Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Presentado por:
Presentado a:
Ferley medina
Inteligencia artificial
Grupo:
90169_35
Octubre de 2019
Cead Yopal
1. Investigar sobre formas de representación del conocimiento en IA.
aquello de lo que se puede hablar, junto con las funciones específicas que permitan
Metodologías:
lógica expresiva.
Lógica: lenguaje con el cual se representa y nos permite expresar y razonar con
Una sintaxis que explica cómo construir los elementos del lenguaje de
representación.
Una semántica que asocia los elementos del lenguaje con los elementos reales del
estereotipada.
Frames los cuales son una estructura de datos que representan una situación
las cuales las podemos determinar precisión, activación dinámica de procesos, herencia
Reglas de producción o inferencia, los sistemas basados en reglas son los más
Proceduales:
procedimientos y funciones
pensar formalmente - cómo usar un sistema de símbolos para representar un dominio del
discurso (aquello de lo que se puede hablar), junto con funciones que permitan inferir
(realizar un razonamiento formal) sobre los objetos. Generalmente, se usa algún tipo de
lógica para proveer una semántica formal de cómo las funciones de razonamiento se
aplican a los símbolos del dominio del discurso, además de proveer operadores como
cuantificadores, operadores modales, etc. Esto, junto a una teoría de interpretación, dan
representarían del conocimiento para interpretar frases en la lógica para poder derivar
representación del conocimiento. Cuanto más expresiva es, decir algo es más fácil y más
compacto. Sin embargo, cuanto más expresivo es un lenguaje, más difícil es derivar
conocimiento poco expresivas pueden ser tanto completas como consistentes (formalmente
menos expresivas que la teoría de conjuntos). Las representaciones del conocimiento más
METODOLOGIAS
Declarativas Procedurales
Estructurales
Separación Unión entre el
entre Estructuración del conocimiento y la
conocimiento y conocimiento estructura de
estructura de propiedades control, orden
control lógica: inferenciales: dependiente,
expresiones herencia procedimientos y
declarativas transitiva, funciones.
(FDF) sistemas, asociativa, redes
de producción semánticas,
(bh,rp,ec) frames.
Metodología estructural
Red semántica
Esta forma ha sido muy utilizada en IA para representar el conocimiento y por tanto existen
Redes IS-A
Grafos conceptuales
Esquemas
Frames
Son una estructura de datos compleja que representa una situación estereotipada, en la que
Características
Precisión: Se precisa los objetos, las relaciones entre objetos y sus
propiedades
automáticamente
claramente diferenciados.
Metodología declarativa
El lenguaje de representación que nos permite expresar al razonar con sentencias que son
verdaderas o falsas.
1. Una sintaxis
2. Una semántica
automático, el aprendizaje profundo trata del uso de redes neuronales para mejorar cosas
tales como el reconocimiento de voz, la visión por ordenador y el procesamiento del
lenguaje natural. Rápidamente se está convirtiendo en uno de los campos más solicitados
reconocimiento de voz (todas ellas áreas especialmente complejas para los investigadores
en IA).
ver con el uso de redes neuronales para mejorar cosas tales como la visión el
Es una manera de analizar grandes datos que permite a las computadoras aprender. El
fundamenta en ideas sencillas y básicas para después basarse en ellas como por ejemplo
de grandes datos.
El Deep Learning lleva a cabo el proceso de Machine Learning usando una red
de la jerarquía la red aprende algo simple y luego envía esta información al siguiente nivel.
El siguiente nivel toma esta información sencilla, la combina, compone una información
Continuando con el ejemplo del gato, el nivel inicial de una red de Deep Learning podría
utilizar las diferencias entre las zonas claras y oscuras de una imagen para saber dónde
están los bordes de la imagen. El nivel inicial pasa esta información al segundo nivel, que
combina los bordes construyendo formas simples, como una línea diagonal o un ángulo
recto. El tercer nivel combina las formas simples y obtiene objetos más complejos cómo
óvalos o rectángulos. El siguiente nivel podría combinar los óvalos y rectángulos, formando
barbas, patas o colas rudimentarias. El proceso continúa hasta que se alcanza el nivel
El Deep Learning ha llamado mucho la atención por su potencial utilidad en distintos tipos
predicciones a partir de él), principalmente debido a que obtiene tasas de éxito elevadas con
entrenamiento “no supervisado”. En el caso del ejemplo, las redes de Deep Learning
lanzamiento de productos.
al cliente.
clientes, etc.
genéticas.
campo de la ciberseguridad.
clave.
Reconocimiento de voz.
Clasificación de vídeos.
Se le llama aprendizaje profundo porque presenta una estructura jerárquica que
profundiza hasta diferentes niveles de detalle. Cuantos más datos tenga un dispositivo,
mejor será capaz de predecir qué cosas son. Es como llevar el aprendizaje automático al
próximo nivel.
emula el aprendizaje que los seres humanos utilizamos para obtener determinados
conocimientos.
aprendizaje de una IA. En este caso, mientras que los algoritmos tradicionales de
y utiliza lo que aprende para crear un modelo estadístico como salida. Las iteraciones
Lo que se consigue con el aprendizaje profundo es que el sistema tenga cada vez
datos que, siguiendo ese proceso de repetición, hace que un software sea
Learning no son lo mismo, siendo el primero un tipo particular del segundo, es decir, el
Deep Learning es Machine Learning, pero existen técnicas de Machine Learning que no
Inteligencia Artificial donde las computadoras aprenden a hacer algo sin ser programadas
para ello. Por poner un ejemplo sencillo, se podría programar un ordenador para identificar
a un animal como un gato escribiendo un código que indique al programa que elija "gato"
cuando se ve una imagen concreta de un gato. Esto funcionaría si el único gato con el que
tratase el programa es el de esa imagen, pero no lo haría si el programa tuviera que ver un
Los programas de Machine Learning actuarían en ese segundo caso, para lo cual pueden
correspondiente). El programa aprenderá que los animales que se parecen a los gatos se
llaman "gato" sin haber sido programado para llamar "gato" a una imagen concreta de un
gato. Para ello el programa debe aprender combinaciones de características visuales que
tienden a aparecer juntas (por ejemplo, la forma de los cuerpos y de las caras), haciendo a
los gatos visualmente diferentes de otros animales. El programa aprende a asociar esta
prueba dicho modelo al tratar de identificar a los gatos en un conjunto de imágenes que no
ha visto antes. El programa mide el éxito obtenido en la identificación de los nuevos gatos
y utiliza esta información para ajustar el modelo, de forma que la próxima vez obtendrá
realiza otro ajuste. Este proceso iterativo continúa hasta que el programa haya construido
del modelo se compara la etiqueta asignada a la foto con la “decisión” tomada por el
(del inglés, machine learning) es el subcampo de las ciencias de la computación y una rama
de la inteligencia artificial, cuyo objetivo es desarrollar técnicas que permitan que las
computadoras aprendan. Se dice que un agente aprende cuando su desempeño mejora con
computadora, sin tener que escribir los últimos explícitamente. Los modelos o programas
complejidad computacional de los problemas. Muchos problemas son de clase NP-hard, por
puede ser visto como un intento de automatizar algunas partes del método científico
datos que ejecuten. Aunque todo aprendizaje automático es IA, no toda IA es aprendizaje
automático. Suele utilizarse en bancos, compras en línea, redes sociales, por medio de los
desarrollar técnicas que permitan que las máquinas aprendan de forma automática. ¿Cómo?
A través de la introducción del conocimiento en forma de ejemplos continuados, se produce
un aprendizaje automático.
aprendizaje automático se le suma esta información para analizar después los datos,
detectar patrones y ser capaces de predecir qué situaciones podrían darse o no después de
forma automática.
sistemas buscan entre los datos para encontrar patrones. Sin embargo, en lugar de extraer
los datos para la comprensión humana –como es el caso de las aplicaciones de minería de
datos– el aprendizaje automático utiliza esos datos para detectar patrones en los datos y
ajustar las acciones del programa en consecuencia. Los algoritmos del aprendizaje
autónomos, etc.
Referencias Bibliográficas
Palma Méndez, J. T., & Marín Morales, R. (2008). Inteligencia artificial: Métodos, técnicas
https://bibliotecavirtual.unad.edu.co:2538/lib/unadsp/reader.action?docID=3194970&query
=sistemas+basados+en+el+conocimiento
https://bibliotecavirtual.unad.edu.co:2538/lib/unadsp/reader.action?docID=3174775&query
=inteligencia+artificial
Benitez, R., Escudero, G., & Kanaan, S. (2013). Inteligencia Artificial Avanzada. UOC.
Pag.221-228. Recuperado de
https://bibliotecavirtual.unad.edu.co:2538/lib/unadsp/reader.action?ppg=1&docID=321795
7&tm=1528833358627
Pèrez Aguila, R. (2012). Una introducción al cómputo neuronal artificial. El Cid editor.
Recuperado de
https://bibliotecavirtual.unad.edu.co:2538/lib/unadsp/reader.action?docID=3203755&query
=inteligencia+artificial
https://sitiointeligenciaa.wordpress.com/representacion-del-conocimiento/
Aprendizaje profundo. ¿Qué es? ¿Qué características presenta? (2018, diciembre 2).
https://justificaturespuesta.com/aprendizaje-profundo/
https://planetachatbot.com/inteligencia-artificial-aprendizaje-autom%C3%A1tico-y-
aprendizaje-profundo-862ca9790bb9