UNIVERSIDAD

E.A.P INGENIERA DE SISTEMAS E INFORMTICA

NACIONAL DEL SANTA

CURSO

:
INTELIGENCIA ARTIFICIAL

DOCENTE

:
DIANA MUOZ CASANOVA

ALUMNOS

BLAS REYES EMERSON M. (0201314003)

MINAYA PUMARICRA MALCO M. (0201314049)
NEME PEREDA JOSE LUIS S. (0201314019)

TEMA

:
CUESTIONARIO N3: INTELIGENCIA ARTIFICIAL

CICLO

:
VII

NUEVO CHIMBOTE - 2016

CUESTIONARIO N03
1-ELEGIR UN PROGRAMA FINANCIERO Y AVERIGUAR
CUANTOS MODULOS CONTIENE?

SEF (Sistema Experto Fiben Banco de

Francia):
Ayuda en el diagnstico de empresas realizado por la Central de Balances
del Banco de Francia.
La base de reglas est formada por dos bloques:
Un bloque financiero, calculado sobre la estructura del anlisis de las
empresas por la Central de Balances.
Un bloque econmico, centrado en la competitividad, crecimiento y
estrategia.
El sistema elabora un informe estudiando la posicin de la empresa, sus
potencialidades, sus resultados y su estrategia.

2-PORQUE SE DICE QUE S.E CARECEN DE: SENTIDO

COMN,
APRENDIZAJE,
EXPERIENCIA
SENSORIAL,
DEGRADACIN, EXCESO DE CONFIANZA Y RECHAZO
DESDE EL PRIMER MOMENTO O TOMA DE CONTACTO
PARA EMITIR UN JUICIO?
Limitaciones

Sentido comn: Para un Sistema Experto no hay nada obvio. Por ejemplo,
un sistema experto sobre medicina podra admitir que un hombre lleva 40
meses embarazado, a no ser que se especifique que esto no es posible ya
que un hombre no puede gestar hijos.

Lenguaje natural: Con un experto humano podemos mantener una

conversacin informal mientras que con un SE no podemos.

Capacidad de aprendizaje: Cualquier persona aprende con relativa

facilidad de sus errores y de errores ajenos, que un SE haga esto es muy
complicado.

Perspectiva global: Un experto humano es capaz de distinguir cuales son

las cuestiones relevantes de un problema y separarlas de cuestiones
secundarias.

Capacidad sensorial: Un SE carece de sentidos.

Flexibilidad: Un humano es sumamente flexible a la hora de aceptar datos

para la resolucin de un problema.

Conocimiento no estructurado: Un SE no es capaz de manejar

conocimiento poco estructurado.

3- MENCIONA ALGUNAS HERRAMIENTAS TECNOLGICAS

(SOFTWARE) QUE IMPLEMENTA EL APRENDIZAJE
AUTOMTICO O LA EXPLOTACIN DE DATOS. NOMBRA
LA HERRAMIENTA Y TCNICAS DE I.A QUE APLICA.
El aprendizaje automtico o aprendizaje de es una rama de la inteligencia artificial
cuyo objetivo es desarrollar tcnicas que permitan a las computadoras aprender.
De forma ms concreta, se trata de crear programas capaces de generalizar
comportamientos a partir de una informacin no estructurada suministrada en
forma de ejemplos. Es, por lo tanto, un proceso de induccin del conocimiento.
Muchos lenguajes de programacin pueden usarse para implementar algoritmos
de aprendizaje automtico. Los ms populares para 2015 eran R y Python. R es
muy usado ante todo en el campo acadmico, mientras que Python es ms
popular en la empresa privada.
Entre los paquetes de software que incluyen algoritmos de aprendizaje
automatizado, se hallan los siguientes:

Software de cdigo abierto:

 Apache Mahout: plataforma de Java de algoritmos escalables de

aprendizaje automtico, en especial en las reas de filtro colaborativo,
clustering y clasificacin
dlib: una biblioteca bajo licencia Boost para desarrollar en C++
ELKI: una plataforma para Java con licencia AGPLv3
R: lenguaje de programacin estadstico con numerosas bibliotecas
relacionadas al aprendizaje automtico (e1071, rpart, nnet, randomForest,
entre otras)
RapidMiner
scikit-learn: biblioteca en Python que interacta con NumPy y SciPy
Spark MLlib: una librera que forma parte deApache Spark, una plataforma
para computacin de grupos
Weka: una biblioteca en Java
Software comercial:

SPSS Modeler
KNIME
Mathematica
MATLAB
Microsoft Azure Machine Learning
Neural Designer

Tcnicas de I.A que aplican estos sistemas:

Redes neuronales artificiales, rboles de decisiones, Redes bayesianas

4-MENCIONAR 5 APLICACIONES DE REDES NEURONALES

ARTIFICIALES DEL AO 2015 Y 2016.
PRONSTICO DE CAUDALES MEDIOS MENSUALES DEL RIO
ILAVE USANDO MODELOS DE REDES NEURONALES
ARTIFICIALES
La presente investigacin se realiz en la cuenca del ro Ilave, ubicado
dentro de la regin Hidrogrfica del Titicaca (Per), teniendo como objetivo
pronosticar los caudales medios mensuales del rio Ilave usando Modelos de
Redes Neuronales Artificiales, aplicado al problema del pronstico mensual
de esta variable, cuyo resultado puede emplearse en la planificacin y
gestin de los recursos hdricos en cuencas hidrogrficas. La informacin

hidrometeorolgica utilizada, corresponde al Servicio Nacional de

Meteorologa e Hidrologa con un periodo de registro de 1965 al 2007, de
donde se plantearon 06 modelos que estn en funcin de precipitaciones y
caudales, cuya fase de entrenamiento, validacin y prueba, se realizaron
con el 70%, 15% y 15% del total de datos respectivamente, con una red de
entrenamiento designada Perceptrn Multicapa (MLP) y el algoritmo backpropagatin. La significacin estadstica de los indicadores de desempeo
de eficiencia de Nash-Sutcliffe (NSE) y la raz del error cuadrtico medio
(RMSE), fueron evaluados usando el mtodo de bootstrap incorporado en el
cdigo FITEVAL y como indicadores complementarios de evaluacin
tradicional, el coeficiente de determinacin (R2) y el error cuadrtico medio
normalizado (ECMN). Los resultados de validacin y prueba indican
calificativos de buenos a muy buenos, as tenemos que en la fase de
pronstico para los modelos seleccionados MRNA5, MRNA2 y MRNA3, los
coeficientes de Eficiencia de Nash-Sutcliffe son de 88.0%, 87.9% y 87.1%;
la raz del error medio cuadrtico son de 18.87%, 18.96% y 19.56%
respectivamente. Se concluye que el pronstico de caudales medios
mensuales del ro Ilave utilizando modelos de Redes Neuronales Artificiales,
muestran un buen desempeo en la estimacin de fenmenos de
comportamiento no lineal como los caudales.

SISTEMA DE PRONSTICO DE LA DEMANDA DE PRODUCTOS

FARMACUTICOS BASADO EN REDES NEURONALES
La supervivencia en los negocios altamente competitivos de hoy requiere
una visin precisa de la demanda para poner en marcha los planes de
produccin, inventario, distribucin y compra dentro de las empresas; el
sector farmacutico no es la excepcin, ues los efectos de las temporadas,
promociones, cambios de precios, publicidad, productos con bajo o alto
nivel de movimiento y datos atpicos en general afectan en la determinacin
de la misma. En este contexto, pronosticar por arriba de la demanda tiene
entre sus consecuencias el excesivo inventario de frmacos, obsolescencia
o caducidad, y por otro lado, pronosticar por debajo de la demanda tiene
como consecuencia la prdida de las ventas y un posible incremento en los
costos. Por lo mencionado, el tema se centra en el desarrollo de un sistema
que usa las tcnicas de redes neuronales artificiales para el pronstico de la
demanda de productos. En este trabajo se propone el uso de una red
neuronal (Perceptrn multicapa) para el pronstico de la demanda de
productos farmacuticos, la cual realizar su fase de aprendizaje con el

algoritmo backpropagation que brinda una taza de error de 3.57% en el

mejor caso encontrado; su implementacin se desarrollar bajo la
tecnologa de MATLAB para la construccin de la red neuronal y del
lenguaje JAVA para el diseo de la interfaz grfica de usuario. Palabras
clave: Pronstico de la demanda, Backpropagation, sector farmacutico.

SISTEMA INTELIGENTE PARA CALIFICAR ALPACAS EN

FUNCIN SU FIBRA FINA
En la secuencia de la cadena de valor de la fibra de alpaca,la medicin es
realizada por observacin basada en el conocimiento tradicional. La
valorizacin depende en muchos casos de la experiencia emprica, lo cual
dificulta entender la riqueza intrnseca del hato.Dando como consecuencia
vellonespoco sostenibles en el tiempo.La contribucin principal, pretende
comprender el potencial de las alpacas, no slo por el dimetro de la fibra,
sino por sus otras caractersticas, estandarizando criteriosa travs de los
estereotipos. Este trabajo est sustentado sobre publicaciones relacionadas
a las caractersticas de la fibra en sus diferentes dimensiones, proponiendo
una solucin que permita asignar un valor caracterstico en los individuos,
que resulte equiparable entre su morfologa y gentica. Diseando un
modelo de redes neuronales artificiales y reglas de asociacin, quehizo
posible transformar la percepcin de los expertos en un valor caracterstico
definida por una escala de calificacin.

MODELO DE PRONSTICO DE DEMANDA DE EFECTIVO PARA

LAS OFICINAS DE UNA ENTIDAD BANCARIA EN UNA CIUDAD
DEL INTERIOR DEL PAIS
El presente trabajo trata sobre el anlisis de la demanda de efectivo en las
oficinas de provincia de una entidad bancaria tomando como base la
metodologa que se sigue actualmente a fin de identificar oportunidades de
mejora que permitan tener resultados ptimos en los indicadores
establecidos. Este anlisis est centrado en la evaluacin de la exactitud y
precisin que son necesarias en el clculo de los pronsticos de demanda
para cada tipo de oficina existente, de manera que se puedan aplicar los
modelos y la metodologa que permitan obtener informacin ms cercana a
la realidad. En los primeros captulos se definen los conceptos y etapas del

proceso de extraccin del conocimiento, para luego, por medio de estos,

describir y explicar las redes neuronales, mtodo elegido para la solucin
de la problemtica expuesta. Asimismo, se detalla la situacin actual del
proceso que es objeto de anlisis, identificando los factores que seran
relevantes para la ejecucin del modelo. En los captulos posteriores, se
procedi con el anlisis de los datos obtenidos, de modo que se puedan
identificar las variables relevantes que se incluiran dentro del modelo. De
igual forma, se describe la lgica y los parmetros a tomar en cuenta para
el mismo, y que dan origen a las diferentes etapas de prueba y error para
llegar a los resultados esperados. Para ello, se recopilaron los datos
necesarios de los movimientos en las oficinas los cuales sirvieron como
datos de entrada para las redes neuronales generadas. El software
empleado fue NeuralTools 5.7, debido a los beneficios que ste
proporciona, desde el manejo de datos en hojas de clculo, las cuales
utilizan la interfaz de MS Excel, hasta el uso de herramientas y aplicaciones
dinmicas que permiten manipular los datos de forma ms sencilla
optimizando tiempos. Finalmente, se procedi con la evaluacin de los
resultados obtenidos, haciendo la comparacin de los valores predichos con
los resultados reales, logrando alcanzar un porcentaje de exactitud de
93.18% para los pronsticos de una oficina mixta y de 91.98% para los de
una oficina captadora, generando una expectativa de ahorro de S/.
25,000.00 anuales.

REFERENCIAS BIBLIOGRAFICAS
[1] Bishop, Christopher (2008) Pattern Recognition and Machine Learning. Springer
Verlag. ISBN=978-0-3873-1073-2.
[2] Flach, Peter (2012) Machine Learning: The Art and Science of Algorithms that Make
Sense of Data. Cambridge University Press. ISBN 978-1-107-42222-3.
[3] Gollapudi, Sunila (2016) Practical Machine Learning. Packt Publishing. ISBN=978-178439-968-4.
[4] L. Laura, Efrain, [2014]. "Aplicaciones: Redes Neuronales" Disponible en:
http://alicia.concytec.gob.pe/vufind/Record/UNAR_7072cb814eba237cddfa0e15130d5b17/
Description#tabnav
[5] G. Zavaleta, R. Collas,
[2013]. "Redes
http://cybertesis.unmsm.edu.pe/handle/cybertesis/3222

Neuronales"

Disponible

en:

[6] V. Ascencios, S. Paulo, [2011]. "Aplications, Redes Naturales" Disponible en:

http://cybertesis.unmsm.edu.pe/xmlui/handle/cybertesis/175