INTELIGENCIA ARTIFICIAL

FASE 2 – ESPACIOS DE ESTADO EN LA I.A.

OSLER NIEBLES CÓD.

CINDY POVEDA - 1069737418

RUTH FAJARDO CÓD. 28480523

EDWIN GIRALDO CÓD: 1.012.342.170

PRESENTADO A:

EURÍPIDES TRIANA

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

29 ENERO DE 2021

BOGOTÁ D.C.
 INTRODUCCION

Una máquina inteligente ideal es un agente flexible que percibe su entorno y lleva
a cabo acciones que maximicen sus posibilidades de éxito en algún objetivo o
tarea.

La evolución de los sistemas y de la tecnología nos ha acercado a cada vez tener

una mayor evolución hacia la solución de las diferentes situaciones que se nos
presentan día a día uno de estos avances nos permite generar sistemas que
emulen o intente imitar el pensamiento humano o el actuar humano basado en
matemática estadística y probabilidades “la combinación de algoritmos planteados
con el propósito de crear máquinas que presenten las mismas capacidades que el
ser humano. Una tecnología que todavía nos resulta lejana y misteriosa, pero que
desde hace unos años está presente en nuestro día a día a todas horas.”

Coloquialmente, el término inteligencia artificial se aplica cuando una máquina

imita las funciones «cognitivas» que los humanos asocian con otras mentes
humanas, como, por ejemplo: percibir, razonar, «aprender» y «resolver
problemas». Andreas Kaplan y Michael Haenlein definen la inteligencia artificial
como la capacidad de un sistema para interpretar correctamente datos externos,
para aprender de dichos datos y emplear esos conocimientos para lograr tareas y
metas concretas a través de la adaptación flexible.A medida que las máquinas se
vuelven cada vez más capaces, tecnología que alguna vez se pensó que requería
de inteligencia se elimina de la definición. Por ejemplo, el reconocimiento óptico de
caracteres ya no se percibe como un ejemplo de la inteligencia artificial
habiéndose convertido en una tecnología común.
 OBJETIVOS

 Identificar las principales características de los espacios de estado

 Comprender que es un razonamiento con incertidumbre y su aplicación a
inteligencia artificial
 Analizar qué es y que compone los algoritmos de búsqueda
 Enfocar el aprendizaje a un algoritmo aplicable a nuestro proyecto
 DESARROLLO ACTIVIDAD

Aplicación de espacios de estado a nuestro prototipo

El espacio de estado en nuestro prototipo aplica ya que es el conjunto que

contiene la cantidad de diferentes problemas encaminado a un numero de
diferentes soluciones, interactuando de tal manera que permita navegar entre
estos problemas y soluciones. Es decir nos permite tener un mapa de ruta entre
problemas y soluciones manejadas en la aplicación para poder usarla , para
ejemplarizar en nuestra aplicación daremos opciones entre rangos de edad peso y
estatura esto nos genera una solicitud a la cual se le dará una solución con la
indicación correcta para el ajuste de pérdida de peso que se debe realizar para
estar en el parámetro ideal , de acuerdo con esto el problema es estar fuera de un
parámetro ideal y las soluciones son las respuesta que da la aplicación para
ajustarse a este parámetro, el espacio de estado es el universo que creamos de
posibles solicitudes a posibles soluciones para que nuestro usuario pueda ir a
través de ellas y encontrar un resultado de acuerdo a sus solicitudes

Aplicación de razonamiento con incertidumbre a nuestro prototipo

Los sistemas inteligentes deben ser capaces de representar y razonar con

incertidumbre. Existen varias causas de incertidumbre que tienen que ver con la
información (incompleta, poco confiable, ruido, distorsión), el conocimiento
(impreciso, contradictorio) y la representación (no adecuada, falta de poder
descriptivo). Por ejemplo, en un sistema de diagnóstico médico no cuenta con toda
la información del paciente.

Todo sistema debe tomar decisiones así no tenga toda la información o la

información no sea fiable es necesario tenerlo en cuenta ya que para poder
entender y aplicarlo debemos tener un espacio de estado bien diseñado con
razonamientos que puedan ser evaluados como cierto o falso para poder llegar a
un estado final es decir que así la información se poco fiable o errónea nos dé un
resultado un numero x de problemas para un numero x de soluciones

Como aplica algoritmos de búsqueda en nuestro prototipo

Se hace uso de los Algoritmos de Búsqueda, los cuales nos permiten encontrar un
determinado valor dentro de una estructura de datos: por ejemplo, ubicar el
registro correspondiente de uno de los pacientes en una base de datos para
determinar qué clase de enfermedad tiene el paciente.

Para cumplir con el objetivo que es diagnosticar un tipo de enfermedad

el Problema de Búsqueda, se pueden usar dos técnicas de búsqueda: la
búsqueda lineal o secuencial, es menos eficiente con menos precondiciones, no
requiere conocimientos sobre el conjunto de búsqueda ni acceso aleatorio. Y
búsqueda binaria o dicotómica, la técnica más eficiente, tiene varios prerrequisitos:
el conjunto de búsqueda ordenado y acceso aleatorio, este algoritmo compara el
dato buscado con un elemento central. Según sea menor o mayor se prosigue la
búsqueda con el subconjunto anterior o posterior, respectivamente, al elemento
central, y así sucesivamente.
INDICAR QUE ALGORITMO APLICA EN EL PROYECTO EN CONSTRUCCIÓN.

Algoritmos de árbol de decisión

Una de sus principales ventajas es la facilidad con la que se puede interpretar los
resultados en base a reglas. Permitiendo no solo obtener un resultado, sino que
inspeccionar los motivos por los que se llega a una predicción dada. Por ejemplo,
en un modelo que permita predecir la aparición de fallos en una maquinaria se
puede explorar el proceso lógico del algoritmo, identificando los valores de las
características que lleva a una conclusión dada. Esto permite no solo utilizar el
modelo para predecir un valor, sino actuar sobre las causas para evitar la
aparición de resultados no deseados. Siendo la visualización de árboles de
decisión una forma de facilitar esto.

Ejemplos: Diagnóstico médico

Análisis de riesgo en la concesión de créditos

Elaboración de horarios

Un árbol de decisión está formado por un conjunto de nodos de decisión

(interiores) y de nodos-respuesta (hojas):

Un nodo de decisión está asociado a uno de los atributos y tiene 2 o más ramas
que salen de él, cada una de ellas representando los posibles valores que puede
tomar el atributo asociado. De alguna forma, un nodo de decisión es como una
pregunta que se le hace al ejemplo analizado, y dependiendo de la respuesta que
dé, el flujo tomará una de las ramas salientes.

Un nodo-respuesta está asociado a la clasificación que se quiere proporcionar, y

devuelve la decisión del árbol con respecto al ejemplo de entrada.
 CONCLUSIONES

Identificamos las principales características de los espacios de estado

Comprendimos que es un razonamiento con incertidumbre y su aplicación a

inteligencia artificial

Analizamos que es y que compone los algoritmos de búsqueda

Aprendimos que es una red semántica como se debe utilizar y para que, también
conocemos algunos ejemplos y principalmente cuales son las ventajas de utilizar
ese método de razonamiento al igual que sus desventajas.

Nos adentramos al tema de la unidad y sabemos de qué hablamos cuando

mencionamos representación de conocimiento y razonamiento, es la forma en
cómo se almacena el conocimiento ya sea por medio de varios métodos como 2
de los cuales abarcamos en este documento.

Comprendimos que se conecta con la inteligencia artificial y es una de las cosas

que se estudia para saber cómo es que la inteligencia con el razonamiento
adquiere esas cosas que actualmente conocemos como tecnología inteligente.
Uno de los conceptos nuevos que aprendimos fue el de razonamiento monótono,
ahora sabemos a qué se refiere y con qué fin
 BIBLIOGRAFIA

 Osmany-yildirim, Osman (26 de marzo de 2020). «The Effect of Artificial

Intelligence on Society». Artificial Intelligence (en inglés británico).
Consultado el 26 de marzo de 2020.
 Cellan-Jones, Rory (20 de octubre de 2016). «Stephen Hawking - will AI kill
or save?». BBC News (en inglés británico). Consultado el 28 de octubre de
2018.
 Europasur.es. «La inteligencia artificial como herramienta de progreso
social». Consultado el 16 de octubre de 2018.
 Problemas de satisfacción de restricciones (csp) recuperado de:
http://personales.upv.es/misagre/papers/capitulo.pdf
 Resolución de problemas. (2012). Recuperado de:
https://www.cs.upc.edu/~bejar/ia/transpas/teoria/2-BH1-
introduccion_busqueda.pdf
 Jiménez alonso, Gutiérrez M. (2000). Arboles de decisión. Recuperado de:
https://www.cs.us.es/~jalonso/cursos/ra-00/temas/tema-12.pdf
 Rodriguez Daniel. (2018). Visualización de árboles de decisión en Python
con PyDotPlus. Recuperado de:
https://www.analyticslane.com/2018/11/09/visualizacion-de-arboles-de-
decision-en-python-con-pydotplus/
 Wikipedia. (2021). Inteligencia artificial. Recuperado de:
https://es.wikipedia.org/wiki/Inteligencia_artificial.