Inteligencia Artificial (GII-TI) (11–9–2014)

Apellidos: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Nombre: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Sólo se corregirán los ejercicios escritos a bolı́grafo azul o bolı́grafo negro

Ejercicio 1 [2 puntos]
1. El siguiente grafo representa un espacio de estados. El estado inicial es A, y hay dos
estados finales: F y H. El coste de aplicar un operador a un estado aparece en la flecha
correspondiente.

1 A 3
1
B C
1 4 2 6

D E
3 1 F
1 1
2

G 3 H

Se pide:

(a) Aplicar el algoritmo de búsqueda óptima.

(b) Aplicar el algoritmo de búsqueda A∗ , usando la siguiente heurı́stica h: h(A) = 3,
h(B) = 4, h(C) = 1, h(D) = 4, h(E) = 1, h(F ) = 0, h(G) = 2 y h(H) = 0.

Nota: La evolución de cada árbol de búsqueda tiene que quedar suficientemente

explı́cita (el orden de análisis de los nodos, su valoración,...). En caso de empate
en la valoración de los nodos, éstos se ordenan alfabéticamente.
2. ¿Qué es una heurı́stica admisible? Decir si es cierta la siguiente afirmación: Si usamos
una heurı́stica admisible con el algoritmo A∗ , es seguro que vamos a encontrar una
solución en el menor tiempo posible. Justificar la respuesta.

Ejercicio 2 [1 punto]
Supongamos que queremos programar una máquina para que sea capaz de resolver pro-
blemas del cubo de Rubik aplicando una secuencia de movimientos lo más corta posible, a
partir de una situación inicial dada. Nos planteamos dos posibles estrategias: una basada
en abordarlo mediante búsqueda en un espacio de estados y la otra por resolución de un
problema de optimización mediante algoritmos genéticos ¿Qué método crees que serı́a el
más adecuado?
Justifica tu elección y describe los elementos de la representación del problema. Es decir:
• Si se decide abordar mediante búsqeda en espacio de estados: estados, acciones, estados
inicial y final, coste, heurı́stica.
• Si se decide abordar mediante algoritmos genéticos: genes, longitud de cromosomas,
codificación y fitness.

Apuntes descargados de wuolah.com

Inteligencia Artificial (GII-TI) (9–11–2014)

Apellidos: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Nombre: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Ejercicio 3 [2 puntos]
• Supongamos las siguientes cinco variables aleatorias (booleanas) que nos van a servir
para describir cómo se produce la contratación de nuevo personal en una empresa:
1. S: el candidato es seleccionado.
2. N : el candidatos tiene buen expediente académico.
3. I: el candidato tiene un coeficiente intelectual superior a la media.
4. T : el candidato es tı́mido.
5. E: el candidato supera con éxito la entrevista personal.
Se pide:
- Dibujar una red bayesiana que describa de manera razonable las relaciones de
dependencia probabilı́stica entre las variables anteriores, indicando las relaciones
de independencia condicional que se han ido asumiendo al dibujar la red.
- Una vez dibujada, indicar alguna otra relación de independencia condicional que
se deduzca de la red, justificándolo mediante el criterio de d-separación.
• Aplica, explicando detalladamente cada uno de los pasos, el Algoritmo de Elimi-
nación de Variables para calcular P(C|¬d, e) a partir de la siguiente red bayesiana,
en el que todas las variables son booleanas:

B C D

E F

G H

A P (b|A) A P (c|A) A P (d|A) F P (h|F )

P (a)
a 0.2 a 0.7 a 0.1 f 0.1
0.3
¬a 0.3 ¬a 0.1 ¬a 0.9 ¬f 0.9

B C P (e|B, C) C D P (f |C, D) E F P (g|E, F )

b c 0.7 c d 0.2 e f 0.8
b ¬c 0.2 c ¬d 0.6 e ¬f 0.7
¬b c 0.8 ¬c d 0.1 ¬e f 0.1
¬b ¬c 1.0 ¬c ¬d 1.0 ¬e ¬f 0.2
D F P (h|D, F )
d f 0.1
d ¬f 0.9
¬d f 0.3
¬d ¬f 0.1
Inteligencia Artificial (GII-TI) (9–11–2014)

Apellidos: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Nombre: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Ejercicio 4
La siguiente tabla muestra 14 ejemplos de juguetes de madera. Consideraremos esa tabla
como conjunto de entrenamiento D para el concepto Pertenece a Juan
Ej Forma Tamaño Color Superficie Pertenece a Juan
E1 Cı́rculo Grande Rojo Lisa Sı́
E2 Triángulo Medio Rojo Lisa Sı́
E3 Triángulo Pequeño Verde Lisa Sı́
E4 Cı́rculo Pequeño Verde Rugosa Sı́
E5 Cuadrado Pequeño Verde Lisa Sı́
E6 Triángulo Medio Verde Lisa Sı́
E7 Cuadrado Medio Verde Rugosa Sı́
E8 Cı́rculo Medio Rojo Rugosa Sı́
E9 Cı́rculo Grande Verde Lisa Sı́
E10 Cuadrado Grande Rojo Lisa No
E11 Cuadrado Grande Rojo Rugosa No
E12 Triángulo Pequeño Verde Rugosa No
E13 Cuadrado Medio Rojo Lisa No
E14 Triángulo Medio Rojo Rugosa No
(a) [1.5 puntos] Construye el árbol de decisión mediante el algoritmo ID3 a partir del
conjunto de entrenamiento D. Los valores de la entropı́a puedes tomarlos de la siguiente
tabla.

Tabla de Entropı́as Ent(X, Y )

Y
0 1 2 3 4 5 6 7 8 9
X 0 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
1 0.000 1.000 0.918 0.811 0.722 0.650 0.592 0.544 0.503 0.469
2 0.000 0.918 1.000 0.971 0.918 0.863 0.811 0.764 0.722 0.684
3 0.000 0.811 0.971 1.000 0.985 0.954 0.918 0.881 0.845 0.811
4 0.000 0.722 0.918 0.985 1.000 0.991 0.971 0.946 0.918 0.890
5 0.000 0.650 0.863 0.954 0.991 1.000 0.994 0.980 0.961 0.940
6 0.000 0.592 0.811 0.918 0.971 0.994 1.000 0.996 0.985 0.971
7 0.000 0.544 0.764 0.881 0.946 0.980 0.996 1.000 0.997 0.989
8 0.000 0.503 0.722 0.845 0.918 0.961 0.985 0.997 1.000 0.998
9 0.000 0.469 0.684 0.811 0.890 0.940 0.971 0.989 0.998 1.000

(b) [1 punto] Aplica el Algoritmo de Poda al árbol generado en el apartado anterior

usando el siguiente conjunto de Prueba

Ej Forma Tamaño Color Superficie Pertenece a Juan

P1 Triángulo Medio Rojo Rugosa No
P2 Triángulo Pequeño Rojo Lisa Sı́
P3 Cı́rculo Pequeño Rojo Rugosa Sı́
P4 Cuadrado Pequeño Verde Rugosa No
P5 Cuadrado Medio Rojo Rugosa No

BNext, tu cuenta sin banco.

Inteligencia Artificial (GII-TI) (9–11–2014)

Apellidos: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Nombre: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Ejercicio 5 [1.5 puntos]

Consideremos un perceptrón con pesos w0 = 0.4, w1 = 0.7, w2 = 0.2 y factor de apren-
dizaje η = 0.9. Sea D el conjunto de entrenamiento D = {h(0.5, 0), 1i, h(1, 1), 0.5i}. Se pide
calcular la variación que se produce en el error cuadrático cometido sobre el conjunto de
entrenamiento D tras un paso del algoritmo de descenso por gradiente.

Ejercicio 6 [1 punto]
Considera los puntos P1 = (0, 48), P2 = (0, 78), P3 = (36, 126), P4 = (36, 0) y los centros
m1 = (20, 63) y m2 = (36, 63). Se pide aplicar el algoritmo de k-medias sobre los puntos
P1 , . . . , P4 tomando m1 y m2 como centros iniciales (k = 2) hasta la primera modificación
de los centros. Usar la distancia euclı́dea.

BNext, tu cuenta sin banco.