrs, el motor de inferencia parte de los hechos finales y busca las reglas cuyos consecuentes hayan podido generarlos; si las encuentra, examina qu antecedentes los produjeron y busca otras reglas que pudieran haberlos generado. El proceso contina hasta llegar a los hechos iniciales. En el encadenamiento hacia adelante, el motor de inferencia activa las reglas en base a sus antecedentes: parte de los hechos iniciales y, mientras haya hechos que las estimulen, stas se activan y ejecutan sus consecuentes, hasta llegar a los hechos finales.

10. Qu es la dependencia reversible e irreversible? Pon ejemplos. (6:17) La dependencia establece un mecanismo por el cual varios hechos pueden ir ligados: la existencia de unos depender de la existencia de otros. En la dependencia reversible, una o ms afirmaciones pueden implicar automticamente la creacin de otras, con la particularidad de que la negacin de una de las primeras implica automticamente la negacin de las segundas (las afirmaciones dependientes). En la dependencia irreversible, un conjunto de afirmaciones puede implicar otro, pero la eliminacin del primer conjunto no elimina el segundo.

11. Qu es el control de razonamiento? Qu importancia tiene y qu tipos hay? (6:1931) El control del razonamiento consiste establecer un mecanismo que ejerza algn control sobre las reglas que debern ejecutarse en el sistema. Es muy importante en un SBR porque permite controlar, en cierta medida, el flujo del programa. Hay muchos tipos de control de razonamiento: Ordenacin de reglas: la activacin y ejecucin sigue el orden establecido. Ordenacin por clusulas: las reglas con las clusulas ms restrictivas, delante. Clusulas de inferencia: las reglas incluyen en sus antecedentes clusulas que, previamente, han debido ser afirmadas por otras reglas, asegurando de esta forma que unas se activen antes que otras (paso de testigo). Agendas: listados especiales que llevan el orden en que deben activarse las reglas. Varias agendas con patrocinadores: cada regla se asigna a un patrocinador, que llevar la cuenta de sus instancias en una agenda aparte, compartiendo entre todas los recursos del sistema. Conjuntos de reglas: que pueden ser activados y desactivados en bloque. Metarreglas: son reglas especiales que permiten modificar la base de conocimiento (reglas que afectan a reglas). Sensibilidad vs. Estabilidad: un sistema debe poseer la capacidad de responder a los estmulos (sensible), pero tambin debe presentar reacciones razonables ante ellos (estabilidad). Hay que establecer un equilibrio entre estas dos caractersticas. Existen 3 principios que contribuyen a controlar la sensibilidad y la estabilidad del sistema: o Refractariedad: ninguna regla puede activarse 2 veces por el mismo hecho.

o o

Actualidad: se da prioridad a las reglas que se activen por hechos ms nuevos. Especificidad: se da prioridad a las reglas con antecedentes ms restrictivos.

12. Qu propiedades tiene la Lgica como formalismo de representacin del conocimiento? (7:5) Es super expresiva: puede representar prcticamente cualquier circunstancia. Tiene una semntica perfectamente definidada y muy simple. Adems, sus propiedades estn especificadas perfectamente mediante teoremas y son perfectamente conocidas. Ofrece capacidad de deduccin (para proposiciones y para predicados). Semidecibilidad.

13. Cmo se puede realizar un sistema de demostracin automtica basado en Lgica Proposicional? (7:1822) Reduciendo las proposiciones a su Forma Normal Clausulada (Conjuntiva) y aplicando el principio de resolucin en busca de la reduccin al absurdo (refutacin). Desarrollando y comprobando la tabla de verdad. Combinando premisas aplicando las reglas de inferencia hasta obtener la deseada.

14. Qu aade la Lgica de Predicados a la Lgica Proposicional? (7:2630) Multiplica la expresividad de la lgica proposicional, estableciendo relaciones entre predicados y representando enunciados imposibles en lgica de proposiciones. Utiliza predicados, que pueden recibir cualquier nmero de argumentos y tener interpretaciones muy especficas. Aade los cuantificadores universal y existencial ( y ). Incluye la posibilidad de funciones. Y otras cosillas...

15. Comenta el proceso de demostracin automtica basado en Lgica de Predicados. (7:3746) Partiendo de una o ms sentencias, hay que expresarlas mediante lgica de predicados y, posteriormente, reducirlas a clusulas que cumplan la Forma Normal Clausulada Conjuntiva (F.N. de Skolem), utilizando las equivalencias y las reglas de inferencia. Una vez en forma normal, todas las clusulas sern conjunciones de conjuntos nicamente disyuntivos. A partir de esta forma, se puede aplicar el principio de resolucin para simplificar clusulas y reducir la parte significativa de las sentencias originales, creando nuevas clusulas con el fin de encontrar tautologas o contradicciones. El proceso ms habitual es el de reduccin al absurdo (refutacin). Consiste en afirmar lo contrario de lo que se pretende demostrar, y demostrar que es falso (una contradiccin).

16. Comenta las extensiones a la Lgica comentadas en clase. (7:49) Lgica modal. Aade 2 operadores modales: es necesario que () y es posible que (). Son prefijos a las proposiciones y se cumple que: o p = p o p = p 4

Lgica de predicados con identidad. Incorpora a la lgica de predicados (de primer orden) el smbolo identidad (=). Lgica de clases y lgica de relaciones. o La lgica de clases considera la pertenencia de un elemento a una clase. Es una extensin capaz de expresar las restricciones de la teora de conjuntos e incluye sus operadores tpicos. o La lgica de relaciones es el equivalente a la lgica de predicados polidicos (o de aridad n). En el lgebra de relaciones se dene la relacin universal y la relacin vaca, junto con un conjunto de operaciones: complemento, unin, suma, diferencia, selec-cin, proyeccin y productos de relaciones. Son la base para el diseo de bases de datos relacionales. Lgica de predicados de orden superior. Se aaden variables para las propiedades, las funciones y las relaciones, y se permite que los cuantificadores acten sobre estas variables. Tienen la ventaja de ser todava ms expresivas pero, debido a ello, tambin tienen el inconveniente de que el conjunto de verdades del sistema es mayor que el conjunto de verdades demostrables en el sistema. Es decir, que podemos expresar verdades que no podamos demostrar (teoremas de incompletitud de Gdel). Lgica polivalente. Considera n valores de verdad, no slo los 2 tradicionales (V y F). Lgica borrosa o difusa. La evaluacin de las expresiones lgicas lleva asociado un valor de incertidumbre. La pertenencia de un elemento a un conjunto no est claramente definida. Lgica no montona. Al contrario que las lgicas monotnicas, al aadir informacin nueva se puede reducir el conjunto total de informacin conocida. Permite el razonamiento por defecto, el razonamiento abductivo, el razonamiento acerca del conocimiento y la revisin de creencias.

17. Comenta el modelo de memoria semntica de Quillian. (8:613) Fue uno de los primeros modelos (1968) que intentaron representar el lenguaje natural. Como primer paso, intenta representar las oraciones de un modo anlogo a como lo hara un diccionario, mediante definiciones, y se basa nicamente en la lengua inglesa. Establece un tipo de grfico para representar estas definiciones, considerando los tipos de nodos (tipo y rplica) y tipos de enlace (subclase, modificacin, disyuncin/conjuncin, propiedad y relacin con tipo). Al ser de los primeros modelos, resulta muy rstico (pero no por ello ms sencillo), depende del idioma (aunque est orientado al ingls) y ofrece mecanismos de inferencia demasiado toscos.

18. Redes de dependencia conceptual de Schank: comenta sus ventajas e inconvenientes. (8:2125) Ventajas: Es independiente del lenguaje. Representa conceptos (frente a las palabras de Quillian). Puede representar fcilmente los tiempos de la accin. Puede representar implicaciones Inconvenientes: pero slo si son sencillas. El uso de primitivas: nmero creciente, acciones que no se ajustan,

19. Comenta la inferencia en las redes de Sowa. Pon ejemplos. (8:3940) 5

Se realiza mediente 3 herramientas. La encuentro muy similar a la inferencia mediante lgica de predicados, pero cambiando el sistema de notacin. Restriccin: particularizar aspectos genricos de una proposicin para obtener otra ms particular. Generalizacin: generalizar aspectos particulares de una proposicin para obtener otra ms genrica. Unin y simplificacin: unifica varias proposiciones para crear una nueva proposicin ms simple, que aporta informacin nueva (inferencia).

20. Comenta qu son las redes de clasificacin. Pon un ejemplo. (8:4246) Son grafos creados de forma que establecen una jerarqua entre los conceptos que representan y permiten representar la herencia de sus propiedades. Los nodos de estas redes pueden representar instancias (conceptos, intensional) o clases (extensional) y se distribuyen en grafos dirigidos acclicos. Una clase puede estar relacionada con una super-clase o con una sub-clase, y cada instancia slo est relacionada con una clase. La herencia es un mecanismo que le permite representar propiedades de objetos reduciendo la redundancia: las clases inferiores heredan las propiedades de las superiores. En la herencia estricta, heredan TODAS las propiedades de las superiores. En la herencia por defecto, heredan SLO las que no se modifiquen o se nieguen.

21. Comenta el sistema CASNET. (8:4953) Fue una de las muchas utilidades de diagnstico asistido por computador que surgieron en los albores de la inteligencia artificial (qu potico). Entre sus competidores figuran INTERNIST-I, MYCIN y PIP. Era un sistema experto especialmente enfocado hacia el glaucoma y estaba basado en redes asociativas causales. Dispona la informacin en 4 planos: estados de la enfermedad, patologa, observaciones (sntomas, signos y pruebas) y recomendaciones. Presentaba enlaces dentro de cada nivel y tambin entre niveles. Tena la particularidad de explicar sus conclusiones, ofrecer un diagnstico mltiple y mostrar un seguimiento de la enfermedad.

22. Comenta en qu consisten las redes bayesianas, en qu se basan, sus propiedades y pon un ejemplo completo. (8: 5666) Son un tipo de red causal que considera la probabilidad de cada suceso como medida de certeza. La gran ventaja que ofrecen es que permiten estimar la probabilidad de cada suceso basndose en la probabilidad del resto y sus relaciones en la red, sin que necesariamente estas relaciones sean de primer grado. Se apoya en la teora de las probabilidades. Tiene la enorme ventaja de poder ofrecer siempre algn resultado, aunque no se disponga de mucha informacin. Su veracidad depender de la cantidad de informacin conocida. En determinadas ocasiones, permite el cmputo de la probabilidad de un suceso sin tener en cuenta la probabilidad de sucesos muy lejanos (de orden mayor), lo cual aumenta la eficiencia.

23. Describe el proceso de reconocimiento en los Marcos. (9:1013) Los marcos estn concebidos como herramientas de reconocimiento y prediccin. El reconocimiento tiene lugar cuando se adquieren suficientes datos de un objeto, de forma que se pueden asociar unvocamente esos datos a los de un marco creado a priori que representa una clase de objetos, y deducir que dicho objeto pertenece a ese clase, con todas las implicaciones que pueda tener. Una de estas implicaciones puede ser la prediccin, que asociara esta instancia de objeto con las superclases de las que haya podido derivar el marco en el que se ha encajado. En un reconocimiento descendente mediante red de activacin, el sistema recibe una informacin que activa una serie de marcos (deseablemente, slo uno). A su vez, se activan los marcos que estn conectados a ellos. Una vez que hemos enmarcado la informacin, podemos guiar el proceso de bsqueda de nueva informacin de forma ms certera para ir descartando los marcos adicionales que se hayan activado (persiguiendo activar slo uno, que representara ms inequvocamente la informacin). En este punto, se puede llevar a cabo la prediccin de forma eficiente.

24. Describe el sistema PIP. (9:1724) Es otro sistema experto para el diagnstico de enfermedades. Esta vez, est basado en marcos. Cada enfermedad se describe mediante un marco, y se busca activar el menor nmero de ellos para dar con el diagnstico (descrito por otro marco). Campos del marco enfermedad: Nombre, Es-un-tipo-de (superclase), Hallazgos (sintomatologa), Reglas de exclusin (asintomatologa), Ponderacin (preferencia de criterios), Enlaces a otros marcos. Se fijan 4 posibles estados para cada marco: durmiente, semiactivo, activo y aceptado. Todos empiezan en durmiente. Cuando se conoce un sntome, los marcos que lo contengan pasan a estado activo y, adems, los marcos conectados a stos pasan a estado semiactivo (mosqueado). Se emparejan sus campos con los datos para decidir qu marcos pasan a dormir y cules se activan, hasta encontrar el marco diagnstico. Tiene la ventaja de poder diagnosticar varias enfermedades y genera preguntas slo en base a las evidencias encontradas.

25. Describe la inferencia en los marcos. (9:3337). En marcos, la inferencia se realiza mediante facetas, demonios y puntos de vista. Facetas: definen las propiedades de un campo. Estn destinadas a acotar qu valores puede adoptar un campo y, por tanto, qu tipo de valores estimularn el marco. Contempla restricciones como: valores por defecto, multivaluacin, pertenencia, grados de certeza o preguntas de interfaz. Demonios: son procedimientos que se invocan automticamente al operar sobre algn campo. Pueden ser de varios tipos: de necesidad (al acceder a un campo an sin valor), de acceso (al acceder al valor de un campo), de asignacin (al aadir un valor a un campo), de modificacin (al modificar el valor de un campo), de borrado (al borrar el valor de un campo) Pueden operar sobre otros campos de la misma instancia, al ocurrir cualquiera de estos sucesos. Adems, pueden: modificar la interfaz, buscar en una base de datos lo que se ha pedido, controlar dispositivos externos 7

Puntos de vista: si se consideran distintos puntos de vista, entonces las clases, las instancias y sus campos pueden pertenecer a distintas jerarquas y tener distintos valores, segn el punto de vista desde el que se contemplen. Esto permite inferir unas relaciones en un punto de vista y otras en otros puntos de vista.

26. Describe las partes de un guin. Pon un ejemplo (9:4144) Roles: es el papel que interpretarn los agentes que intervienen en el guin y que les identifica. Objetos: de los que hacen uso los agentes (roles). Lugares: donde se desarrollar la accin de los agentes (roles). Condiciones: que tienen que darse para que la accin de los agentes pueda ocurrir. Resultados: ocurridos despus de la accin de los agentes. Escenas: constituyen el desarrollo del guin: describen la accin utilizando los 3 elementos primeros para llegar desde el estado de las condiciones al estado de los resultados.

Es impotante tener en cuenta que en un guin slo debern aparecer los elementos que tomen especfica y necesariamente parte en l, abstrayndose de los que no tienen un papel relevante, aunque existan o incluso sean necesarios. Es importante diferenciar la informacin crucial.

27. Describe el proceso de inferencia en sistemas de guiones. (9:46) Como los guiones estn orientados a la comprensin del lenguaje natural, lo ms importante en la inferencia es distinguir los 6 elementos del guin para que, a partir de ellos, puedan formarse otras frases o bien se refleje explcitamente en el guin informacin nueva implcita en la historia original. Partiendo de una historia y serie de guiones preconcebidos, se asigna a la historia el guin que mejor encaje, en funcin de las cabeceras (nombre del guin, condiciones, resultados). Despus, se asignan las variables (roles, objetos y lugares). Lo que queda, es la instancia de un guin que muestra informacin que no apareca explcitamente en la historia (es decir, se ha creado informacin nueva o se ha producido una inferencia).

28. Describe el algoritmo ID3 para la creacin de rboles de decisin. (10:713) *** El algoritmo de creacin automtica ID3. No lo entiendo bien. Se clasifica el conjunto de patrones para cada atributo no seleccionado. Se calcula la ganancia de clasificar por cada atributo. Se selecciona el atributo con mayor ganancia. Repetir mientras no todos los conjuntos sean hoja.

29. Describe el perceptrn, su funcionamiento como clasificador, y cmo es capaz de aprender a partir de patrones. (10:1517) El perceptrn es el elemento bsico de una red neuronal (se le suele llamar neurona indistintamente). El perceptrn tiene asociados: Una salida: la respuesta al problema de la clasificacin. Una o varias entradas: estimulan el perceptrn. Cada una tiene asociada un peso.

 Una funcin de estado: opera con las entradas para producir una salida. Gracias a la funcin de estado, el perceptrn puede determinar (clasificar) si un conjunto de patrones responde o no a algn criterio, en base slo a algunos de los atributos de dichos patrones (que sern dados como entradas al perceptrn para que calcule la funcin de estado). El aprendizaje se realiza corrigiendo los pesos (importancias) de las entradas del perceptrn, cuando se comprueba que las entradas de un patrn determinado no producen el resultado esperado para ese patrn. Entonces entra en juego el factor de aprendizaje , que controla la velocidad a la que se modifican estos pesos. Tanto las entradas como los resultados son conocidos de antemano y forman los patrones con los que se instruir el perceptrn.

30. Qu es el aprendizaje no supervisado? Describe algn algoritmo que realice este tipo de aprendizaje. (10:2023) El aprendizaje no supervisado consiste en la clasificacin de un conjunto de datos que no se han caracterizado previamente. Se suelen aplicar tcnicas de clustering. En el aprendizaje no supervisado, el algoritmo se enfrenta en solitario a los datos y procura adaptar sus soluciones progresivamente hasta clasificarlos de forma satisfactoria, todo ello sin la referencia de un patrn que le indique qu est bien y qu no. Un algoritmo de clustering que realiza esta clasificacin es el KMeans. En l, se parte de unos parmetros iniciales, que pueden ser facilitados por un agente externo o ser aleatorios. La eficacia del algoritmo depende enormemente de la eleccin de estos parmetros iniciales, que sern los centros de los patrones a clasificar. A partir de ellos, KMeans busca asignar los patrones a estos parmetros y los recalcula sucesivamente para que se siten en sus centros, pudiendo modificar los patrones.

Ejemplos de Sistemas Expertos: Comprensin del lenguaje natural: o Intellect (1979): obtener informacin con peticiones en lenguaje muy informal. o LUNAR (1972): evaluacin de datos sobre rocas lunares. o LIFER (1979): interfaces de usuario basados en lenguaje natural. o MARGIE, SAM, PAM, PEARL, Savvy, SHRDLU (este nombre no me genera confianza) Sistemas expertos: o DENDRAL (1965, Stanford): estructuras qumicas. o MACSYMA (1965, MIT): anlisis matemtico complejo. o MYCIN (1972, Stanford): diagnosis de enfermedades sanguneas. o PROSPECTOR (1972, Stanford): explotacin minera. o CADUCEUS (1975, Pittsburg): diagnstico mdico. o R1 (1978, Carnegie-Mellon): configuracin de equipos de cmputo. Sistemas basados en reglas: o Newell y Simon (1972): modelado del comportamiento inteligente mediante reglas. o Buchanan y Feigen (1978): primer SBR: generacin de estructuras qumicas que expliquen resultados espectrogrficos. o Buchanan y Shortliffe (1984): MYCIN: reglas desde la perspectiva actual. Redes: o SnePS (Shapiro, 1979): Asociativas: incluye operadores y cuantificadores de la lgica de primer orden. o CASNET (197x): Causales: diagnstico y tratamiento del glaucoma. o DIAVAL: Bayesiana: diagnstico de enfermedades cardacas. Marcos: o PIP (Pauker, 1976): diagnstico de enfermedades. o FrameKit Marcos y reglas: o ART, KEE, GoldWorks, Nexpert, CLIPS

Etapas en el desarrollo de la IA Precursores de la IA: desde el comienzo hasta el siglo XX. Alan Turing y el test de Turing (1950). Etapa neurociberntica (1940-1955). Bsqueda heurstica y dominios formales (1956-1975). Inters por el conocimiento (1975-198x). Aprendizaje y conexionismo (1980-).

Aadir preguntas tipo test y cortas de los exmenes.

10