Inteligencia artificial unidad 3

7/21/2019 Inteligencia artificial unidad 3

http://slidepdf.com/reader/full/inteligencia-artificial-unidad-3 1/58

Unidad 3Representación del conocimiento yrazonamiento

Inteligencia Articial

domingo 11 de mayo de 14



• 3.1. Sistemas basados en conocimiento.

• 3.1.1. Concepto de conocimiento.

• 3.1.2. Lenguajes utilizados en larepresentación de conocimiento.

• 3.2. Mapas conceptuales.

• 3.3. Redes semánticas.

• 3.4. Lógica de predicados.

• 3.4.1. Sintaxis.

• 3.4.2. Semántica.

• 3.4.3. Validez.

• 3.4.4. Inferencia.

• 3.5. Razonamiento con incertidumbre.

• 3.5.1. Aprendizaje.

• 3.5.2. Razonamiento probabilístico.

• 3.5.3. Lógicas multivaluadas.

• 3.5.4. Lógica difusa.

• 3.6. Demostración y métodos.




Sistemas Basados en el

Conocimiento• Los Sistemas basados en Conocimiento representan unpaso delante de los sistemas de información convencionalesal pretender representar funciones cognitivas del ser

humano como el aprendizaje y el razonamiento.• Esta clase de aplicaciones descansan en las contribuciones

de la Inteligencia Articial en lo general y en la Ingenieríadel Conocimiento en lo particular.

•Su orientación es la automatización del análisis deproblemas, la búsqueda de soluciones, la toma de decisionesy el empleo de conocimiento especializado en un campoespecíco de aplicación.




Sistemas Basados en el

Conocimiento• Entre los productos más signicativos de los Sistemasbasados en Conocimiento se encuentran los SistemasExpertos, los cuales están encargados de representar el

conocimiento de los especialistas de una rama en laprocura de su aprovechamiento para tareas dediagnóstico, enseñanza y control.

• La composición de los Sistemas basados en

Conocimiento consta de: Un mecanismo deaprendizaje, una base de conocimientos, un motor derazonamiento, y medios de comunicación hombre-máquina.




Sistemas Expertos

INTELIGENCIA ARTIFICIAL

SISTEMAS BASADOS EN EL CONOCIMIENTO

SISTEMAS EXPERTOS




Interface deUsuario

Sistema deInferencia

InterfaceExperta

Base deConocimientos

Hechos

PreguntasResultados

Sistema Basado En el Conocimiento

Usuario

Conocimiento

Ingenieriodel ConocimientoY experto

Estructura de un SBC




Conocimiento: Datos No Estructurados

Todos sabemos que la ciencia e ingeniería sondominados por principios.Es decir reglas generales, las cuales si se aplican de manera

uniforme resuelven todos los problemas de una mismaclase

Esto es visible principalmente en las matemáticas, dondeuna de sus principales tareas es reducir problemasaparentemente complejos, mediante un conjunto deprincipios mínimos para su solución mas fácil

Las computadoras fueroncreadas por matemáticos




Conocimiento: Datos No Estructurados(Cont..)

Es por eso que son maquinas que se adaptan muy bien aimplementar los principios matemáticos

Las nociones algorítmicas base reejan siempre el concepto demaquinas de calculo

Por lo contrario el comportamiento humano se rige por otrotipo de principios (en teoría muy pocos). Dice un viejoproverbio que “no hay regla sin excepción”, de tal forma que las

excepciones hacen mal funcionar a los principios en dominiosdonde se aplican un poco de principios conocidos.





En términos computacionales, es posible distinguir entre untratamiento de datos estructurados y no estructurados. LaComputación clásica se adapta al tratamiento de datosestructurados por ejemplo : Cifras, Códigos y otroscontenidos de bases de datos

Por lo contrario, el comportamiento humano se basa sobreuna inmensidad de datos no estructurados: reglas de normassociales así como también información con incertidumbre.

Este ultimo tipo de datos son difícilmente formalizables bajoun formato estructurado. Ya que de manera general sonincompletos, ambiguos y muchas veces inconsistentes.





Para la Inteligencia Articial a estos datos les llamaCONOCIMIENTO




Lenguajes utilizados para la

Representación del Conocimiento• Se han diseñado a lo largo de los años diversos formalismos ylenguajes que permiten modelar de un modo formal el conocimiento.

• Existen diversos formalismos para la representación delconocimiento, cada uno con sus propios lenguajes y cada uno con susventajas e inconvenientes.

• En esto, al igual que en la Ingeniería del Software, no existe la técnicaideal que nos permita resolver cualquier problema de la mejormanera.

•Dependerá del tipo de problema, del conocimiento que se quierarepresentar, de la expresividad que se necesite, y del uso que se lequiera dar, el que un formalismo y un lenguaje sea más convenienteque otro.





Representación del Conocimiento• Lenguajes Basados en Lógica Formal

• Muchos de los sistemas de representación del

conocimiento de la actualidad se basan en algúntipo de lógica formal.

• La lógica formal aporta un buen número de ventajaspara la representación del conocimiento y su

manejo, partiendo de una sintaxis y semántica biendenidas que detallan perfectamente la forma deconstruir sentencias y razonamientos sobre ellas.





Representación del Conocimiento• Ejemplos:

• Lógica Proposicional• Lógica de Primer Orden• KIF

• Lógicas Descriptivas





Representación del Conocimiento• Lenguajes Basados en Frames o Marcos

• Estos lenguajes son similares a los lenguajes deprogramación orientados a objetos, en el sentidode que modelan el conocimiento utilizando clases(frames), atributos, objetos y relaciones, y utilizanrelaciones de generalización y especializaciónpara representar la organización jerárquica de losconceptos.

• Uno de los posibles lenguajes basados en frameses KM.





Representación del Conocimiento• Lenguajes Basados en Reglas

• Estos lenguajes han sido durante mucho tiempoposiblemente los más usados de todos,principalmente debido a su estrecha relación conlos Sistemas Expertos utilizados en InteligenciaArticial.

•Estos lenguajes son fáciles de entender debido a susencillez conceptual y a su paralelismo con lasestructuras de control más simples utilizadas enprogramación.





Representación del Conocimiento• Este tipo de lenguajes han recibido también un fuerteimpulso a partir de la aparición de la web semántica, yaque que se piensa en ellos como herramientas para

denir servicios web, y como herramienta base quepermita denir la forma en la que pueden interactuarlas aplicaciones de comercio electrónico.

• Para ello se ha creado una iniciativa “Rule Markup

Initiative” que ha diseñado el lenguaje RuleML, basadoen XML y que por lo tanto está pensado desde suconcepción para garantizar la interoperabilidadnecesaria en el web.




Mapa Conceptual• Organización del Conocimiento




Redes Semánticas




Redes Semánticas

gato animalGareld

y podríamos incluir otra frase, “Gareld es un Gato”

es unes un

De donde es posible inferir la respuesta a¿ Gareld es un animal ?




Extracción de frases del modelo




Construir la red semántica

• Los Hobbits son personas pequeñas• Frodo es un Hobbit• Los Hobbits tienen dedos gordos• Frodo posee un anillo mágico

• El anillo fue encontrado en una cueva• Los Hobbits son personas míticas




Lógica de Predicados• Sintaxis




Lógica de Predicados• Semántica• Todos los informaticos son listos, Juan es

informatico, luego juan es listo




Lógica de Predicados• Un predicado con variables libres no es verdadero ni

falso, hasta que se asignen valores para dichas variables.

•Algunos de ellos serán siempre verdaderosindependientemente de los valores que se escojan:estos son predicados válidos.

• Un predicado que es verdadero o falso dependiendode los valores elegidos se dice que es satisfacible.

• Un predicado que es siempre falso se dice que es nosatisfacible.




Razonamiento con

Incertidumbre• Los principales formalismos que permiten el tratamientode información

• Factores de Certeza y su generalización en lógicadifusa, fáciles de aplicar pero sin bases teóricas solidas.

• Los Cálculos probabilisticos mediante las teorias deDempster y Schafer, muy bien fundamentadas en lateoría de la probabilidad, pero difíciles de aplicar.

• Las Redes Bayesianas, las cuales están bienfundamentadas, pero necesitan un modelo de larealidad que no siempre esta presente.




Manipulación del

Conocimiento Incierto• Supongamos que hacemos uso de la lógica depredicados para hacer una aplicación dediagnóstico dental.

! x Sintoma(x,dolor-de-muelas)Enfermedad(x,Caries)

• El problema que la regla es errónea. No todoslos pacientes con dolores de muelas tienencaries, algunos tienen dolencias de encias. Unabsceso, u otro problema disntinto.




Manipulación del

Conocimiento Incierto! x Sintoma(x,dolor-de-muelas)

Enfermedad(x,Caries) " Enfermedad(x,Problema-Encias ) "Enfermedad(x,Absceso )

• Desafortunadamente para hacer la reglacierta, tendríamos que añadir una lista casiilimitada de causas posibles.




Manipulación del

Conocimiento Incierto• Una solución podría ser convertir la regla aformula clausal.

• ! x Enfermedad(x,Caries) Sintoma(x,dolor-de-muelas)

• Pero esta regla también es errónea porque notodas las caries causan dolencias.

• Inclusive existe la posibilidad de que elpaciente podría tener un dolor de muelas yuna caries que no estén relacionados.




Manipulación del

Conocimiento Incierto• La conexión entre dolor de muelas y cariesno es exactamente una consecuencia lógica

en ninguna dirección.• Nuestra principal herramienta para tratar

este caso sería la teoría de la probabilidad,que asigna a cada hecho un grado numéricode creencia entre 0 y 1.




Manipulación del

Conocimiento Incierto• No podríamos saber con seguridad lo queaqueja a un paciente en particular, pero

podríamos creer que hay, digamos un 80por ciento de posibilidades (esto es, unaprobabilidad de 0.8) de que el paciente quetiene una caries si tiene un dolor de

muelas.




Notación Básica con

robabilidades• Proposiciones

• Los grados de creencias se aplican siempre a las

proposiciones (armaciones de que tal o cual esel caso)

• Recordemos la lógica proposicional y la lógica depredicados.

• Pero en la teoría de la probabilidad típicamenteusa un lenguaje que es ligeramente mas expresivoque la lógica proposicional.





robabilidades• El elemento básico del lenguaje es la variable aleatoria,que puede pensarse como algo que se reere a “una”parte del mundo cuyo estatus es desconocido

inicialmente.• Por ejemplo: Caries podría referirse a si mi muela del

juicio inferior izquierda tiene una caries.

• Se recomienda escribir en mayúsculas.

• Cada variable aleatoria tiene un dominio de posiblesvalores que puede tomar. Por ejemplo el dominio de lavariable Caries podría ser #cierto, falso $





robabilidades• Variables Aleatorias Booleanas

• Caries = cierto

• Variables Aleatorias Discretas. Sea el dominioTiempo

• #soleado,lluvioso,nublado,nevado $

• Variables Aleatorias Continuas. Toman sus valoresde los números reales.

• X=4.02




¿Que son las

robabilidades?




Los valores numéricos

de las robabilidades




Consecuencias de los

axiomas de probabilidad




Variables Aleatorias




Distribución de

Probabilidad




Proposiciones mas

Complejas




Ejemplo de distribución conjunta




La importancia de la

distribución conjunta




Probabilidad Condicional




Distribución Condicional




Razonamiento con probabilidades:La regla de Bayes




Calculo

P(sc|re)= [(0.76)*(0.80)]/[(0.76)*(0.80)+(0.18)*(0.20)]= 0.95

sc

¬sc

0.8

0.2

re

re

¬re

¬re

0.76

0.04

0.18

0.02domingo 11 de mayo de 14



R d B i



Redes Bayesianas:Introducción


Redes bayesianas: Inferencia



Redes bayesianas: Inferencia,Decisión y Aprendizaje

! <2 A2% G6= E% 023#"&%+0B2 ;"#;#"+0#2%(% ;#" A2%# &4/ D%"0%LE)/ MA) /) #L/)"D%2 N)D0()2+0%O /);"#;%$% ;#" E% ")( ? %+,A%E0J% 2A)/,"% +"))2+0%%+)"+% () E%/ D%"0%LE)/ 2# #L/)"D%(%/5 I )/,);"#+)/# /) E) EE%&% 023)")2+0%5

! </ ;#/0LE) %;")2()" E%/ ;"#L%L0E0(%()/+#2(0+0#2%E)/ MA) ()/+"0L)2 E%/ ")E%+0#2)/ )2,")E%/ D%"0%LE)/ % ;%",0" () E#/ (%,#/5 12+EA/# )/;#/0LE) %;")2()" E% )/,"A+,A"% +#&;E),% () E% ")(% ;%",0" () (%,#/ +#&;E),#/ # +#2 %E$A2#/ () /A/D%E#")/ ()/+#2#+0(#/5

! F%/ G6 ;A)()2 A,0E0J%"/) ;%"% ,#&%" ()+0/0#2)/B;,0&%/ 02,"#(A+0)2(# ;#/0LE)/ %++0#2)/ ? E%A,0E0(%( () /A/ ")/AE,%(#/




Redes Bayesianas:

Utilización

! IE$A2%/ %;E0+%+0#2)/ () G6 )2 )&;")/%/ " #$%&'(')*

! +,(-.& /$01&2 34))$%.5

! 6$17,8(*$%' 2. :&';<.=1( 2. >(>1&$' 3+<122$,5! ?'=. ?.1<*@ ., <1 &.2 2. #$%&'(')* 3#AB5

" C,*.<! 6$17,8(*$%' 2. )1<<'( 2. :&'%.(12'&.(

" ?D

! 6$17,8(*$%' 2. :&';<.=1( 2. $=:&.('&1 " B'E$1! 6$17,8(*$%' 2. &.2.( %.<><1&.(

" B1(1! A$(*.=1 2. 1F>21 1 <1 2.%$($8, ., =$($',.( .(:1%$1<.(




Red Bayesiana: Ejemplo

6$17,8(*$%' 2. D&';<.=1( 2. C=:&.($8, 3?.%E.&=1,5




Red Bayesiana: Ejemplo


R d B i



Redes Bayesianas:Algunas Herramientas

B #"/?/ C ./*$/#2#D 5-(")# C !-')#/$# ,-D E((4DFFGGGH%*/'9'H)*2F%-(")#HE(21

B M0+"#/#3, C IJ85? C !-')#/$# ,-D E((4DFF/-'-#/)EH2")/*'*@(H)*2F#,#4(FIJ85?F




¿ Que es una red bayesiana ?

B C2% G6 )/ A2 $"%3# (0"0$0(# )2 )E TA)+%(% 2#(# +#2,0)2) 023#"&%+0B2;"#U%U0E./,0+%5

B !%"% (),)"&02%" A2% G6 V%+) 3%E,%H C K%)*%L3%(* ,- <#/"#01-' #1-#(*/"#' M3- @*/2#% 1*' %*,*' ,- 1#

/-,H N#' <#/"#01-' 43-,-% '-/ ,"')/-(#' * )*%("%3#' C K%)*%L3%(* ,- -%1#)-' ,"/"$",*' 7#/)*': M3- )*%-)(#% 4#/-L#'

,- %*,*'H J" E#9 3% #/)* ,-1 %*,* O #1 P '- ,")- M3- O -' -14#,/- ,- PH

B >1 '"$%"@")#,* "%(3"("<* ,- 3% #/)* ,-',- -1 %*,* O #1 P -' M3- O ("-%- 3%#"%@13-%)"# ,"/-)(# -% P

C Q#,# %*,* O " ("-%- 3%# ,"'(/"03)"&% ,- 4/*0#0"1",#, )*%,")"*%#1D.7O"R.#,/-' 7O ":: M3- 2",- -1 -@-)(* ,- 1*' 4#,/-' ,- -'- %*,*H

C >1 $/#@* %* ("-%- )")1*' ,"/"$",*' 79 4*/ (#%(* -' 3% $/#@* ,"/"$",*#)S)1")* * !TU:

Inteligencia artificial unidad 3

Documents

Transcript of Inteligencia artificial unidad 3