INTELIGENCIA ARTIFICIAL

Fase 3 - Representación del conocimiento en IA

PRESENTA
CRISTIAN ANDRÉS VANEGAS TRIVIÑO

GRUPO: 2

TUTOR
FERNANDO ROJAS

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

ZIPAQUIRÁ (CUNDINAMARCA). COLOMBIA
ABRIL 2020
 FORMAS DE REPRESENTACIÓN DEL CONOCIMIENTO EN IA

La representación del conocimiento se encuentra ligada directamente con la explotación de

gran cantidad de información, experiencias, hasta conocimientos de un aspecto en
específico, es así que en el agrupamiento de conceptos y procesos, desde la inteligencia
artificial es posible realizar una actividad de diferentes maneras.
La representación del conocimiento se lleva a cabo por los siguientes métodos simbólicos:
Árboles de decisión: La forma más fácil de entender este concepto es un diagrama el cual
pueda tener varios caminos para llevar a cabo una acción, por ejemplo, el problema
propone que se debe definir si la persona es mayor de edad o no, en un diagrama puede
generarse la decisión si el individuo tiene 18 o más años y de acuerdo recorra el camino
para dar a conocer la respuesta del árbol.
Sistemas expertos: Es un proceso mediante el cual con un sistema automático intenta
razonar como un experto humano, esto conlleva a una mejora de productividad, ahorro de
tiempo y dinero, es decir, si existe una actividad que puede tener diferentes caminos para su
solución, el sistema puede establecer cuál es el mejor método para llegar a la solución más
apropiada.
Lógica difusa: Este tipo de sistemas efectúan una salida de acuerdo a sus datos de entrada,
sin establecer un modelo de análisis, este modelo se basa al tipo de procesos se establecen
por un “si, entonces” por ende un sistema difuso es determinista, es decir siempre sabemos
el punto cual puede llegar con determinadas rutas.
Sistema basado en casos: Este tipo de razonamiento puede llevar a cabo la solución de
problemas por medio de soluciones proporcionadas para problemas similares, es así que
cada caso se puede integrar de acuerdo a una estructura de un conocimiento y buscar una o
varias situaciones similares.
Agentes inteligentes: Son secuencias de pasos que van cambiando de acuerdo a datos
proporcionados por los sensores que trabajan en un contexto, un ejemplo se puede
evidenciar en un sistema inteligente de cultivos, de acuerdo a la temperatura, cambio de
clima y humedad, se llegue a la conclusión se debe hacer el riego en una cantidad
determinada por el mismo sistema.
Redes neuronales: Método de conexiones que permite analizar y dar soluciones a
problemas con alta complejidad, este método tiene en cuenta una base de conocimiento que
tiene la posibilidad de actualizar, así mismo en cada actividad de solución de problemas se
tiene en cuenta predicciones, reconocimiento de patrones, codificación, control y
optimización.
Algoritmos de aprendizaje para el análisis de datos multivariables LAMDA:
Algoritmo que maneja la capacidad de la lógica difusa y la capacidad de interpolación de
conectores de lógica híbrida, con lo anterior puede tener un aprendizaje y modela rutas para
obtener un resultado, es importante que LAMDA pueda tener un espacio de entrenamiento
y reconocimiento de patrones para poder asignar procesos a cada elemento en el sistema.
Máquinas de soporte vectorial SVM: Manejan un algoritmo de estimación, (machine
learning), el cual se basa en procesos de estimación de parámetros a partir de un grupo de
datos s (Trainning), el cálculo del valor de la función (testing) y la evaluación de la
precisión (performance).

APRENDIZAJE PROFUNDO
Hace relación a las redes neuronales profundas, el cual es un punto trabajado sobre la
inteligencia artificial, que se encarga de simular el proceso de aprendizaje que realiza un ser
humano, es así que es posible considerar el desarrollo de un algoritmo se pueda automatizar
y de acuerdo pueda generar decisiones y análisis predictivos.

El aprendizaje profundo también es conocido como Deep Learning, el cual establece su

potencial utilidad en aplicaciones para ejecutarlas en el mundo real, en donde se extraen
grandes volúmenes de datos y de allí se van descubriendo nuevos datos, por ejemplo, un
grupo de figuras geométricas al momento de fusionarlas, es posible generar imágenes de
nuestro mundo real.

Actividades Deep Learning

- Reconocimiento de gustos de clientes de acuerdo a su navegación.

- Reconocimiento de voz.

- Detección, predicción y prevención de amenazas.

- Localización de rostros e identificación de emociones faciales.

- Clasificación de archivos audiovisuales.

- Identificación de marcas publicadas en internet

 APRENDIZAJE AUTOMÁTICO
Tiene cierta similitud con la minería de datos, debido a que estos sistemas manejan una
gran cantidad de datos y de acuerdo buscan patrones, los cuales pueden dar a conocer una
conclusión, este proceso puede ser trabajado con datos supervisados y no supervisados, es
decir los datos supervisados pueden aplicar lo aprendido en un momento anterior y
relacionarlo con nuevos datos, y los datos no supervisados se puede extraer referencias de
conjuntos de datos.
El aprendizaje automático promueve su uso para cualquier aspecto que se desarrolle en el
mundo real, como primer punto podemos ver algo que ya se está trabajando en internet, el
marketing y las ventas, en las aplicaciones se pueden agregar complementos de
seguimiento para clientes y vendedores, por otro lado en servicios financieros, atención a la
salud, gobierno, transporte, entre otros.
En el ML se deben manejar ciertos términos para llevar a cabo su ejecución de tareas, como
primer punto se menciona las entradas (input) las cuales con datos como características,
atributos, variables, dimensiones, entre otros; en cuanto a los resultados (output) son
conocidos como el objetivo, respuesta, salidas, variables dependientes. En cuanto a la fila,
esta incluye input y output, la cual se conoce como observación y registros, y en etiquetas
en ML (labels) son los valores de la variable dependiente que va de la mano con el contexto
de aprendizaje.
 BIBLIOGRAFÍA

- 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=sistemas+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=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=3217957&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