FASE 2 ESPACIOS DE ESTADO EN LA IA

ESTUDIANTES:
GLEIDYS PATRICIA FABRA MACEA

CURSO: INTELIGENCIA ARTIFICIAL

GRUPO: 90169_5

TUTOR(A):
FERNANDO ROJAS

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA-UNAD

ESCUELA DE CIENCIAS BASICAS E INGENIERÍA
INGENIERÍA DE SISTEMAS
MARZO 20 DE 2022

1
 Investigar sobre formas de representación del conocimiento en IA.
Definición
Representar el conocimiento en Inteligencia Artificial es el proceso de transformación de
éste a un dominio o un lenguaje simbólico para ser procesado en un computador.

cuyo objetivo fundamental es representar el conocimiento de una manera que facilite la

inferencia (sacar conclusiones) a partir de dicho conocimiento. Analiza cómo 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.

ejemplo de representación del conocimiento en prolog por medio de hechos y reglas.

2
 Metodologías para la Representación Del Conocimiento En Inteligencia artificial

Metodología estructural
Red Semántica Esta forma ha sido muy utilizada en IA para representar el conocimiento y por
tanto existen una gran diversificación de técnicas.

Esquemas de marcos: Es una estructura de datos compleja que representa una situación
estereotipada,

Frames Son una estructura de datos compleja que representa una situación estereotipada, en la
que se organizar el conocimiento como una colección de características comunes al concepto,
objeto, situación o sujeto.

Características Principales de los Frames

Precisión: se precisan los objetos, las relaciones entre objetos y sus propiedades; en ausencia de
evidencia contraria se usan valores por omisión.

Activación dinámica de procesos (Triggering): se pueden adjuntar procedimientos a un marco o

alguno de sus componentes y ser llamados y ejecutados automáticamente tras la comprobación
de cambio de alguna propiedad o valor (p. ej. if-needed, if-added)

Herencia por defecto no-monotónica: los marcos están conceptualmente relacionados,

permitiendo que atributos de objetos sean heredados de otros objetos predecesores en la jerarquía

Modularidad: la base de conocimiento está organizada en componentes claramente

diferenciados.

3
Reglas de Producción o Inferencia: Los sistemas basados en reglas son los más comúnmente
utilizados. Su simplicidad y similitud con el razonamiento humano han contribuido para su
popularidad en diferentes dominios. Las reglas son un importante paradigma de representación
del conocimiento.
Metodología declarativa
Lógica: Lenguaje de representación que nos permite expresar y razonar con sentencias que son
verdaderas o falsas. Toda lógica que sea usada como mecanismo de representación deber constar
de 3 elementos:
Una sintaxis, que explica cómo construir los elementos del lenguaje de representación (oraciones
lógicas).
Una semántica, que asocia los elementos del lenguaje con los elementos reales del dominio
asocia una interpretación (significado) a los símbolos.
Un conjunto de reglas de inferencia, que permiten inferir conocimiento nuevo a partir del ya
existente.

Fuentes: https://sitiointeligenciaa.wordpress.com/representacion-delconocimiento/
#:~:text=Representar%20el%20conocimiento%20en%20Inteligencia,a%20partir%20de
%20dicho%20conocimiento.

 Investigar sobre aprendizaje profundo.

¿Qué es el aprendizaje profundo?
El aprendizaje profundo (Deep Learning) es un tipo de aprendizaje automático (machine
learning, ML) e inteligencia artificial (IA) que imita la forma en que los humanos
obtienen ciertos tipos de conocimiento.

El aprendizaje profundo es un elemento importante de la ciencia de datos, que incluye

estadísticas y modelos predictivos. Es extremadamente beneficioso para los científicos de
datos que tienen la tarea de recopilar, analizar e interpretar grandes cantidades de datos;
el aprendizaje profundo hace que este proceso sea más rápido y sencillo.

Cómo funciona el aprendizaje profundo

Los programas informáticos que utilizan el aprendizaje profundo pasan por el mismo
proceso que el niño pequeño que aprende a identificar al perro. Cada algoritmo de la
jerarquía aplica una transformación no lineal a su entrada y usa lo que aprende para crear
4
un modelo estadístico como salida. Las iteraciones continúan hasta que la salida alcanza
un nivel aceptable de precisión. La cantidad de capas de procesamiento a través de las
cuales deben pasar los datos es lo que inspiró la etiqueta profunda.

Métodos de aprendizaje profundo

Se pueden utilizar varios métodos para crear modelos sólidos de aprendizaje profundo.
Estas técnicas incluyen la disminución de la tasa de aprendizaje, el aprendizaje por
transferencia, la formación desde cero y la deserción.

Decadencia de la tasa de aprendizaje. La tasa de aprendizaje es un hiperparámetro —

un factor que define el sistema o establece las condiciones para su funcionamiento antes
del proceso de aprendizaje— que controla cuánto cambio experimenta el modelo en
respuesta al error estimado cada vez que se modifican los pesos del modelo. Las tasas de
aprendizaje que son demasiado altas pueden resultar en procesos de entrenamiento
inestables o en el aprendizaje de un conjunto de pesos subóptimo. Las tasas de
aprendizaje que son demasiado pequeñas pueden producir un proceso de capacitación
prolongado que tiene el potencial de atascarse.
Transferir aprendizaje. Este proceso implica perfeccionar un modelo previamente
entrenado; requiere una interfaz para el interior de una red preexistente. Primero, los
usuarios alimentan la red existente con nuevos datos que contienen clasificaciones
previamente desconocidas. Una vez que se realizan los ajustes a la red, se pueden realizar
nuevas tareas con capacidades de categorización más específicas. Este método tiene la
ventaja de requerir muchos menos datos que otros, reduciendo así el tiempo de cálculo a
minutos u horas.
Entrenar desde cero. Este método requiere que un desarrollador recopile un gran
conjunto de datos etiquetados y configure una arquitectura de red que pueda aprender las
características y el modelo. Esta técnica es especialmente útil para aplicaciones nuevas,
así como para aplicaciones con una gran cantidad de categorías de salida. Sin embargo,
en general, es un enfoque menos común, ya que requiere cantidades excesivas de datos,
lo que hace que la capacitación demore días o semanas.
Abandonar. Este método intenta resolver el problema del sobreajuste en redes con
grandes cantidades de parámetros al soltar aleatoriamente unidades y sus conexiones de
la red neuronal durante el entrenamiento. Se ha comprobado que el método de abandono
puede mejorar el rendimiento de las redes neuronales en tareas de aprendizaje
supervisado en áreas como reconocimiento de voz, clasificación de documentos y
biología computacional.
Fuentes: https://www.computerweekly.com/es/definicion/Aprendizaje-profundo-deep-
learning#:~:text=El%20aprendizaje%20profundo%20(Deep%20Learning,obtienen
%20ciertos%20tipos%20de%20conocimiento.

5
 Investigar sobre aprendizaje automático.
Definición.
El aprendizaje automático (ML) es el subapartado de la inteligencia artificial (IA) que se
centra en desarrollar sistemas que aprenden, o mejoran el rendimiento, en función de los
datos que consumen. Inteligencia artificial es un término amplio que se refiere a sistemas
o máquinas que imitan la inteligencia humana. El aprendizaje automático y la IA suelen
nombrarse juntos, y los términos a veces se usan indistintamente, pero no significan lo
mismo. Un aspecto importante que hay que destacar es que, aunque todo aprendizaje
automático es IA, no toda la IA es aprendizaje automático.

Tipos de aprendizaje automático: dos enfoques de aprendizaje

Los algoritmos son los motores que impulsan el aprendizaje automático. Generalmente,
en la actualidad se utilizan dos tipos principales de algoritmos de aprendizaje automático:
el aprendizaje supervisado y el aprendizaje no supervisado. La diferencia entre ellos se
define por cómo cada uno aprende acerca de los datos para hacer predicciones.
Aprendizaje automático supervisado: Los algoritmos supervisados de aprendizaje
automático son los más utilizados. Con este modelo, un científico de datos actúa como
guía y enseña al algoritmo las conclusiones que debe sacar. Al igual que un niño que
aprende a identificar las frutas al memorizarlas con un libro de imágenes, en el
aprendizaje supervisado, el algoritmo se entrena mediante un conjunto de datos que ya
está etiquetado y tiene un resultado predefinido.

Los ejemplos de aprendizaje automático supervisado incluyen algoritmos tales como

regresión lineal y logística, clasificación multiclase y máquinas de vectores de soporte.
Aprendizaje automático no supervisado: El aprendizaje automático no supervisado
utiliza un enfoque más independiente, en el que un ordenador aprende a identificar
procesos y patrones complejos sin la guía cercana y constante de un ser humano. El
aprendizaje automático no supervisado implica un entrenamiento basado en datos que no
tienen ni etiquetas ni un resultado específico definido.

Para continuar con la analogía de la enseñanza infantil, el aprendizaje automático no

supervisado es similar a un niño que aprende a identificar frutas mediante la observación
6
de colores y patrones, en lugar de memorizar los nombres con la ayuda de un maestro. El
niño buscaría similitudes entre las imágenes y las separaría en grupos, asignando a cada
grupo su propia etiqueta nueva. Los ejemplos de algoritmos de aprendizaje automático no
supervisado incluyen el agrupamiento de k-means, el análisis de componentes principales
e independientes y las leyes de asociación.
Elección de un enfoque ¿Cuál es el mejor enfoque para tus necesidades? La elección de
un algoritmo de aprendizaje automático supervisado o no supervisado depende
generalmente de factores relacionados con la estructura y el volumen de tus datos y del
caso de uso al que deseas aplicarlo. El aprendizaje automático ha florecido en una amplia
gama de industrias, ofreciendo asistencia para múltiples objetivos empresariales y casos
de uso, como:

 Valor de vida del cliente

 Detección de anomalías
 Fijación de precios dinámica
 Mantenimiento predictivo
 Clasificación de imágenes
 Motores de recomendación
Fuentes: https://www.oracle.com/co/data-science/machine-learning/what-is-machine-
learning/#:~:text=El%20aprendizaje%20autom%C3%A1tico%20(ML)%20es,que
%20imitan%20la%20inteligencia%20humana.

 Entrega prototipo, Etapa: Programación – Documentación

7
 Conclusión

Al finalizar esta actividad, hemos realizado las investigaciones sobre búsqueda en espacios de
estado, razonamiento con incertidumbre y algoritmos de búsqueda. Además de eso desarrollo
prototipo - Etapa: Programación.

Los algoritmos usados en la inteligencia artificial están condicionados a escenarios del mundo
real, usados por los propios humanos para resolver problemas.

Referencias Bibliográficas
8
Representación del conocimiento en IA: https://sitiointeligenciaa.wordpress.com/representacion-
delconocimiento/#:~:text=Representar%20el%20conocimiento%20en%20Inteligencia,a
%20partir%20de%20dicho%20conocimiento.
Aprendizaje profundo: https://www.computerweekly.com/es/definicion/Aprendizaje-profundo-
deeplearning#:~:text=El%20aprendizaje%20profundo%20(Deep%20Learning,obtienen
%20ciertos%20tipos%20de%20conocimiento.
Aprendizaje automático: https://www.oracle.com/co/data-science/machine-learning/what-is-
machinelearning/#:~:text=El%20aprendizaje%20autom%C3%A1tico%20(ML)%20es,que
%20imitan%20la%20inteligencia%20humana