REPÚBLICA BOLIVARIANA DE VENEZUELA

MINISTERIO DEL PODER POPULAR PARA LA DEFENSA

UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA
FUERZA ARMADA
UNEFA- GUACARA

III CORTE: UNIDAD III y IV.

ESTUDIANTE: GELVIS GABRIELA

MATERIA: INTELIGENCIA ARTIFICIAL
PROFESOR: MESA FRANCISCO
SEMESTRE: 7MO
INDICE
INTRODUCCIÓN:
 MODELO SIMBÓLICO:

3.1 Definición

Los modelos simbólicos mantienen que la representación del

conocimiento se realiza a través de un sistema de símbolos. En esto
coinciden las Ciencias de la Computación y la Psicología Cognitiva.
Tanto los humanos como los ordenadores son sistemas capaces de
manipular símbolos, por lo que ambos sistemas puedan considerarse
análogos. Estos modelos se inspiraron en el intento de desarrollar un
sistema matemático puramente formal, libre de todo contenido que
cristalizó en la lógica matemática de Russell y Whithehead. Sin embargo,
Gödel demostró que no podía alcanzarse plenamente el objetivo total de
la formalización pura, aunque sí se comprobó su universalidad.

El segundo teorema de Gödel señala que no puede formalizarse en el

mismo sistema una prueba sobre la consistencia de un sistema
razonablemente rico y complejo (Wang, 1988). La analogía entre la
máquina universal, que podía programarse para calcular cualquier
función formalizada explícitamente impulsó la creación de modelos
simbólicos computacionales en Psicología (Pylyshyn, 1989). El
fundamento de estos modelos está en que tanto la mente como la
máquina de propósito universal operan sobre representaciones, que no
son otra cosa que códigos simbólicos. Ambos sistemas
representacionales se organizan en torno a tres niveles básicos para la
arquitectura computacional:
a) El nivel semántico que explica por qué estos sistemas saben cuáles
son sus objetivos
b) el nivel simbólico que codifica mediante expresiones simbólicas el
contenido semántico y dicta las reglas que permiten manipular dichos
símbolos
c) el nivel físico que actúa de soporte material del sistema.

Las representaciones en estos modelos se entienden como sistemas

semejantes al lenguaje constituidas por un gran léxico de símbolos
relacionados mediante una compleja sintaxis (Fodor y Pylyshyn, 1988).

3.2 Sistemas basados en conocimiento

Un sistema experto o sistema basado en conocimiento se puede definir
como:
sistema que resuelve problemas utilizando una representación simbólica del
conocimiento humano.

Características importantes:
-Representación explícita del conocimiento.
-Capacidad de razonamiento independiente de la aplicación específica.
-Capacidad de explicar sus conclusiones y el proceso de razonamiento.
-Alto rendimiento en un dominio específico.
-Uso de heurísticas vs. modelos matemáticos.
-Uso de inferencia simbólica vs. algoritmo numérico.
-Algunas de estas propiedades se deben a la separación entre:
-Conocimiento específico del problema - Base de Conocimiento.
-Metodología para solucionar el problema

3.3 Arquitecturas. Mecanismo de control

Base de Conocimiento (BC)
 Es la parte del sistema experto que contiene el conocimiento sobre el
dominio. Hay que obtener el conocimiento del experto y codificarlo en la base
de conocimientos. Una forma clásica de representar el conocimiento en un
sistema experto son lar reglas. Una regla es una estructura condicional que
relaciona lógicamente la información contenida en la parte del antecedente
con otra información contenida en la parte del consecuente.

Base de hechos:
Contiene los hechos sobre un problema que se han descubierto durante una
consulta. Durante una consulta con el sistema experto, el usuario introduce la
información del problema actual en la base de hechos. El sistema empareja
esta información con el conocimiento disponible en la base de conocimientos
para deducir nuevos hechos.

Motor de inferencia:
El sistema experto modela el proceso de razonamiento humano con un
módulo conocido como el motor de inferencia.

Subsistema de explicación:
Una característica de los sistemas expertos es su habilidad para explicar su
razonamiento. Usando el módulo del subsistema de explicación, un sistema
experto puede proporcionar una explicación al usuario de por qué está
haciendo una pregunta y cómo ha llegado a una conclusión. Interfaz de
usuario.
La interfaz de usuario:
La interacción entre un sistema experto y un usuario se realiza
en lenguaje natural. También es altamente interactiva y sigue el patrón de la
conversación entre seres humanos. Para conducir este proceso de manera
aceptable para el usuario es especialmente importante el diseño del interfaz
de usuario. 

3.4 Sistemas expertos

Como Sistemas Expertos se entiende un nuevo tipo de software que imita el
comportamiento de un experto humano en la solución de un problema.
Pueden almacenar conocimientos de expertos para un campo determinado y
solucionar un problema mediante deducción lógica de conclusiones.
Los Sistemas Expertos son una expresión de los sistemas basados en 
el conocimiento. Con la aplicación de técnicas de Inteligencia Artificial
 finaliza la transición del procesamiento de datos al procesamiento de
conocimientos.
Los Sistemas Expertos son uno de los puntos que componen las 
investigaciones en el campo de la Inteligencia Artificial; un sistema de
ordenadores que trabaje con técnicas de Inteligencia Artificial debe estar en
capacidad de combinar información de forma "inteligente", alcanzar
conclusiones y sacar conclusiones justificativas.

3.5 Herramientas para el desarrollo de sistemas basados en conocimiento

Herramientas utilizadas para desarrollar sistemas expertos.
La construcción de un Sistema Experto no es una tarea sencilla, debido a
que involucra mucha participación de distintas personas, cada una de las
cuales aportará algo para que el Sistemas Expertos a desarrollar sea
robusto y fácil de usar y mantener. Además se deben hacer varias
elecciones en cuanto al desarrollo del Sistema Experto una de ellas es elegir
que herramienta utilizar para su estructuración.
Lista de herramientas que se pueden utilizar para desarrollar un Sistema
Experto:
ART-IM
CBR Express v.1.1.
Nex - Expert Object v.2.0.
Exsys Corvid
Xpertrule
G2
Visual Prolog
Jess
Winprolog
Clisps
Expert System Builder

3.6 Aplicaciones
Los sistemas expertos se aplican por lo general en problemas que implican
un procedimiento de solución basado en el conocimiento; este procedimiento
comprende las siguientes capacidades:
Utilización de normas o estructuras que contengan conocimientos y
experiencias de expertos especializados.
Deducción lógica de conclusiones.
Capaz de interpretar datos ambiguos.
Manipulación de conocimientos afectados por valores de probabilidad.
 MODELO CONEXIONISTA:

4.1 Definición Bases biológicas

 es un conjunto de enfoques en los ámbitos de la inteligencia artificial, 
psicología cognitiva, ciencia cognitiva, neurociencia y filosofía de la mente,
que presenta los fenómenos de la mente y del comportamiento como
procesos que emergen de redes formadas por unidades sencillas
interconectadas. Hay muchas formas de conexionismo, pero las formas más
comunes son los modelos de redes neuronales.

4.2 Representación del conocimiento. Modelos Lineales: Perceptron y

Adaline

Frente a esta interpretación que ha sido tradicional de la Psicología

Cognitiva y las Ciencias de la Computación, ha surgido en los últimos años
una nueva arquitectura no simbólica (Rumelhart, 1989), como una rama de
la inteligencia artificial y del modelo cognitivo, llamada conexionismo o
procesamiento paralelo distribuido, cuya idea central consiste en considerar
que la cognición se produce a partir de la interacción simultánea de una
serie de unidades semejantes a neuronas que se encuentran altamente
interconectadas. Estos modelos intentan superar algunos problemas
surgidos por los modelos computacionales como la mala actuación en tareas
relacionadas con la satisfacción simultánea de una serie de restricciones
"ligeras" (McClelland, Rumelhart y Hinton,1986).

Perceptron: Este fue el primer modelo de red neuronal artificial. Fue

desarrollado por Rosenblatt en 1958.
Está formado por varias neuronas de entrada (tantas como la dimensión del
patrón de entrada) y una única neurona de salida. Como función de
activación usan la función umbral.
Su funcionamiento es simple: La neurona de salida realiza la suma
ponderada de las entradas, resta el umbral y pasa el resultado a la función
de activación, la cual responde +1 si el patrón pertenece a la clase A, o -1 si
pertenece a la clase B.

La regla de aprendizaje del Perceptrón es un algoritmo de los denominados

supervisado por corrección de errores y consiste en ir ajustando de forma
iterativa los pesos en proporción a la diferencia existente entre la salida
actual de la red y la salida deseada, con el objetivo de minimizar el error
actual de la red.
Las redes ADALINE (ADAptative LINear Element) es similar al perceptrón.
La red ADALINE está limitada a una única salida.
La principal diferencia entre el ADALINE y el perceptrón es el uso de la
Regla Delta durante el aprendizaje. Esto permite al ADALINE emplear
funciones de activación diferentes de la función escalón, como la función
lineal

4.3 Algoritmos de aprendizajes. Redes neuronales artificiales (RNA).

Fundamentos neurobiológicos
Actualmente los modelos conexionistas son utilizados en tres áreas:
a)modelando el sistema nervioso. Éste es un enfoque que tiene por objetivo
la construcción de los modelos que ayuden a entender un fenómeno
específico, por ejemplo, simular una lesión cerebral
b) como procedimientos de señales adaptativas en tiempo-real que
controlan hardware. Es la típica aplicación industrial en donde
algoritmos basados en los modelos conexionistas, responden ante
situaciones en que los algoritmos tradicionales no podían dar una
respuesta adecuada debido a la naturaleza dinámica del problema, un
ejemplo de este enfoque es la utilización de modelos conexionistas
para controlar la temperatura y presión de un tanque
c) como métodos de análisis de información. En este apartado están todas
aquellas aplicaciones que utilizan los modelos conexionistas como
algoritmos de búsqueda y clasificación, como la aplicación en
diagnóstico clínico. Estos tres campos de acción hacen referencia a
tres o más modelos al interior del conexionismo y cada uno de ellos
puede ser utilizado en una diversidad de problemas.

Las RNA son sistemas de procesamiento de la información cuya

estructura y funcionamiento están inspirados en las redes
neuronales biológicas (Hilera y Martínez, 1995). Consisten en
un gran número de elementos simples de procesamiento
llamados nodos o neuronas que están organizados en capas.
Cada neurona está conectada con otras neuronas mediante
enlaces de comunicación, cada uno de los cuales tiene
asociado un peso. Los pesos representan la información que
será usada por la red neuronal para resolver un problema
determinado.
Así, las RNA son sistemas adaptativos que aprenden de la
experiencia, esto es, aprenden a llevar a cabo ciertas tareas
mediante un entrenamiento con ejemplos ilustrativos. Mediante
este entrenamiento o aprendizaje, las RNA crean su propia
representación interna del problema, por tal motivo se dice que
son autoorganizadas. Posteriormente, pueden responder
adecuadamente cuando se les presentan situaciones a las que no
habían sido expuestas anteriormente, es decir, las RNA son
capaces de generalizar de casos anteriores a casos nuevos. Esta
característica es fundamental ya que permite a la red responder
correctamente no sólo ante informaciones novedosas, sino
también ante informaciones distorsionadas o incompletas. En las
RNA el tipo de procesamiento de la información es en paralelo,
en el sentido de que muchas neuronas pueden estar funcionando
al mismo tiempo. De hecho, nuestro cerebro está compuesto por
unas 1011 neuronas, las cuales operan en paralelo. Es ahí donde
reside una parte fundamental de su poder de procesamiento.
Aunque individualmente las neuronas sean capaces de realizar
procesamientos muy simples, ampliamente interconectadas a
través de las sinapsis (cada neurona puede conectarse con otras
10.000 en promedio) y trabajando en paralelo pueden desarrollar
una actividad global de procesamiento impresionante.
Biológicamente, se suele aceptar que el conocimiento está más
relacionado con las conexiones entre neuronas que con las
propias neuronas

4.4 Antecedentes y definición de una red neuronal artificial

(1943) crearon un modelo informático para redes neuronales,
que se llama lógica umbral, que se base en las matemáticas y los 
algoritmos. Este modelo señaló el camino para que la
investigación de redes neuronales se divida en dos enfoques
distintos.
Un enfoque se centró en los procesos biológicos en el cerebro y el otro se
centró en la aplicación de neuronales para la inteligencia artificial.

Cada neurona está conectada con otras a través de unos enlaces. En estos
enlaces el valor de salida de la neurona anterior es multiplicado por un valor
de peso. Estos pesos en los enlaces pueden incrementar o inhibir el estado
de activación de las neuronas adyacentes. Del mismo modo, a la salida de
la neurona, puede existir una función limitadora o umbral, que modifica el
valor resultado o impone un límite que no se debe sobrepasar antes de
propagarse a otra neurona. Esta función se conoce como 
función de activación.
Estos sistemas aprenden y se forman a sí mismos, en lugar de ser
programados de forma explícita, y sobresalen en áreas donde la detección
de soluciones o características es difícil de expresar con la programación
convencional. Para realizar este aprendizaje automático, normalmente, se
intenta minimizar una función de pérdida que evalúa la red en su total. Los
valores de los pesos de las neuronas se van actualizando buscando reducir
el valor de la función de pérdida. Este proceso se realiza mediante la 
propagación hacia atrás.
El objetivo de la red neuronal es resolver los problemas de la misma manera
que el cerebro humano, aunque las redes neuronales son más abstractas.
Las redes neuronales actuales suelen contener desde unos miles a unos
pocos millones de unidades neuronales.

4.5 Aplicaciones de las redes neuronales

las aplicaciones de las redes neuronales parecen muy generosas,
están sujetas a un entrenamiento intenso para que se puedan aplicar
correctamente a la empresa. Es decir, se necesita partir de un conjunto de
datos de entrenamiento suficientemente representativo. 

Por ejemplo, si queremos resolver un problema de clasificación de textos por

estados de ánimo, primero tendremos que alimentar a la red neuronal de un
conjuntos de datos con texto previamente clasificado. Cuanto más compleja
sea la red neuronal (mayor número de neuronas) mayor será la cantidad de
datos de entrenamiento necesaria para entrenarla. 
 BIBLIOGRAFÍA:

https://www.inbenta.com/es/sectores/tecnologia/symbolic-ai/#:~:text=La
%20IA%20Simb%C3%B3lica%20imita%20este,comportamiento%20hu
manos%20en%20programas%20inform%C3%A1ticos
.

https://es.wikipedia.org/wiki/Conexionismo

https://blog.enzymeadvisinggroup.com/redes-neuronales-
que-son-y-aplicaciones

https://es.wikipedia.org/wiki/Red_neuronal_artificial#Aplicaciones

https://www.monografias.com/trabajos88/herramientas-desarroll
o-sistemas-expertos/herramientas-desarrollo-sistemas-expertos.s
html

https://sites.google.com/site/sistemasexperto/1-5-arquitectura-de
-un-sistema-experto