INTELIGENCIA ARTIFICIAL

CATEDRÁTICO:LIC. TOMAS TORRES RAMIREZ

PRESENTAN:BAUTISTA LOPEZ VICTOR MANUELMARQUEZ SANCHEZ EDER GAELMARTINEZ QUINTANA JOSE LUIS

OCTAVIANO ENRIQUEZ CARLO ANTONIOVASQUEZ MELENDEZ EDUARDO

CARRERA:INGENIERÍA EN SISTEMAS COMPUTACIONALES.

TEMA:

UNIDAD 3

TUXTEPEC, OAX. A 11 DE MARZO DEL 2015

Sistemas basados en conocimiento

La representación del conocimiento y el razonamiento es unárea de la inteligencia artificial cuyo objetivo fundamental esrepresentar el conocimiento de una manera que facilitela inferencia (sacar conclusiones) a partir de dicho conocimiento.Analiza cómo pensar formalmente – cómo usar un sistema desímbolos para representar un dominio del discurso (aquello delo que se puede hablar), junto con funciones que permitaninferir (realizar un razonamiento formal) sobre los objetos.

Generalmente, se usa algún tipo de lógica para proveeruna semántica formal de como las funciones de razonamientose aplican a los símbolos del dominio del discurso, además deproveer operadores como cuantificadores, operadores modales,etc. Esto, junto a una teoría de interpretación, dan significado alas frases en la lógica.

Importancia del Conocimiento

Los sistemas basados en conocimiento basan su rendimiento enla cantidad y calidad del conocimiento de un dominio específicoy no tanto en las técnicas de solución de problemas.

Diferencia de sistemas basados en conocimiento con otrastécnicas:

—En matemáticas, teoría de control y computación, se intentaresolver el problema mediante su modelado (Modelo delproblema).

En sistemas expertos se ataca el problema construyendo unmodelo del “experto” o resolvedor de problemas (Modelo delexperto).

3.1.1 Concepto de conocimiento

La definición más relevante que sobre «conocimiento» apareceen el diccionario de la R.A.E., «entendimiento, inteligencia,razón natural» , no es muy informativa. En epistemología (larama de la filosofía que se ocupa del origen y la naturaleza delconocimiento) hay una definición clásica: «conocimiento escreencia verdadera justificada»

En realidad, no es una definición, porque, como demostróGettier (1963) mediante contraejemplos, establece condicionesnecesarias pero no suficientes para calificar a algo como«conocimiento» . Otras definiciones ponen énfasis en la idea definalidad: «el conocimiento es información que tiene unpropósito o un uso» (Wikipedia, 2004) .

3.1.2 Lenguajes utilizados en la representación de conocimiento

Hay lenguajes formales, o «teóricos» , que satisfacen en mayoro menor grado esas condiciones y lenguajes de implementación,o «prácticos» , que, siguiendo el modelo de algún lenguajeformal, están adaptados para mecanizar la construcción deontologías. Nos centraremos en los primeros, que sonrelativamente «estables» , y sobre los que se basan lossegundos, algunos muy «volátiles» . Por ejemplo:

Prolog es un lenguaje de implementación de la lógica de primerorden, que en sus versiones más recientes incluye tambiénconstrucciones para la programación con restricciones.

OWL (Web OntologyLanguage) es un lenguaje de ontolologíaspara la web basado en una lógica de descripciones (en realidad, son tres sublenguajes). Procede de la fusión de otros dos elaborados independientemente alrededor del año 2000: DAML (DARPA AgentMarkupLanguage, de la Agencia de proyectos del Ministerio de Defensa U.S.A) y OIL (OntologyInferenceLayer, de un consorcio formado en el marco de los programas de la U.E.).

3.2 Mapas Conceptuales

¿Qué SON?

Los mapas conceptuales son una forma de representación delconocimiento concebida en el contexto de las cienciaspedagógicas a finales de la década del 70.

Una técnica que representa, simultáneamente, una estrategiade aprendizaje.

Ejemplo

CARACTERISTICAS

• Nodos asociados a conceptos

• Relacionados mediante enlaces etiquetados por una palabra-enlace, definiendo el tipos de relación que se establece entreellos

• Proposiciones formadas por dos o más nodos-conceptosrelacionados por una palabra-enlace

3.3 Redes semánticas

Las redes semánticas son sistemas de organización delconocimiento que estructuran los conceptos, no como unajerarquía sino como una red.

PARTES

• nodos: es un concepto y se encierra en un círculo o elipse

• relaciones: es una propiedad del concepto y pueden ponersede dos formas:

• implícitas: es una flecha que no especifica su contenido.

• Explicitas: es una flecha en donde se especifica su contenido.

3.4 Lógica de predicados

En lógica de predicados, los valores de verdad se atribuyena predicados que denotan relaciones entre entidades deluniverso modelado. Por ejemplo, en vez de tener unavariable q para representar "Sócrates es un hombre", seescribe el predicado hombre(sócrates) que relaciona a laentidad "Sócrates" con el hecho de "ser hombre".

Un predicado también puede aplicarse a variables que denotanentidades anónimas o genéricas. Por ejemplo, para escribir la premisa"Todos los hombre son mortales", que no se refiere a ningún"hombre" en particular, se utiliza el predicado hombre(X) en que X esuna variable que denota a cualquier entidad del universo modeladoque cumple con el hecho de "ser hombre".El silogismo completo queda expresado de la siguiente manera:X (hombre(X)mortal(X)).

hombre(Sócrates)mortal(sócrates)

Para aplicar este silogismo basta asignar la variable X, que puedetomar un valor arbitrario, con la constante sócrates. Se obtiene lafórmula:hombre(sócrates)mortal(sócrates)

La sintaxis de la lógica propositiva es sencilla. Los símbolosutilizados en la lógica propositiva son las constantes lógicasVerdadero y Falso, símbolos de proposiciones tales como P y Q,los conectivos lógicos v, <=>, =>, y ¬ y parentesis ().

3.4.1 Sintaxis

Todas las oraciones se forman combinando los signos anteriores mediante lassiguientes reglas:

Las constante lógicas Verdadero y Falso, constituyen oraciones en si mismo.

Encerrar entre paréntesis una oración puede también en una oración, porejemplo (PˆQ).

Una oración se forma combinando oraciones mas sencillas con uno de loscinco conectores logios:

• ˆ(Y) se le denomina conjunción(lógica)

• v(O) se le denomina disyunción

• =>(implica) se conoce como implicación (o condicional)

• <=>(equivalente) la oración es una equivalencia (también conocida comobicondicional)

• ¬(no) se le conoce como negación

En la gramatica se representan oraciones atómicas, que en la logia propositiva serepresentan median un solo signo (por ejemplo, p) y las oraciones complejas, queconstan de conectores o paréntesis (por ejemplo, PˆQ). También se utiliza el términoliteral, que representa oraciones atomicas o una oración atómica negada.

La semántica de la logia propositiva también es bastante directa. Sedefine especificando la interpretación de los signos de proposición yde las constantes y especificando el significado de los conectoreslógicos. Un signo de proposición significa que cualquier hechoarbitrario puede ser su interpretación. Las oraciones que contienen unsigno de proposición son satisfactibles pero no validas: son verdaderassolo cuando el hecho al que aluden es relevante en un momentodado.

3.4.2 Semántica

En el caso de las constantes lógicas no hay opción: la oraciónVerdadero siempre quiere decir aquello que sucede en la realidad: elhecho de la verdad. La oración Falso siempre quiere decir aquello queno existe en el mundo.

Una manera de definir una función es construir una tabla mediante laque se obtenga el valor de salida de todos los valores de entradaposibles. A este tipo de tablas se les conoce como tablas de verdad.

Mediante las tablas de verdad se define la semántica de las oraciones.

Las tablas de verdad sirven no solo para definir los conectores, sinotambién para probar la validez de las oraciones. Si se desea considerasuna oración, se construya una tabla de verdad con una hilera por cadauna de las posibles combinaciones de valores de verdadcorrespondientes a los signos propositivos de la oración. Se calcula elvalor de verdad de toda la oración, en cada una de las hileras. Si laoración es verdadera en cada una de las hileras, la oración es válida.

3.4.3, 3.4.4 Validez e Inferencia

((PvH)ˆ¬H)=>P

3.5 Razonamiento con incertidumbre

En situaciones reales, no siempre es posible contar con toda lainformación, inclusive la información disponible puede serincorrecta, incompleta o cambiar muy rápidamente.

Todo esto da lugar a diferentes formas de inconsistencias eincertidumbre.

3.5.1 Aprendizaje

Es un proceso por el cual se adquiere una nueva conducta,se modifica una antigua conducta o se extingue alguna,como resultado siempre de experiencias o prácticas.

Tipos de aprendizaje

Partes innatas de aprendizajeInstintos, reflejos, impulsos genéticos que hemos idoheredando. Nos hacen aprender determinadas cosas. Hade haber interacción con el medio.Por condicionamientoDeterminados estímulos provocan determinadasrespuestas. Si los estímulos por azar o no se condicionanprovocan que esta conducta inicial se refleje y se conviertaen un habito.

Por imitación y modelaje

Muchas de conductas son por imitación de las personasimportantes y destacadas para nosotros.

Por aprendizaje memorístico

Aprendizaje académico. No sabes lo que estasaprendiendo

Aprendizaje de memoria clásico

Por lo cual al cabo de unas horas ya no lo recuerdas

Aprendizaje significativo

Parte de cosas importantes para ti, a partir de ahíacumulas lo que ya sabias y lo haces tuyo.

3.5.2 Razonamiento probabilístico

La principal ventaja del razonamiento probabilístico sobre elrazonamiento lógico es que el primero permite tomar decisionesracionales aun en los casos en que no haya suficienteinformación para probar que cualquier acción dada funcionara.

La red de creencias es un grafo dirigido y aciclico en el cual:

• un conjunto de arcos dirigidos o flechas conecta un par denodos.

• un conjunto de variables representa los nodos de la red, cadanodo tiene una tabla de probabilidad condicional.

3.5.3. Lógicas multivaluadas

La idea central subyacente a la construcción de lógicasmultivalentes es la de que hay un cierto campo fronterizo entrela verdad total y la completa falsedad. Esa idea no es ningúninvento de algunos lógicos contemporáneos, sino que tienehondas y remotas raíces en el pensamiento humano

El principio de bivalencia ha sido tomado tradicionalmente comoun principio lógico fundamental: toda proposición es verdaderao falsa. Si no es verdadera, es falsa y si no es falsa, es verdadera.No hay tercera opción. Por eso se le conoce también comoprincipio del tercer excluso.

3.5.4. Lógica difusa

La lógica difusa (también llamada lógica borrosa o lógicaheurística) se basa en lo relativo de lo observado como posicióndiferencial. Este tipo de lógica toma dos valores aleatorios, perocontextualizados y referidos entre sí. Así, por ejemplo, unapersona que mida 2 metros es claramente una persona alta, sipreviamente se ha tomado el valor de persona baja y se haestablecido en 1 metro. Ambos valores están contextualizados apersonas y referidos a una medida métrica lineal.

¿Qué es una demostración?Métodos Deductivos de demostración.

Según el sistema aristotélico, el método deductivo es un proceso queparte de un conocimiento general, y arriba a uno particular. Laaplicación del método deductivo nos lleva a un conocimiento congrado de certeza absoluta, y esta cimentado en proposicionesllamadas SILOGISMOS. He aquí un ejemplo:

“Todos las venezolanas son bellas”, (Este es el conocimiento general)“Marta Colomina es venezolana”

Luego:“Marta Colomina es bella”

3.6 Demostración y métodos

Se puede observar que partiendo de dos premisas, una de las cualeses una hipótesis general se llega a una conclusión particular.También es de hacer notar que en este ejemplo las premisaspueden ser verdaderas o pueden ser falsas, y por consiguiente laconclusión puede ser igualmente verdadera o falsa.

En la lógica formal y sobre todo en el universo matemático, elproceso deductivo tiene un significado un poco diferente, puesestá basado en AXIOMAS, o proposiciones que son verdaderaspor definición. Por ejemplo, un axioma es:

“EL TODO ES MAYOR QUE LA PARTE”, otro axioma es:

“DOS COSAS IGUALES A UNA TERCERA SON IGUALES ENTRESI”.

Constituye una herramienta fundamental para el trabajo en lamatemática y otras ciencias.Ejemplos:1.- Si llueve, entonces iré al cine. No llueve. Luego, no iré alcine.2.- Si me caigo de la bicicleta, me golpearé. Estoy golpeado;luego, me caí de la bicicleta.3.- Si trabajo, entonces no estudio. Estudio o repruebo el cursode matemáticas. Aprobé el curso de matemáticas; luego,trabajo.4.- Si asisto a la escuela conversaré con mis amigos. Luego: sino voy al colegio no conversaré con mis amigos.

El Método De Resolución De RobinsonEl Método de Resolución [Robinson, 1965], es un intento demecanizar el proceso de deducción natural de esa formaeficiente. Las demostraciones se consiguen utilizando elmétodo refutativo (reducción al absurdo), es decir lo queintentamos es encontrar contradicciones.

Conocimiento No- Monotono Y Otras lógicas

La lógica clásica tiene un carácter monótono. Es decir, dado unconjunto de sentencias S1 del que se puede inferir C, al añadirotro conjunto de sentencias S2, se tiene que seguir infiriendo Ca partir de S1 Unión S2. Esto es un inconveniente en grancantidad de problemas que se presentan en inteligencia artificialy que tienen carácter no monótono. Las lógicas clásicas partendel carácter no excluyente de los nuevos axiomas añadidos a losya existentes.

Formalismos Lógica no-monótona

• Poder representar leyes como “Si x es un ser humano,entonces x puede andar, a menos que haya algo que locontradiga”. Para ello se amplía la lógica de primer ordenintroduciendo el operador modal M (es modal ya que indicauna modalidad de verdad).

Lógica por defecto

Muy parecido al anterior, pero el operador M ya no hace lafunción de un operador modal capaz de formar sentencias Mpsupuestamente válidas en el sistema; en su lugar dicho operadorsólo aparece en las reglas de inferencia denominadas reglas pordefecto definidas al efecto.

Teorema de Bayes

El teorema de Bayes, enunciado por Thomas Bayes, en la teoríade la probabilidad, es el resultado que da la distribución deprobabilidad condicional de un evento aleatorio A dado B entérminos de la distribución de probabilidad condicional delevento B dado A y la distribución de probabilidad marginal desólo A. El teorema de Bayes es válido en todas las aplicacionesde la teoría de la probabilidad. Sin embargo, hay unacontroversia sobre el tipo de probabilidades que emplea.