diapositivas "inteligencia artificial" - grupo colaborativo 90169-33 unad

Trabajo Colaborativo 3

Carlos Alberto CasadiegoGrupo Colaborativo 90169_33

Angela María GonzálezTutora

Universidad Nacional Abierta y a DistanciaUNAD

APRENDAMOS SOBRE INTELIGENCIA ARTIFICIAL


INTELIGENCIA ARTIFICIAL


CONCEPTO

Marvin Minsky sugiere el carácter práctico de la inteligencia artificial mencionando: "La inteligencia artificial es la ciencia de hacer que las máquinas hagan cosas que requerirán inteligencia si fueran hechas por seres humanos".

Elaine Rich: "La inteligencia artificial es el estudio de cómo hacer que los ordenadores hagan cosas que por el momento las personas realizan de una forma más perfecta".

Otras definiciones que pueden darnos una idea de lo se que llama IA.

Una de las áreas de las ciencias computacionales encargadas de la creación de hardware y software con comportamientos inteligentes

El estudio de las computaciones que permitan percibir, razonar y actuar

Estudio como lograr que las máquinas realicen tareas que, por el momento, son realizadas mejor por los seres humanos

REDES NEURONALES


CONCEPTO

Las redes neuronales son sistemas ideados como abstracciones de las estructuras neurobiológicas (cerebros) encontradas en la naturaleza y tienen la característica de ser sistemas desordenados capaces de guardar información.

PROPIEDADES

Una función de propagaciónUna función de activaciónUna función de transferencia

REDES NEURONALES


VENTAJAS

Aprendizaje: aprenden mediante la etapa de aprendizaje

Auto organización: Crea su propia representación de la información

Tolerancia a fallos: Debido a que almacena la información de forma redundante ésta puede seguir respondiendo de manera aceptable aún si se daña parcialmente

Flexibilidad: Maneja cambios no importantes en la información de entrada

Tiempo real: La estructura es paralela, obteniendo respuestas en tiempo real en eventos donde sea implementado en computadoras o dispositivos electrónicos

REDES NEURONALES


TIPOLOGÍA DE LAS RNA

PerceptrónAdalinePerceptron multicapaMemorias asociativasMáquina de boltzmannMáquina de cauchyPropagación hacia atrásRedes de ElmanDe HopfieldDe contra propagaciónDe base radialDe aprendizaje competitivoMapas autoorganizadosCrecimiento dinámico de células

REDES NEURONALES


TOPOLOGIA

MonocapaMulticapa

AGENTES INTELIGENTES


CONCEPTO

Un agente inteligente, es una entidad capaz de percibir su entorno, procesar tales percepciones y responder o actuar en su entorno de manera racional, es decir, de manera correcta y tendiendo a maximizar un resultado esperado. Es capaz de percibir su medioambiente con la ayuda de sensores y actuar en ese medio utilizando actuadores (elementos que reaccionan a un estímulo realizando una acción).

http://commons.wikimedia.org/wiki/File:Agente_inteligente_simple.jpg

AGENTES INTELIGENTES


EJEMPLOS

Un robot con comportamiento variable autoreguladoComputadoras especializadas

CLASIFICACION

Reactivos Reactivos basados en modeloBasados en objetivosBasados en utilidadQue aprendenDe consulta

SISTEMAS EXPERTOS


CONCEPTO

Sistemas informáticos que simulan el proceso de aprendizaje, de memorización, de razonamiento, de comunicación y de acción en consecuencia de un experto humano en cualquier rama de la ciencia.

ESTRUCTURA BÁSICA DE UN SE

Base de conocimientosBase de hechosMotor de inferenciaMódulo de justificaciónInterfaz de usuario

SISTEMAS EXPERTOS


Tipos de SE

Basados en reglas previamente establecidasBasados en casos o CBRBasados en redes bayesianas

VENTAJAS

PermanenciaReplicaciónRapidezBajo costoEntornos peligrososFiabilidadConsolidar varios conocimientosApoyo académico

SISTEMAS EXPERTOS


LIMITACIONES

Sentido comúnLenguaje naturalCapacidad de aprendizajePerspectiva globalCapacidad sensorialFlexibilidadConocimiento no estructurado

EJEMPLOS IMPORTANTES

Dentral, Xcon, Dipmeter Advisor, Mycin, Caduceus, R1, Clips, Jess, Prolog

SISTEMAS EXPERTOS


TAREAS DE REALIZA UN SE

MonitorizaciónDiseñoPlanificaciónControlSimulaciónInstrucciónRecuperación de la información

MÉTODOS BÁSICOS DE BÚSQUEDA


Búsqueda

Una ruta

Ruta optima

Juegos

Profundidad primeroAmplitud primeroAscenso de colinaBúsqueda en hazPrimero el mejor

Museo británicoRamificación y cotaProgramación dinámicaA*

MinimaxPoda Alfa-betaContinuación heurísticaProfundidad progresiva

A tientas

Heuristicos

Búsqueda en Profundidad Primero


Para llevar a cabo una búsqueda en profundidad,

Inserte en una pila el elemento raíz (nodo de

partida)

Hasta que el elemento tope sea el nodo meta, o

se vacié la pila

Si nodo tope tiene hijos, insertar el hijo siguiente

aun no visitado, según ordenamiento.

Si no, entonces eliminar nodo tope.

Si el nodo meta se alcanza, mencione éxito, de lo

contrario, notifique el fracaso.

Árbol Generado Profundidad Primero


s

a d

a eb d

c e b fbe

d f b f d e a c g

g c g f

g

1

2

3 4

56

7

Búsqueda en Amplitud Primero


Para llevar a cabo una búsqueda en amplitud,

Inserte en una cola el elemento raíz (nodo de

partida)

Hasta que el elemento frontal sea el nodo meta, o

se vacié la cola

Si nodo frontal tiene hijos, insertar todos sus hijos al

final de la cola.

Eliminar nodo frontal.

Si el nodo meta se alcanza, mencione éxito, de lo

contrario, notifique el fracaso.

Árbol Generado Amplitud Primero


s

a d

a eb d

c e b fbe

d f b f d e a c g

g c g f

g

1 2

3 4 5 6

7 8 9 10 11 12

13 14 15 16 17 18 19 20 21

Métodos Heurísticos


La búsqueda se puede mejorar si existe una forma

de ordenar las posibilidades de modo que las más

prometedoras se exploren primero.

Mayor conocimiento, menor tiempo de búsqueda

Tres métodos muy conocidos:

Ascenso de colina (-> profundidad primero),

Búsqueda en Haz (-> anchura primero),

Primero el mejor

Ascenso a la Colina


Mediciones de calidad convierten la búsqueda en

profundidad en ascenso de colina.

Se ordenan las posibilidades (estados hijo) usando una

medición heurística de la distancia que queda por recorrer.

Distancia en línea recta al estado objetivo.

Mejor medición, mejor el ascenso de colina

Árbol Generado


s

a d

a eb d

c e b fbe

d f b f d e a c g

g c g f

g

8.910.4

10.4 6.9

3.06.7

Problemas del Ascenso a la Colina


En problemas orientados a ajuste de parámetros:Problema de la falta de colina

Se encuentra un punto optimo, pero se trata de un máximo local.

Problema de la meseta La operación de mejoramiento local fracasa por completo. Todas las pruebas de paso normal dejan intacta la medición de calidad.

Problema del borde Es como estar en el filo de una navaja, solamente puede salirse del problema si se tiene un número muy grande de direcciones para orientar los pasos.

Búsqueda en Haz


Parecida a la búsqueda en amplitud en cuanto a que

avanza de nivel en nivel.

Sólo se mueve hacia abajo a través de los w mejores

nodos de cada nivel.

Extiende varias trayectorias parciales y elimina el

resto.

El número de nodos se mantiene manejable aún cuando

la ramificación sea alta y la búsqueda sea profunda.

Árbol Generado


s

a d

a eb d

c e b fbe

d f b f d e a c g

g c g f

g

8.910.4

10.4 6.9

3.06.7

8.96.7

4.0 6.9

Callejónsin salida

Búsqueda Primero el Mejor


Extiende la mejor trayectoria parcial en cada punto.

Considera todos los nodos abiertos hasta el momento.

Ascenso de colina inspecciona la que parece la mejor

trayectoria hasta el final; la búsqueda primero el mejor

analiza varias trayectorias a la vez, siempre siguiendo la

mejor trayectoria parcial conocida al momento.

Generalmente la búsqueda primero el mejor encuentra

trayectorias más cortas a los estados meta.

Árbol Generado


s

a d

a eb d

c e b fbe

d f b f d e a c g

g c g f

g

8.910.4

10.4 6.9

3.06.7

Cuál es el Mejor Método


Primero en profundidad es bueno cuando se sabe –

con seguridad – que el árbol no es muy profundo.

Primero en anchura, cuando el factor de

ramificación no es muy grande.

Los métodos heurísticos son adecuados cuando

existe una medida natural de la distancia entre

cada estado y el estado meta.

Encontrando la mejor ruta


Estos métodos consideran, a diferencia de los

anteriores, el peso de las ramas.

Su objetivo no es únicamente encontrar una

ruta, sino encontrar la mejor (típicamente la más

corta).

Entre ellos se encuentran:

El procedimiento del museo británico

Ramificación y cota

El algoritmo A*

Procedimiento Británico


¿qué hacer para asegurar encontrar la ruta óptima?

Procedimiento de museo británico:Primero encontrar todas las rutas al objetivoDespués seleccionar la mejor

Puede usarse búsqueda en anchura o en profundidad como estrategia de exploración.

Terminar hasta recorrer el árbol completamente.

¿qué inconveniente le encuentran?

Árbol Generado


s

a

b

c e

d f

g

1

2

3 4

56

7

14

d

a ed

b fbe

b f d e a c g

c g f

g

11

9

8

10 12

13

15

16

17 18

19

20

21

22

23 24

25

26

Aplicabilidad


No tiene problemas con árboles (muy) pequeños.

En la mayoría de los casos no es aplicable.

Por explosión exponencial

Si tenemos un árbol (mediano) con niveles d =

10, y un factor de ramificación b = 10.

Los estados visitados son bd.

1010 = 10 billones de estados

Ramificación y Cota


Menos sacrificado para encontrar la ruta óptima.Idea básica es expandir en cada ocasión la ruta parcial con el menor costo hasta el momento.

Es decir, todos los nodos abiertos hasta el momento entran en consideración.

Similar a método “primero el mejor”, pero al revés. En lugar de seguir el trayecto que aparentemente tiene la menor distancia hacia el objetivo, se sigue aquel que hasta el momento es el más corto.

Algoritmo Básico


Formar una cola de trayectos parciales. Inicialmente sólo tiene el elemento raíz.Hasta que la cola se vacié o se alcance el nodo objetivo, determinar si el primer elemento alcanza el nodo objetivo.

Si alcanza el objetivo, salir.Si no, entonces;

Borrar el nodo de la colaAgregar sus hijos a la colaOrdenar los nodos por costo acumulado

Si el nodo objetivo fue encontrado mencionar éxito, de lo contrario anunciar falla.

Árbol Generado


a d

a eb d

c e b fbe

d f b f d e a c g

g c g f

g

s

3 4

7 8 9 6

11 1011 12 10 13

13

1 2

4 5 6 3

87

9

15 14

Asegurar la Ruta Optima


¿cuál es la respuesta del método?¿cómo podemos asegurar encontrar la ruta óptima?¿cuándo debemos terminar el algoritmo?

Cuando todas las rutas parciales tengan igual o mayor peso que la trayectoria encontrada

s

b

a g23

51

s

b

a g23

31

Árbol Completo


a d

a eb d

c e b fbe

d f b f d e a c g

g c g f

g

s

3 4

7 8 9 6

11 1011 12 10 13

13

1 2

4 5 6 3

87

9

15 1414 16 15 15

1011 12

Estimación de la Distancia Restante


Usar una estimación de la distancia restante a la meta puede mejorar considerablemente el método.Si es buena estimación, entonces ella mas distancia recorrida debe ser un buen cálculo de la longitud total de la trayectoria:

e(long trayectoria) = d(ya recorrida) + e(dist. restante)

Si las conjeturas fueran correctas este método se mantendría todo el tiempo en la ruta optima.

Mejor estimación, mejor la búsqueda

Las subestimaciones son apropiadas


Las estimaciones no son perfectas; esto puede traer serios problemas al método.¿Qué sucederá con sobreestimaciones de la distancia restante?

Desvío permanente de la trayectoria óptimaNo existiría la certeza, hasta recorrer el árbol completo, que la ruta encontrada es la optima.

El método funciona adecuadamente con subestimaciones de la distancia restante.

Arbol GeneradoCon distancias directas entre ciudades


a d

a eb d

c e b fbe

d f b f d e a c g

g c g f

g

s

13.4 12.9

19.4 12.9

13

13

1

2

3

4

17.7

Trayectorias Redundantes


Ramificación y cota puede mejorarse eliminando las trayectorias redundantes.Se relaciona con el principio de programación dinámica.

El mejor camino del punto de inicio a la meta, a través de un lugar intermedio específico, es el mejor camino hacia éste desde el lugar de inicio, seguido por el mejor camino desde éste a la meta. No hay necesidad de buscar por otras trayectorias hacia o desde el punto intermedio.

Árbol Generado


a d

a eb d

c e b fbe

d f b f d e a c g

g c g f

g

s

3 4

7 8 9 6

11 1011 12 10 13

13

1 2

4 3

5

6

15 1414 16 15 15

7

Procedimiento A*


Es una búsqueda de ramificación y cota con:

Estimación de distancia restante

Eliminación de trayectorias redundantes

Si la estimación de la distancia restante es un limite

inferior de la distancia real, entonces A* produce

soluciones optimas.

Bibliografía


http://es.wikipedia.org/wiki/

Red_neuronal_artificial

http://es.wikipedia.org/wiki/Agente_inteligente_

%28inteligencia_artificial%29

http://es.wikipedia.org/wiki/

Inteligencia_artificial

http://elvex.ugr.es/decsai/iaio/slides/

A3%20Search.pdf

.

diapositivas "inteligencia artificial" - grupo colaborativo 90169-33 unad

Education