Fase 2 - Rafael Guillen

FASE 2 - ESPACIOS DE ESTADO EN LA IA
Búsqueda en espacios de estado
La búsqueda en espacios de estado (también conocida como búsqueda de árboles o
búsqueda en grafos) es un enfoque utilizado en inteligencia artificial y en particular en el campo
de la resolución de problemas. La idea básica detrás de este enfoque es buscar una solución a un
problema en un espacio de estado, que se puede representar como un grafo o árbol.
En la búsqueda en espacios de estado, el problema se modela como un estado inicial y un
conjunto de posibles acciones que se pueden tomar para llegar a un estado objetivo. Cada acción
lleva a un nuevo estado y cada estado puede tener múltiples acciones posibles. El objetivo es
encontrar una secuencia de acciones que lleven desde el estado inicial al estado objetivo.
Para realizar esta búsqueda, se utilizan diferentes algoritmos, como el algoritmo de
búsqueda en profundidad (DFS), el algoritmo de búsqueda en anchura (BFS), el algoritmo de
búsqueda A* y otros. Cada uno de estos algoritmos utiliza diferentes estrategias para explorar el
espacio de estado y encontrar la solución.
Por ejemplo, en el caso de resolver un rompecabezas como el cubo de Rubik, el estado
inicial es el cubo desordenado y el estado objetivo es el cubo ordenado. Cada acción posible es
mover una de las caras del cubo, y cada estado es una configuración diferente del cubo. La
búsqueda en espacios de estado se utiliza para encontrar la secuencia de movimientos necesarios
para pasar del estado inicial al estado objetivo.
Para que sirve
Se utiliza para resolver una amplia variedad de problemas, desde juegos como el ajedrez
y el Go hasta la planificación de rutas en vehículos autónomos y la resolución de problemas de
lógica complejos.
1
En términos generales, la búsqueda en espacios de estado se utiliza para encontrar la
solución a un problema, representado como un espacio de estados, que puede ser representado
como un grafo o un árbol. Cada nodo en el grafo representa un estado posible del problema, y las
aristas del grafo representan las transiciones entre estados posibles.
Por ejemplo, en el caso del problema del cubo de Rubik, el espacio de estados se puede
representar como un grafo en el que cada nodo representa un estado posible del cubo, y cada
arista representa una transición posible entre estados.
La búsqueda en espacios de estado se utiliza para encontrar la secuencia de transiciones
necesarias para pasar de un estado inicial a un estado objetivo, y hay diferentes algoritmos que se
pueden utilizar para realizar esta búsqueda, como el algoritmo de búsqueda en profundidad, el
algoritmo de búsqueda en anchura y el algoritmo A*.
Además, la búsqueda en espacios de estado también se utiliza en otros campos de la
inteligencia artificial, como el aprendizaje por refuerzo, donde se utiliza para encontrar la mejor
política (una secuencia de acciones) para maximizar una recompensa en un entorno de juego.
Como funciona
El proceso de búsqueda en espacios de estado se realiza mediante el uso de algoritmos
específicos que exploran el espacio de estados en busca de una solución.
A continuación, explicaré cómo funciona el proceso de búsqueda en espacios de estado
utilizando el ejemplo del problema del cubo de Rubik:
1. Representación del problema como un espacio de estados: El primer paso para
realizar una búsqueda en espacios de estado es representar el problema como un espacio
de estados. En el caso del cubo de Rubik, el espacio de estados se puede representar
2
como un grafo en el que cada nodo representa un estado posible del cubo, y las aristas del
grafo representan las transiciones entre estados posibles.
2. Estado inicial y estado objetivo: El siguiente paso es definir el estado inicial y el estado
objetivo del problema. En el caso del cubo de Rubik, el estado inicial es el cubo
desordenado y el estado objetivo es el cubo ordenado.
3. Definición de acciones: A continuación, se definen las posibles acciones que se pueden
tomar para pasar de un estado a otro. En el caso del cubo de Rubik, las posibles acciones
son rotar una de las caras del cubo en el sentido de las agujas del reloj o en el sentido
contrario.
4. Algoritmo de búsqueda: Una vez definido el problema, se utiliza un algoritmo de
búsqueda para encontrar la secuencia de acciones necesarias para pasar del estado inicial
al estado objetivo. Hay varios algoritmos de búsqueda que se pueden utilizar, como el
algoritmo de búsqueda en profundidad, el algoritmo de búsqueda en anchura, el algoritmo
A* y otros.
El algoritmo de búsqueda en profundidad (DFS) comienza explorando desde el estado
inicial y continúa moviéndose hacia abajo en el árbol de estados hasta que encuentra el
estado objetivo. El algoritmo de búsqueda en anchura (BFS) comienza explorando todos
los estados a la misma profundidad antes de pasar a la siguiente profundidad.
El algoritmo A* es un enfoque de búsqueda heurística que utiliza una función de
evaluación para seleccionar el siguiente estado a explorar en función de la distancia al
estado objetivo y el costo de alcanzar ese estado.
5. Evaluación de estados: Durante la búsqueda, se evalúan los estados para determinar si
son viables o no. Por ejemplo, en el caso del cubo de Rubik, un estado no viable sería
3
aquel en el que el cubo tiene piezas en posiciones incorrectas o donde las caras no están
alineadas correctamente.
6. Almacenamiento de soluciones: Una vez que se encuentra una solución, se almacena en
memoria y se devuelve al usuario. En el caso del cubo de Rubik, la solución sería la
secuencia de movimientos necesarios para pasar del estado inicial al estado objetivo.
En resumen, la búsqueda en espacios de estado es un proceso que se utiliza para
encontrar la solución a un problema modelado como un espacio de estados. El proceso de
búsqueda implica la representación del problema como un espacio de estados, la definición de un
estado inicial y un estado objetivo, la definición de las posibles acciones, la utilización de un
algoritmo de búsqueda para encontrar la solución y la evaluación de los estados para determinar
si son viable
4
Razonamiento con incertidumbre
El razonamiento con incertidumbre es una rama de la inteligencia artificial que se ocupa
de la representación, el modelado y la resolución de problemas en situaciones donde no se tiene
información completa o precisa. Se utiliza cuando existe una falta de certeza o conocimiento
acerca de las variables o eventos relevantes de un problema.
En muchas situaciones, es difícil o imposible obtener información completa y precisa
sobre todos los aspectos de un problema. Por ejemplo, en la toma de decisiones empresariales, no
siempre se dispone de información completa sobre los costos, ingresos, preferencias de los
clientes y otros factores. En la medicina, no siempre se dispone de información completa sobre
los síntomas, las causas y los efectos de una enfermedad.
Para abordar estos problemas, se utilizan técnicas de razonamiento con incertidumbre,
como la teoría de la probabilidad y la lógica difusa. Estas técnicas permiten modelar y manejar la
incertidumbre en la información, lo que permite tomar decisiones más informadas y reducir el
riesgo de errores.
La teoría de la probabilidad es la técnica más comúnmente utilizada en el razonamiento
con incertidumbre. Permite modelar la incertidumbre en la información mediante el uso de
distribuciones de probabilidad. Estas distribuciones permiten asignar una probabilidad a cada
posible resultado de un evento, lo que permite calcular la probabilidad de cualquier combinación
de resultados.
La lógica difusa, por otro lado, se utiliza para modelar la incertidumbre en las relaciones
entre las variables. Permite modelar el grado de certeza o incertidumbre en una afirmación
mediante el uso de términos difusos, como "muy probable", "poco probable", "posiblemente",
etc.
5
Para que sirve
El razonamiento con incertidumbre es útil en una amplia variedad de aplicaciones donde
la información es incompleta o incierta. A continuación, se presentan algunos ejemplos de
aplicaciones donde se utiliza el razonamiento con incertidumbre:
1. Sistemas de recomendación: Los sistemas de recomendación utilizan la información del
historial de un usuario para predecir qué productos o servicios pueden ser de su interés.
Debido a la gran cantidad de información y la diversidad de preferencias de los usuarios,
es difícil hacer recomendaciones precisas sin tener en cuenta la incertidumbre.
2. Diagnóstico médico: Los médicos a menudo deben tomar decisiones basadas en
información incompleta o incierta. Por ejemplo, en el caso de un paciente con síntomas
vagos, puede ser difícil determinar con precisión la causa subyacente de la enfermedad.
El razonamiento con incertidumbre se puede utilizar para modelar la incertidumbre en la
información de los pacientes y ayudar a los médicos a tomar decisiones informadas.
3. Control de robots: Los robots autónomos a menudo tienen que tomar decisiones en
situaciones inciertas. Por ejemplo, un robot de limpieza puede tener que navegar en una
habitación llena de obstáculos. El razonamiento con incertidumbre se puede utilizar para
modelar la incertidumbre en la posición y la velocidad del robot y ayudarlo a tomar
decisiones informadas.
4. Sistemas de detección de fraudes: Los sistemas de detección de fraudes en línea deben
examinar grandes cantidades de datos para identificar transacciones sospechosas. Debido
a la gran cantidad de información y la complejidad de las transacciones, es difícil
identificar fraudes sin tener en cuenta la incertidumbre.
6
En resumen, el razonamiento con incertidumbre es una herramienta esencial en muchas
aplicaciones donde la información es incompleta o incierta. Permite modelar y manejar la
incertidumbre en la información, lo que permite tomar decisiones más informadas y reducir el
riesgo de errores.
7
Algoritmos de búsqueda
Los algoritmos de búsqueda son una herramienta fundamental en la resolución de
problemas en inteligencia artificial y ciencias de la computación. Estos algoritmos son utilizados
para encontrar soluciones a problemas mediante la exploración sistemática de un espacio de
búsqueda, que representa todas las posibles soluciones al problema.
Un algoritmo de búsqueda típicamente recibe una descripción del problema a resolver y
un conjunto de reglas para generar nuevos estados a partir de estados existentes. Estos estados se
representan como nodos en un grafo y las reglas de generación de nuevos estados se representan
como arcos que conectan los nodos.
El objetivo del algoritmo de búsqueda es encontrar un camino de un nodo de inicio a un
nodo de destino que represente una solución al problema. En muchos casos, el algoritmo debe
buscar una solución óptima, es decir, una solución que minimice o maximice una función de
costo o utilidad.
Existen varios tipos de algoritmos de búsqueda, cada uno con sus propias características y
ventajas. A continuación, se describen algunos de los más comunes:
1. Búsqueda en profundidad (DFS): Este algoritmo comienza en el nodo de inicio y
explora cada rama del árbol de búsqueda hasta encontrar un nodo de destino o hasta que
se agoten todas las ramas. DFS es simple de implementar y utiliza menos memoria que
otros algoritmos, pero no siempre encuentra la solución óptima.
2. Búsqueda en amplitud (BFS): Este algoritmo explora todos los nodos a una
profundidad dada antes de pasar a la siguiente profundidad. BFS encuentra siempre la
solución óptima si existe, pero puede requerir una gran cantidad de memoria.
8
3. Búsqueda en costo uniforme: Este algoritmo explora el grafo mediante la expansión de
los nodos con menor costo de camino. Encuentra siempre la solución óptima si los costos
de los arcos son no negativos.
4. Búsqueda A*: Este algoritmo combina la búsqueda en costo uniforme con una heurística
que estima el costo del camino restante hasta la solución. La heurística guía la búsqueda
hacia los nodos más prometedores y puede reducir significativamente el número de nodos
expandidos.
Para que sirven
Son fundamentales para la resolución de problemas en diversas áreas de la informática,
como la inteligencia artificial, la robótica, la optimización, entre otras. A continuación, se
describen algunas de las principales aplicaciones de los algoritmos de búsqueda:
1. Resolución de problemas: Los algoritmos de búsqueda se utilizan para encontrar
soluciones a problemas complejos en áreas como la planificación, la toma de decisiones,
el diagnóstico y el control. Por ejemplo, en la planificación de rutas para vehículos
autónomos, se puede utilizar un algoritmo de búsqueda para encontrar la ruta más
eficiente desde el punto de partida hasta el destino.
2. Optimización: Los algoritmos de búsqueda se utilizan para encontrar la solución óptima
a problemas de optimización. Por ejemplo, en la optimización de redes de transporte, se
puede utilizar un algoritmo de búsqueda para encontrar la ruta más rápida o económica
para transportar bienes desde un punto a otro.
3. Juegos: Los algoritmos de búsqueda se utilizan para encontrar la mejor jugada en juegos
como el ajedrez, el go y el póquer. Por ejemplo, en el ajedrez, se puede utilizar un
algoritmo de búsqueda para encontrar la jugada óptima en un momento dado del juego.
9
4. Reconocimiento de patrones: Los algoritmos de búsqueda se utilizan para encontrar
patrones en grandes conjuntos de datos. Por ejemplo, en el reconocimiento de voz, se
puede utilizar un algoritmo de búsqueda para encontrar la mejor correspondencia entre el
habla del usuario y las palabras en un vocabulario.
5. Sistemas de recomendación: Los algoritmos de búsqueda se utilizan para recomendar
productos, servicios y contenidos a los usuarios. Por ejemplo, en un sitio de comercio
electrónico, se puede utilizar un algoritmo de búsqueda para recomendar productos que
sean relevantes para los intereses y necesidades del usuario.
En pocas palabras los algoritmos de búsqueda permiten encontrar soluciones a problemas
complejos, optimizar procesos, encontrar patrones en grandes conjuntos de datos, entre otras
aplicaciones.
10
Como se aplican los temas anteriores en el prototipo
Para el desarrollo de un prototipo de salud que ayude a diagnosticar enfermedades
basándose en los síntomas, se pueden aplicar técnicas de búsqueda en espacios de estado,
razonamiento con incertidumbre y algoritmos de búsqueda heurística para mejorar la precisión y
eficiencia del diagnóstico.
Búsqueda en espacios de estado: Una forma de abordar el problema del diagnóstico es
considerarlo como un problema de búsqueda en un espacio de posibles enfermedades. En este
espacio de búsqueda, cada estado representa una posible enfermedad y cada transición representa
una posible causa o relación entre los síntomas y la enfermedad. Una estrategia de búsqueda
efectiva podría ser la búsqueda en profundidad limitada (LDFS), que explora las posibles
enfermedades a partir de un conjunto de síntomas, examinando primero los síntomas más
probables y descartando las enfermedades menos probables.
Razonamiento con incertidumbre: dado que los síntomas pueden tener diferentes
niveles de relevancia para diferentes enfermedades, se debe considerar la incertidumbre al
momento de realizar el diagnóstico. Para abordar este problema, se puede utilizar la teoría de la
probabilidad y la lógica difusa para modelar la incertidumbre en los datos y las relaciones entre
los síntomas y las enfermedades. Se puede utilizar un sistema de inferencia basado en reglas que
combine la información de los síntomas con la probabilidad de que cada enfermedad sea la causa
subyacente de los síntomas.
Algoritmos de búsqueda: para hacer que el proceso de diagnóstico sea más eficiente, se
pueden utilizar algoritmos de búsqueda heurística que guíen la búsqueda hacia las enfermedades
más probables en lugar de explorar todo el espacio de búsqueda. Por ejemplo, el algoritmo de
búsqueda A* podría ser utilizado para encontrar la enfermedad más probable dadas las
11
observaciones de los síntomas. Además, se pueden utilizar técnicas de aprendizaje automático
para mejorar la precisión del diagnóstico, utilizando conjuntos de datos de casos pasados de
pacientes y enfermedades conocidas.
Prototipo de algoritmo
Preparación de datos: Antes de comenzar a diseñar el algoritmo, es necesario obtener y
preparar los datos. Se necesitan dos conjuntos de datos: uno que contenga los síntomas
observados del paciente y otro que contenga las relaciones entre los síntomas y las
enfermedades. Este último conjunto de datos puede ser obtenido a partir de una base de datos
médica o utilizando técnicas de extracción de conocimiento de datos médicos.
Búsqueda en espacios de estado: Una vez que se tienen los datos, se puede comenzar a
utilizar la técnica de búsqueda en espacios de estado para encontrar la enfermedad más probable
dadas las observaciones de los síntomas. El algoritmo de búsqueda en profundidad limitada
(LDFS) se puede utilizar para explorar el espacio de búsqueda de las enfermedades posibles. El
algoritmo LDFS explorará primero los síntomas más probables y descartará las enfermedades
menos probables.
Código:
def LDFS(sintomas, enfermedades, profundidad):
visitados = set()
stack = [(enfermedad, 1) for enfermedad in enfermedades]
while stack:
enfermedad, profundidad_actual = stack.pop()
if profundidad_actual > profundidad:
continue
12
if enfermedad in visitados:
continue
visitados.add(enfermedad)
probabilidad = calcular_probabilidad(enfermedad, sintomas)
if probabilidad > 0.5:
return enfermedad
relacionados = obtener_relacionados(enfermedad)
for relacionado in relacionados:
if relacionado not in visitados:
stack.append((relacionado, profundidad_actual + 1))
return None
Razonamiento con incertidumbre: Una vez que se ha encontrado una enfermedad
probable, se puede utilizar la teoría de la probabilidad y la lógica difusa para modelar la
incertidumbre en los datos y las relaciones entre los síntomas y las enfermedades. Se puede
utilizar un sistema de inferencia basado en reglas que combine la información de los síntomas
con la probabilidad de que cada enfermedad sea la causa subyacente de los síntomas.
Código:
def inferencia_basada_en_reglas(sintomas, enfermedad):
probabilidad = calcular_probabilidad(enfermedad, sintomas)
if probabilidad < 0.5:
return None
if sintomas['fiebre'] and sintomas['tos']:
if enfermedad == 'gripe':
13
return 0.9
elif enfermedad == 'resfriado':
return 0.1
if sintomas['dolor_de_garganta'] and sintomas['dolor_de_cabeza']:
if enfermedad == 'amigdalitis':
return 0.8
elif enfermedad == 'migraña':
return 0.2
return None
Aprendizaje automático: Finalmente es importante contar con una base de datos de
síntomas y enfermedades para poder realizar la búsqueda en el espacio de estado. Esta base de
datos puede ser obtenida de fuentes médicas confiables y debe ser preprocesada para su uso en el
algoritmo.
Una vez que se tienen los datos necesarios, se puede comenzar la implementación del
algoritmo de búsqueda en espacios de estado. A continuación, se presenta un ejemplo de
implementación en Python:
Código
# Definir la base de datos de síntomas y enfermedades
sintomas = {
'fiebre': ['Gripe', 'Neumonía', 'Infección urinaria'],
'tos': ['Gripe', 'Neumonía', 'Bronquitis'],
'dolor de cabeza': ['Gripe', 'Migraña'],
'dolor de garganta': ['Gripe', 'Amigdalitis'],
14
'dolor muscular': ['Gripe', 'Influenza'],
'vómito': ['Gripe', 'Intoxicación alimentaria'],
'diarrea': ['Gripe', 'Intoxicación alimentaria']
# Definir la función de búsqueda en espacios de estado
def busqueda_estado(sintomas, enfermedades):
sintomas_pendientes = sintomas.copy()
enfermedades_posibles = enfermedades.copy()
while len(enfermedades_posibles) > 1 and len(sintomas_pendientes) > 0:
sintoma_actual = list(sintomas_pendientes.keys())[0]
enfermedades_filtradas = []
for enfermedad in enfermedades_posibles:
if sintoma_actual in sintomas[enfermedad]:
enfermedades_filtradas.append(enfermedad)
if len(enfermedades_filtradas) == 1:
return enfermedades_filtradas[0]
elif len(enfermedades_filtradas) > 1:
enfermedades_posibles = enfermedades_filtradas
sintomas_pendientes.pop(sintoma_actual)
15
if len(enfermedades_posibles) == 1:
return enfermedades_posibles[0]
else:
return "No se pudo determinar la enfermedad"
# Ejemplo de uso
sintomas_paciente = ['fiebre', 'dolor de cabeza', 'dolor muscular']
enfermedades_posibles = list(set(sum(sintomas.values(), [])))
enfermedad_diagnosticada = busqueda_estado(dict.fromkeys(sintomas_paciente),
enfermedades_posibles)
print(f"El paciente podría tener {enfermedad_diagnosticada}")
Este algoritmo recibe como entrada la base de datos de síntomas y enfermedades, así
como los síntomas del paciente. En la función `busqueda_estado`, se realiza la búsqueda en
espacios de estado para determinar la enfermedad más probable a partir de los síntomas del
paciente. El algoritmo recorre los síntomas del paciente y filtra las enfermedades posibles de
acuerdo con la base de datos. Si hay más de una enfermedad posible, se continúa filtrando por
los siguientes síntomas hasta que se determina una enfermedad o se agotan los síntomas.
Para aplicar los conceptos de búsqueda en espacios de estado y razonamiento con
incertidumbre en el desarrollo del prototipo de salud, se podría utilizar una red bayesiana para
modelar la probabilidad de una enfermedad dado un conjunto de síntomas observados. La red
bayesiana es un modelo probabilístico que representa las relaciones entre las variables y sus
distribuciones de probabilidad condicional.
16
En este caso, se pueden modelar los síntomas como variables aleatorias y las
enfermedades como nodos hijos que dependen de los síntomas. El modelo se entrena con datos
históricos de pacientes diagnosticados con diversas enfermedades y sus síntomas
correspondientes. Una vez entrenado el modelo, se puede utilizar para diagnosticar una
enfermedad dada una serie de síntomas observados.
A continuación, se presenta un ejemplo de un algoritmo en Python para la clasificación
de enfermedades basado en una red bayesiana:
Código
import numpy as np
import pandas as pd
import pgmpy
from pgmpy.models import BayesianModel
from pgmpy.factors.discrete import TabularCPD
# Define los nodos de la red bayesiana
symptoms = ['Fiebre', 'Tos', 'Dolor de cabeza']
diseases = ['Gripe', 'Resfriado']
# Define la estructura de la red bayesiana
model = BayesianModel([('Fiebre', 'Gripe'), ('Tos', 'Gripe'), ('Dolor de cabeza',
'Resfriado')])
# Define las distribuciones de probabilidad condicional (CPDs) de los nodos
17
cpd_fiebre = TabularCPD(variable='Fiebre', variable_card=2, values=[[0.2, 0.8]])
cpd_tos = TabularCPD(variable='Tos', variable_card=2, values=[[0.3, 0.7]])
cpd_dolor = TabularCPD(variable='Dolor de cabeza', variable_card=2, values=[[0.4,
0.6]])
cpd_gripe = TabularCPD(variable='Gripe', variable_card=2,
evidence=['Fiebre', 'Tos'],
evidence_card=[2, 2],
values=[[0.9, 0.6, 0.4, 0.1],
[0.1, 0.4, 0.6, 0.9]])
cpd_resfriado = TabularCPD(variable='Resfriado', variable_card=2,
evidence=['Dolor de cabeza'],
evidence_card=[2],
values=[[0.7, 0.3],
[0.3, 0.7]])
# Agrega los CPDs al modelo
model.add_cpds(cpd_fiebre, cpd_tos, cpd_dolor, cpd_gripe, cpd_resfriado)
# Verifica si el modelo es válido
model.check_model()
# Diagnostica la enfermedad dada una serie de síntomas observados
def diagnose(symptoms):
18
evidence = {symptom: True for symptom in symptoms}
prob_gripe = model.query(variables=['Gripe'], evidence=evidence)['Gripe'].values[1]
prob_resfriado = model.query(variables=['Resfriado'],
evidence=evidence)['Resfriado'].values[1]
if prob_gripe > prob_resfriado:
return 'Gripe'
else:
return 'Res
Continuando con el código, una vez que tenemos el grafo de síntomas y enfermedades,
podemos implementar un algoritmo de búsqueda para encontrar la enfermedad más probable
dadas las observaciones del paciente.
A continuación, se presenta una posible implementación del algoritmo de búsqueda en
profundidad limitada (depth-limited search) para encontrar la enfermedad más probable dado un
conjunto de síntomas:
Código
def depth_limited_search(problem, limit=10):
explored = set()
frontier = [(problem.get_start_state(), 0)]
while frontier:
state, depth = frontier.pop()
if problem.is_goal_state(state):
return state
if depth < limit and state not in explored:
19
explored.add(state)
for action in problem.get_successors(state):
successor, cost = action
frontier.append((successor, depth+1))
return None
class DiseaseDiagnosisProblem:
def __init__(self, graph, observations):
self.graph = graph
self.observations = observations
def get_start_state(self):
return ('START', 1.0)
def is_goal_state(self, state):
return state[0] != 'START'
def get_successors(self, state):
successors = []
if state[0] == 'START':
for node in self.graph.nodes:
if node.startswith('D_'):
successors.append((node, 1.0/len(self.graph.nodes)))
20
else:
disease, belief = state
for neighbor in self.graph.neighbors(disease):
if neighbor.startswith('S_'):
evidence = self.observations.get(neighbor, 0.5)
belief *= self.graph[disease][neighbor]['weight'][evidence]
else:
successors.append((neighbor, 1.0))
successors = [(disease, belief*weight) for disease, weight in successors]
total_weight = sum(weight for _, weight in successors)
successors = [(disease, weight/total_weight) for disease, weight in successors]
return successors
En este ejemplo, `depth_limited_search` es una función que implementa el algoritmo de
búsqueda en profundidad limitada, que toma como entrada un problema y un límite de
profundidad y devuelve el estado objetivo si se encuentra dentro del límite de profundidad o
`None` en caso contrario.
La clase `DiseaseDiagnosisProblem` define el problema de diagnóstico de enfermedades,
donde el grafo es la representación del conocimiento previo del experto y las observaciones son
los síntomas del paciente. El método `get_start_state` devuelve el estado inicial, que en este caso
es el estado especial 'START' con probabilidad 1.0. El método `is_goal_state` devuelve True si
el estado es diferente de 'START'. El método `get_successors` devuelve los sucesores del estado
dado, que en este caso son las enfermedades que pueden ser causadas por los síntomas
observados.
21
Con esta implementación, se puede llamar a la función `depth_limited_search` con una
instancia del problema `DiseaseDiagnosisProblem` para encontrar la enfermedad más probable
dadas las observaciones del paciente:
Código
observations = {'S_Fiebre': 0.9, 'S_Tos': 0.7}
problem = DiseaseDiagnosisProblem(graph, observations)
solution = depth_limited_search(problem)
print(solution)
Este código imprimirá el nombre de la enfermedad más probable dadas las observaciones
del paciente.
Se puede definir una función `diagnose` que reciba como argumentos los síntomas del
paciente y la base de conocimientos. Esta función llamará a la función `find_matching_disease`
para encontrar las enfermedades que coinciden con los síntomas, y luego devolverá una lista con
los nombres de las enfermedades encontradas:
Código
def diagnose(symptoms, knowledge_base):
matching_diseases = find_matching_disease(symptoms, knowledge_base)
return [disease['name'] for disease in matching_diseases]
Finalmente, podemos probar nuestra función `diagnose` con una base de conocimientos
que incluya varias enfermedades y sus síntomas correspondientes:
Código
knowledge_base = [
{'name': 'Gripe', 'symptoms': ['fiebre', 'tos', 'dolor de cabeza']},
22
{'name': 'Resfriado', 'symptoms': ['fiebre baja', 'congestión nasal', 'dolor de garganta']},
{'name': 'Infección de oído', 'symptoms': ['dolor de oído', 'dificultad para escuchar',
'fiebre baja']},
symptoms = ['fiebre', 'tos', 'dolor de cabeza']
diseases = diagnose(symptoms, knowledge_base)
print(diseases)
resultado = ['Gripe']
Indicando que el paciente probablemente tiene gripe, ya que los síntomas que presenta
coinciden con los síntomas de la enfermedad "Gripe" en la base de conocimientos.
23
Bibliografía
ACM Transactions on Intelligent Systems and Technology (TIST). (n.d.). Retrieved March 25,
2023, from https://dl.acm.org/journal/tist
Artificial Intelligence A Modern Approach Third Edition. (n.d.).
https://people.engr.tamu.edu/guni/csce421/files/AI_Russell_Norvig.pdf
de, C. (2004, December 2). algoritmo diseñado para localizar un elemento con ciertas
propiedades dentro de una estructura de datos. Wikipedia.org; Wikimedia Foundation,
Inc. https://es.wikipedia.org/wiki/Algoritmo_de_b%C3%BAsqueda
de, C. (2012, December 29). Búsqueda en el espacio de estados. Wikipedia.org; Wikimedia
Foundation, Inc.
https://es.wikipedia.org/wiki/B%C3%BAsqueda_en_el_espacio_de_estados
Iagua. (28 de 11 de 2022). Tendencias de la Inteligencia Artificial. Obtenido de
https://www.iagua.es/noticias/idrica/tendencias-inteligencia-artificial-2022-incorporando-
aprendizaje-procesos
IEEE Transactions on Neural Networks and Learning Systems. (n.d.). Retrieved March 25, 2023,
from https://ieeexplore.ieee.org/xpl/RecentIssue.jsp?punumber=5962385
Journal of Artificial Intelligence Research (JAIR). (n.d.). Retrieved March 25, 2023, from
https://www.jair.org/index.php/jair
López de Mántaras Badia, R., & Meseguer gonzález , P. (2017). Inteligencia Artificial. CSIC
Consejo Superior de Investigaciones Científicas. Pag.35-54. Obtenido de https://elibro-
net.bibliotecavirtual.unad.edu.co/es/ereader/unad/42319
24
Nilsson, N. J. (1998). Artificial Intelligence. Morgan Kaufmann.
https://www.elsevier.com/books/artificial-intelligence-a-new-synthesis/nilsson/978-1-
55860-535-0
Olier, E. (1 de 2022). Inteligencia Artificial: Aplicaciones a la defensa. Obtenido de
https://www.ieee.es/Galerias/fichero/docs_investig/2022/DIEEEINV01_2022_EDUOLI_
Inteligencia.pdf
Razonamiento con Incertidumbre. (2023, March 26). Blogspot.com.
http://menteerrabunda.blogspot.com/2008/07/razonamiento-con-incertidumbre.html
25

Fase 2 - Rafael Guillen

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Fase 2 - Rafael Guillen

Cargado por

Copyright:

Formatos disponibles

FASE 2 - ESPACIOS DE ESTADO EN LA IA

Búsqueda en espacios de estado

La búsqueda en espacios de estado (también conocida como búsqueda de árboles o

búsqueda en grafos) es un enfoque utilizado en inteligencia artificial y en particular en el campo

problema en un espacio de estado, que se puede representar como un grafo o árbol.

En la búsqueda en espacios de estado, el problema se modela como un estado inicial y un

Para realizar esta búsqueda, se utilizan diferentes algoritmos, como el algoritmo de

búsqueda en profundidad (DFS), el algoritmo de búsqueda en anchura (BFS), el algoritmo de

espacio de estado y encontrar la solución.

Por ejemplo, en el caso de resolver un rompecabezas como el cubo de Rubik, el estado

búsqueda en espacios de estado se utiliza para encontrar la secuencia de movimientos necesarios

para pasar del estado inicial al estado objetivo.

Para que sirve

y el Go hasta la planificación de rutas en vehículos autónomos y la resolución de problemas de

En términos generales, la búsqueda en espacios de estado se utiliza para encontrar la

aristas del grafo representan las transiciones entre estados posibles.

arista representa una transición posible entre estados.

La búsqueda en espacios de estado se utiliza para encontrar la secuencia de transiciones

algoritmo de búsqueda en anchura y el algoritmo A*.

Además, la búsqueda en espacios de estado también se utiliza en otros campos de la

El proceso de búsqueda en espacios de estado se realiza mediante el uso de algoritmos

específicos que exploran el espacio de estados en busca de una solución.

A continuación, explicaré cómo funciona el proceso de búsqueda en espacios de estado

utilizando el ejemplo del problema del cubo de Rubik:

1. Representación del problema como un espacio de estados: El primer paso para

realizar una búsqueda en espacios de estado es representar el problema como un espacio

de estados. En el caso del cubo de Rubik, el espacio de estados se puede representar

grafo representan las transiciones entre estados posibles.

desordenado y el estado objetivo es el cubo ordenado.

3. Definición de acciones: A continuación, se definen las posibles acciones que se pueden

4. Algoritmo de búsqueda: Una vez definido el problema, se utiliza un algoritmo de

algoritmo de búsqueda en profundidad, el algoritmo de búsqueda en anchura, el algoritmo

El algoritmo de búsqueda en profundidad (DFS) comienza explorando desde el estado

estado objetivo. El algoritmo de búsqueda en anchura (BFS) comienza explorando todos

los estados a la misma profundidad antes de pasar a la siguiente profundidad.

El algoritmo A* es un enfoque de búsqueda heurística que utiliza una función de

evaluación para seleccionar el siguiente estado a explorar en función de la distancia al

estado objetivo y el costo de alcanzar ese estado.

5. Evaluación de estados: Durante la búsqueda, se evalúan los estados para determinar si

6. Almacenamiento de soluciones: Una vez que se encuentra una solución, se almacena en

memoria y se devuelve al usuario. En el caso del cubo de Rubik, la solución sería la

En resumen, la búsqueda en espacios de estado es un proceso que se utiliza para

encontrar la solución a un problema modelado como un espacio de estados. El proceso de

búsqueda implica la representación del problema como un espacio de estados, la definición de un

estado inicial y un estado objetivo, la definición de las posibles acciones, la utilización de un

Razonamiento con incertidumbre

El razonamiento con incertidumbre es una rama de la inteligencia artificial que se ocupa

de la representación, el modelado y la resolución de problemas en situaciones donde no se tiene

acerca de las variables o eventos relevantes de un problema.

En muchas situaciones, es difícil o imposible obtener información completa y precisa

clientes y otros factores. En la medicina, no siempre se dispone de información completa sobre

los síntomas, las causas y los efectos de una enfermedad.

Para abordar estos problemas, se utilizan técnicas de razonamiento con incertidumbre,

incertidumbre en la información, lo que permite tomar decisiones más informadas y reducir el

La teoría de la probabilidad es la técnica más comúnmente utilizada en el razonamiento

con incertidumbre. Permite modelar la incertidumbre en la información mediante el uso de

distribuciones de probabilidad. Estas distribuciones permiten asignar una probabilidad a cada

posible resultado de un evento, lo que permite calcular la probabilidad de cualquier combinación

Para que sirve

El razonamiento con incertidumbre es útil en una amplia variedad de aplicaciones donde

la información es incompleta o incierta. A continuación, se presentan algunos ejemplos de

aplicaciones donde se utiliza el razonamiento con incertidumbre:

1. Sistemas de recomendación: Los sistemas de recomendación utilizan la información del