Universidad Nacional Autónoma de México.

Facultad de Ingeniería.
Inteligencia Artificial.
Grupo 7.
Cruz Ramírez Cesar Alejandro.
Reseña The Quest for Artificial Intelligence.

Capítulo 28. Bayesian Networks.

Al principio de este capitulo se comienza por hablar de los sistemas que funcionan con lógica
de primer orden o razonamientos lógicos. Además, varios de los investigadores de IA
comenzaban a hablar sobre razonamiento probabilístico. Este modelo necesitaba de valores
probabilísticos para conjuntos o combinaciones de las preposiciones a lo que se le conoce
como juntas de probabilidad. A esto se le añadieron poderosos métodos para la
representación del modelo probabilístico.
Se comienza a hablar sobre la regla de Bayes en la probabilidad
computacional, Judea Pearl lo nombro Redes Bayesianas. Estas constan en grafos directos
y acíclicos. Mas adelante también se menciona la inferencia probabilística y de cual es su
importancia en las Redes Bayesianas. El sistema INTERNIST-1 fue el primero en desarrollar
una Red Bayesiana, este consto de 48 nodos y 908 flechas. El método era muy fácil de
construir ya que se hacia mediante una base de datos, mediante esta manera la red podía
ser aprendida.
Daphne Koller desarrollo en Stanford la relación de modelos probabilísticos, esta era un tipo
de redes Bayesianas, las cuales añaden calculo de predicados, y tomando una declaración
generaba subredes, las cuales se usaban para la expresión de datos.

Capítulo 29. Machine Learning.

Para este capítulo comenzamos hablando sobre como Machine Learning se convirtió en un
tema muy relevante en la IA, como se comenzaron a usar redes neuronales además de
algunos métodos de aprendizaje.
En el capitulo se habla sobre el aprendizaje basado en memoria, en este se usa una
biblioteca de casos que se emplea en el análisis y solución de nuevos casos. Una de las
herramientas más usadas son las bases de datos y en este capitulo nos habla sobre los
arboles de decisión, secuencian pruebas las cales nos ayudan a determinar una categoría o
un valor numérico para asignar a un registro de datos.
En 1950 Edward Feigenbaum desarrollo EPAM, que explicaba y predecía el
comportamiento del aprendizaje verbal humano, este sistema llego a comprobar el olvido
y cómo se comporta.
 Universidad Nacional Autónoma de México.
Facultad de Ingeniería.
Inteligencia Artificial.
Grupo 7.
Cruz Ramírez Cesar Alejandro.
Reseña The Quest for Artificial Intelligence.

En 1960 Carl I. Hovland junto con su estudiante desarrollaron una serie de

programas de aprendizaje llamados CLS, estos programas entraban en el desarrollo de
arboles de decisión.
Mas adelante en el capitulo nos habla sobre como las redes neuronales cambiaron
los pesos en diferentes capas, esto ayudo a que se obtuvieran diferentes resultados. Las
redes neuronales junto con los árboles de decisión son parte del aprendizaje supervisado,
este informa al sistema sobre la clasificación de cada dato.
Pero también existe el aprendizaje no supervisado el cual construye dichas clasificaciones
de datos basadas en los mismos datos, pero no informa sobre estas. El aprendizaje
reforzado se hace mención de la ganancia y la perdida en un sistema y como se pueden
reforzar las actividades para tener mas ganancia que perdida, este aprendizaje lo
conocemos como prueba y error.