SlideShare una empresa de Scribd logo
4
Lo más leído
8
Lo más leído
19
Lo más leído
INSTITUTO TECNOLÓGICO
de Tuxtepec
“Inteligencia Artificial.
Unidad III Representación del Conocimiento y
Razonamiento.
PRESENTA:
Chalate Jorge Humberto
Gaspar Rufino M. del Rosario
Hernández García Nidia M.
Juárez Martínez Esmeralda
Ortiz Andrés Erika
SEMESTRE:
8° “A”
ESPECIALIDAD:
INGENIERÍA EN SISTEMAS COMPUTACIONALES
DOCENTE:
M.S.C. TOMÁS TORRES RAMÍREZ
S.E.P D.G.E.S.T S.N.E.S.T
ISC – 2015/01
Tuxtepec, Oax. a 25 de mayo de 2015
Unidad III Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 2 | 22
Contenido
3.- Sistemas basados en conocimiento. .................................................................................. 3
3.1.1. Concepto de conocimiento. ......................................................................................... 3
3.1.2. Lenguajes utilizados en la representación de conocimiento.............................. 6
3.2. Mapas conceptuales.............................................................................................................. 8
3.3. Redes semánticas.................................................................................................................. 9
3.4. Lógica de predicados.......................................................................................................... 11
3.4.1. Sintaxis. ........................................................................................................................... 12
3.4.2. Semántica........................................................................................................................ 13
3.4.3. Validez.............................................................................................................................. 14
3.4.4. Inferencia......................................................................................................................... 15
3.5. Razonamiento con incertidumbre.................................................................................... 17
3.5.1. Aprendizaje..................................................................................................................... 18
3.5.2. Razonamiento probabilístico..................................................................................... 19
3.5.3. Lógicas multivaluadas................................................................................................. 19
3.5.4. Lógica difusa.................................................................................................................. 19
3.6. Demostración y métodos. .................................................................................................. 20
Fuentes Bibliográficas................................................................................................................ 22
Unidad III Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 3 | 22
3.- Sistemas basados en conocimiento.
Los sistemas basados en conocimiento surgen como una evolución de los
paradigmas de programación a lo largo de la historia de la informática. En los
primeros tiempos de la computación, los programas, ante una petición del usuario,
típicamente producían una salida accediendo a datos almacenados en ficheros con
formatos particulares de cada aplicación. Más adelante surgieron las bases de
datos, que abstraían la capa de almacenamiento/persistencia de datos, eliminando
esos ficheros, facilitando así la gestión de la información necesaria para la
aplicación. Además aparecen los conceptos de la interfaz gráfica del sistema
operativo, facilitando la entrada/salida. Los sistemas basados en conocimiento son
una nueva evolución: en estos sistemas, los datos, la “base de conocimientos”, se
convierten en lo más importante, y el código que los explota, el “motor de
inferencias”, se generaliza según diferentes paradigmas. Esta base de
conocimientos la produce un usuario experto en el dominio, los ingenieros del
conocimiento, que son diferentes a los programadores de la interfaz o del propio
motor de inferencias.
3.1.1. Concepto de conocimiento.
Los Sistemas basados en Conocimiento representan un paso delante de los
sistemas de información convencionales al pretender representar funciones
cognitivas del ser humano como el aprendizaje y el razonamiento.
 Esta clase de aplicaciones descansan en las contribuciones de la Inteligencia
Artificial en lo general y en la Ingeniería del Conocimiento en lo particular.
 Su orientación es la automatización del análisis de problemas, la búsqueda
de soluciones, la toma de decisiones y el empleo de conocimiento
especializado en un campo específico de aplicación.
Entre los productos más significativos de los Sistemas basados en Conocimiento se
encuentran los Sistemas Expertos, los cuales están encargados de representar el
conocimiento de los especialistas de una rama en la procura de su aprovechamiento
para tareas de diagnóstico, enseñanza y control.
Unidad III Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 4 | 22
 La composición de los Sistemas basados en Conocimiento consta de: Un
mecanismo de aprendizaje, una base de conocimientos, un motor de
razonamiento, y medios de comunicación hombre-máquina.
Unidad III Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 5 | 22
Conocimiento: Datos No Estructurados
Todos sabemos que la ciencia e ingeniería son dominadas por principios. Es decir
reglas generales, las cuales si se aplican de manera uniforme resuelven todos los
problemas de una misma clase Esto es visible principalmente en las matemáticas,
donde una de sus principales tareas es reducir problemas aparentemente
complejos, mediante un conjunto de principios mínimos para su solución más fácil
Las computadoras fueron creadas por matemáticos
Es por eso que son máquinas que se adaptan muy bien a implementar los principios
matemáticos Las nociones algorítmicas base reflejan siempre el concepto de
máquinas de calculo
Por lo contrario el comportamiento humano se rige por otro tipo de principios (en
teoría muy pocos). Dice un viejo proverbio que “no hay regla sin excepción”, de tal
forma que las excepciones hacen mal funcionar a los principios en dominios donde
se aplican un poco de principios conocidos.
En términos computacionales, es posible distinguir entre un tratamiento de datos
estructurados y no estructurados. La Computación clásica se adapta al tratamiento
de datos estructurados por ejemplo: Cifras, Códigos y otros contenidos de bases de
datos Por lo contrario, el comportamiento humano se basa sobre una inmensidad
de datos no estructurados: reglas de normas sociales así como también información
con incertidumbre. Este último tipo de datos son difícilmente formalizables bajo un
formato estructurado. Ya que de manera general son incompletos, ambiguos y
muchas veces inconsistentes.
Para la Inteligencia Artificial a estos datos les llama CONOCIMIENTO
Unidad III Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 6 | 22
3.1.2. Lenguajes utilizados en la representación de conocimiento.
 Se han diseñado a lo largo de los años diversos formalismos y lenguajes que
permiten modelar de un modo formal el conocimiento.
 Existen diversos formalismos para la representación del conocimiento, cada uno
con sus propios lenguajes y cada uno con sus ventajas e inconvenientes.
 En esto, al igual que en la Ingeniería del Software, no existe la técnica ideal que
nos permita resolver cualquier problema de la mejor manera.
 Dependerá del tipo de problema, del conocimiento que se quiera representar,
de la expresividad que se necesite, y del uso que se le quiera dar, el que un
formalismo y un lenguaje sea más conveniente que otro.
Lenguajes Basados en Lógica Formal
 Muchos de los sistemas de representación del conocimiento de la
actualidad se basan en algún tipo de lógica formal.
 La lógica formal aporta un buen número de ventajas para la
representación del conocimiento y su manejo, partiendo de una sintaxis
y semántica bien definidas que detallan perfectamente la forma de
construir sentencias y razonamientos sobre ellas.
Ejemplos:
 Lógica Proposicional
 Lógica de Primer Orden
 KIF
 Lógicas Descriptivas
Lenguajes Basados en Frames o Marcos
Unidad III Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 7 | 22
Estos lenguajes son similares a los lenguajes de programación orientados a objetos,
en el sentido de que modelan el conocimiento utilizando clases (frames), atributos,
objetos y relaciones, y utilizan relaciones de generalización y especialización para
representar la organización jerárquica de los conceptos.
Uno de los posibles lenguajes basados en frames es KM.
Lenguajes Basados en Reglas
 Estos lenguajes han sido durante mucho tiempo posiblemente los más
usados de todos, principalmente debido a su estrecha relación con los
Sistemas Expertos utilizados en Inteligencia Artificial.
 Estos lenguajes son fáciles de entender debido a su sencillez conceptual y a
su paralelismo con las estructuras de control más simples utilizadas en
programación.
Este tipo de lenguajes han recibido también un fuerte impulso a partir de la aparición
de la web semántica, ya que se piensa en ellos como herramientas para definir
servicios web, y como herramienta base que permita definir la forma en la que
pueden interactuar las aplicaciones de comercio electrónico.
Para ello se ha creado una iniciativa “Rule Markup Initiative” que ha diseñado el
lenguaje RuleML, basado en XML y que por lo tanto está pensado desde su
concepción para garantizar la interoperabilidad necesaria en el web.
Unidad III Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 8 | 22
3.2. Mapas conceptuales.
Los mapas conceptuales son instrumentos de representación del conocimiento
sencillo y práctico, que permiten transmitir con claridad mensajes conceptuales
complejos y facilitar tanto el aprendizaje como la enseñanza. Para mayor
abundamiento, adoptan la forma de grafos.
En Inteligencia Artificial, Quillian desarrolló una forma de mapa conceptual que se
denominó redes semánticas y que se usa ampliamente para la representar el
conocimiento formal. En lingüística, Graesser y Clark han desarrollado un análisis
de formas de argumentación en el texto en forma de mapas conceptuales
estructurados en ocho tipos de nodos y cuatro tipos de enlaces. En la historia de la
ciencia, la dinámica de mapas conceptuales se ha usado también para representar
los procesos de cambio conceptual de las revoluciones científicas y en filosofía de
la ciencia, Toulmin desarrolló una teoría de argumentación científica basada en
mapas conceptuales. También los mapas conceptuales han sido utilizados en la
educación, el diseño de las organizaciones para la toma de decisiones, la
adquisición de conocimiento especializado, los sistemas sociales, la toma de
decisiones políticas, etc.
Un mapa conceptual es una técnica sencilla que permite representar el
conocimiento de forma gráfica como redes conceptuales compuestas por nodos que
representan los conceptos, y enlaces, que representan las relaciones entre los
conceptos.
Unidad III Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 9 | 22
3.3. Redes semánticas.
Una red semántica es un grafo, donde los vértices representan conceptos y los
arcos representan relaciones entre los conceptos.
Las redes semánticas a nivel de ontología se utilizan para representar vocabulario
que es esencialmente muy valioso para los seres humanos.
Ejemplo: represente mediante una red semántica la frase “un gato es un animal”
Y podría incluir otra frase, “Garfield es un gato
Las redes semánticas están basadas en la idea que los objetos o los conceptos
pueden ser unidos por alguna relación.
Estas relaciones se representan usando una liga que conecte dos conceptos.
Los nodos y las ligas pueden ser cualquier cosa, dependiendo de la situación a
modelar.
Las redes semánticas fueron originalmente desarrolladas para representar el
significado o semántica de oraciones en inglés, en términos de objetos y relaciones.
Unidad III Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 10 | 22
Desventajas de las redes semánticas
No existe una interpretación normalizada para el conocimiento expresado por la red.
La interpretación de la red depende exclusivamente de los programas que
manipulan la misma. La dificultad de interpretación a menudo puede derivar en
inferencias inválidas del conocimiento contenido en la red. La exploración de una
red asociativa puede derivar en una explosión combinatoria del número de
relaciones que deben ser examinadas para comprobar una relación, sobre todo si
la respuesta a una consulta es negativa. No hay manera de insertar alguna regla
heurística para explorar la red de manera eficiente.
Ventajas de las redes semánticas
Permiten la declaración de importantes asociaciones en forma explícita. Debido a
que los nodos relacionados están directamente conectados, y no se expresan las
relaciones en una gran base de datos, el tiempo que toma el proceso de búsqueda
por hechos particulares puede ser significativamente reducido.
Unidad III Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 11 | 22
3.4. Lógica de predicados.
Es una herramienta para estudiar el comportamiento de un sistema lógico. Además
proporciona un criterio para determinar si un sistema lógico es absurdo o
inconsistente.
Sistema simbólico: Lenguaje y fórmulas lógicas.
Sintaxis Sistema
LÓGICA
Semántica Simbólica
Proposiciones
Representación en lenguaje cotidiano que debe estar libre de vaguedades.
Atómicas simples (sin términos de enlace)
Proposiciones
Moleculares unión de prop. Atómicas
Conexiones lógicas y Términos de enlace
Palabras de enlace que unen proposiciones atómicas para formar proposiciones
moleculares.
Término Significado Símbolo
AND “Y” &
OR “O” V
NOT “No” ⌐
IF “Sí..entonces”
Unidad III Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 12 | 22
Simbolización de proposiciones
Uso de variables para representar proposiciones.
P = "Se cerró el circuito"
Q = "Operó la marcha"
P & Q = "Se cerró el circuito y operó la marcha"
¬Q = "No operó la marcha"
Jerarquía de aplicación
Menor jerarquía
&, V
¬ Mayor jerarquía
3.4.1. Sintaxis.
Elementos
 Términos: Representan objetos del dominio.
 Constantes: Representan un objeto individual en concreto
 notación: cadenas de caracteres, comienzan en mayúsculas
 Ejemplos: Juan; Mi coche;…
Unidad III Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 13 | 22
 Funciones: Representan (implícitamente) un objeto individual que está
relacionado con los n objetos que participan en la función
 notación: símbolo de función (cadena, comienza con Mays.) con aridad n
+ n argumentos (términos) entre paréntesis
 Ejemplos: Padre de (Juan); Hijo de (Pedro; Ana); Coseno (45)…
 Variables: Representan objetos sin indicar cuales
 Uso:
 notación: cadenas de caracteres en minúsculas
 Ejemplos: x; y; padre; hijo;…
 Predicados: Representan una propiedad de un término (si aridad 1) o relaciones
entre k términos (si aridad k > 1)
 notación: cadenas de caracteres + k términos (variables, constantes,
funciones) entre paréntesis
 Átomos: formulas bien formadas (f. b. f.) compuestas por un único predicado
 Literales: Átomo o negación de un átomo.
 Ejemplos: Asesina (Juan; x); Es_alto (Juan); Vive_con (Juan; Padre_de
(Juan));…
3.4.2. Semántica.
Representamos un mundo donde hay:
Referirse a un objeto específico no identificado.
Referirse a un conjunto de objetos
Unidad III Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 14 | 22
 Un n° infinito de objetos individuales representados por símbolos de
constantes y variables
o Pueden ser entidades concretas (personas, cosas) o
abstractas(números, eventos)
 Un n° infinito de objetos de nidos en función de otros objetos, representados
por símbolos de función
 Relaciones entre los objetos del dominio, representadas por símbolos de
predicado
o Si la aridad es 1, se habla de propiedades de objetos
INTERPRETACIONES:
Una interpretación establece las relaciones anteriores entre los símbolos de la lógica
y los elementos del mundo real
 asocia a las constantes objetos del mundo
 asocia a las funciones relaciones funcionales entre objetos
 asocia a los predicados relaciones entre objetos
Más compleja que en lógica de proposiciones
Dominio de una interpretación: Conjunto de objetos del mundo que se manejan en
una interpretación Formalmente: Dada una conceptualización formada por:
U: universo de discurso (conj. de individuos/objetos)
R: conj. Finito de relaciones entre objetos de U
F: conj. Finito de funciones que asocian a 1 objetos de U con 1 o más objetos de U
3.4.3. Validez.
 Un predicado con variables libres no es verdadero ni falso, hasta que se
asignen valores para dichas variables.
Unidad III Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 15 | 22
 Algunos de ellos serán siempre verdaderos independientemente de los
valores que se escojan: estos son predicados válidos.
 Un predicado que es verdadero o falso dependiendo de los valores elegidos
se dice que es satisfacible.
 Un predicado que es siempre falso se dice que es no satisfacible.
3.4.4. Inferencia.
Reglas de inferencia
 Modus Ponendo Ponens
 Modus Tollendo Tollens
 Modus Tollendo Ponens
 Doble negación
Unidad III Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 16 | 22
 Regla de adjunción Regla de Simplificacion
 Ley de adición
 Ley de simplificación disyuntiva
 Ley del silogismo hipotético
 Ley del silogismo disyuntivo
Unidad III Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 17 | 22
 Leyes de Morgan
Reglas de operación
1.- Cambiar & por V, o viceversa
2.- Negar cada proposición
3.- Negar la proposición completa
3.5. Razonamiento con incertidumbre.
En situaciones reales, no siempre es posible contar con toda la información.
Inclusive la información disponible puede ser incorrecta, incompleta o cambiar muy
rápidamente.
Todo esto da lugar a diferentes formas de inconsistencias e incertidumbre.
Diversos métodos han sido desarrollados para evaluar los grados de certeza o de
verdad de las conclusiones.
Uno de los más generalizados consiste en asignar coeficiente de certeza o de
confianza a los hechos que intervienen en las en las condiciones y en la conclusión
de una regla.
Todos los mecanismos de representación de conocimiento vistos están basados en
lógica bajo estos supuestos:
• Todo hecho sobre el que razonemos debe ser evaluado como cierto o falso.
• Para poder razonar necesitamos tener todos los hechos a nuestra
disposición.
Pero en las prácticas nos encontramos con estos problemas:
Unidad III Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 18 | 22
• Representar el conocimiento para cubrir todos los hechos que son relevantes
para un problema es difícil.
• Existen dominios en los que se desconocen todos los hechos necesarios
para resolver el problema.
• Existen problemas en los que aun teniendo las reglas para resolverlos no
disponemos de toda la información necesaria o no tenemos confianza
absoluta en ellas.
• En otros problemas las reglas no se aplican siempre o su confianza cambia
con la confianza que tenemos en los hechos.
3.5.1. Aprendizaje.
Máquina que aprende: Sistema organizado que transforma un mensaje de entrada
en uno de salida, de acuerdo con el principio de Transformación.
Si tal principio está sujeto a cierto criterio de validez, el método de transformación
se ajusta a fin de que tienda a mejorar el funcionamiento; se dice que el sistema
aprende.
Aprendizaje animal: Cuando los organismos se ajustan o adaptan al conjunto de
estímulos que provienen del entorno; reciben la información y la almacena con el fin
de reutilizarla en situaciones o patrones de estímulos semejantes.
La Organización (o reorganización) de la propia conducta (ante una situación o un
patrón de estímulos) como resultado de una experiencia individual.
Todos los estímulos a los que un individuo responde es un cierto contexto pueden
no ser efectivos para producir una conducta de aprendizaje en otros contextos.
Unidad III Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 19 | 22
3.5.2. Razonamiento probabilístico.
La técnica más antigua y mejor definida para manejar la incertidumbre es la Regla
de Bayes, la misma que está basada en la teoría clásica de la probabilidad.
Las hipótesis son más o menos probables dependiendo de las posibilidades de los
hechos o evidencias que las sostiene.
Las probabilidades se calculan en base a la fórmula general de la probabilidad
condicionada de Bayes o algunas transformaciones de la misma.
Surgen de la insuficiencia explicativa de los modelos normativos, que asumen que
las personas asignan probabilidades de ocurrencia de un suceso basándose en su
frecuencia relativa, o como asume la inferencia bayesiana, en las creencias y
opiniones.
3.5.3. Lógicas multivaluadas.
Se usa en matemáticas como procedimiento para buscar modelos no estándar; esto
es esencialmente lo que hace para conseguir los modelos generales de Henkin para
la lógica superior responsables de su teoría de completud.
3.5.4. Lógica difusa.
También llamada lógica borrosa o heurística, se basa en lo relativo de lo observado
como posición diferencial, este tipo de lógica toma dos valores aleatorios, pero
contextualizados y referidos entre sí.
Unidad III Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 20 | 22
3.6. Demostración y métodos.
Métodos deductivos de demostración: el método deductivo es un proceso que parte
de un conocimiento general, y arriba a uno particular. La aplicación del método
deductivo nos llevó a un conocimiento con grado de certeza absoluta y esta
cimentado en preposiciones llamadas silogismos.
Ejemplos:
“Todas las mexicanas son bellas”, (este es el concepto general).
‘Luz Ortiz es mexicana’
Luego:
‘Luz Ortiz es bella’
En la lógica formal y sobre todo en el universo matemático, el proceso deductivo
tiene un significado un poco diferente, pues está basado en axiomas, o
preposiciones que son verdades por definición.
Ejemplos de axiomas:
“El todo es mayor que la parte”
“Dos cosas iguales a una tercera son iguales entre sí”
Al conjunto de Hipótesis + Demostración + Conclusión se denomina Teorema.
El Método de resolución de Robinson.
Es un intento por mecanizar el proceso de deducción natural de esa forma eficiente.
Las demostraciones se consiguen utilizando de esa forma el método refutativo
(deducción al absurdo), es decir lo que intentamos es encontrar contradicciones.
Para probar una sentencia nos basta con demostrar que su negación nos lleva a
una contradicción con las sentencias conocidas (es insatisfactible). Si la negación
de una sentencia entra en contradicción con los hechos de nuestra base de
Unidad III Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 21 | 22
conocimiento es porque lo contrario, es decir, la sentencia original era verdadera y
se puede deducir lógicamente de las sentencias que componen dicha base de
conocimientos.
Ejemplo:
• Lloverá O habrá un examen.
• David es Darth Vader O no lloverá.
• David no es Darth Vader.
• Habrá un examen?
Solución:
• Lluvia = a , Examen = b, David es Vader = c
• Base de Conocimiento (todas son ciertas): a V b, c V ¬ a, ¬ c
• Por Resolución sabemos que b V c es cierta.
• Por Resolución Unidad sabemos que b es cierta.
Unidad III Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 22 | 22
Fuentes Bibliográficas.
 Alejandro Peña Ayala, Sistemas basados en conocimiento: Una base para su
concepción y desarrollo, Instituto Politécnico Nacional.
 Dr. Wladimir Rodríguez, Postgrado en Computación, Inteligencia Artificial clase #6
Representación del conocimiento.
 Francisco Jose Ribadas Pena, Informática, INTELIGENCIA ARTIFICIAL,
Representación del Conocimiento, 13 de noviembre de 2009.
 Wendy B. Rauch-Hindin, Aplicaciones de la Inteligencia Artificial en la
actividad empresarial, la ciencia y la industria, ediciones Díaz de santos,
1989.
Fuentes consultadas:
 http://www.rvazquez.org/Misitio/ia2010_files/unidad3ia.pdf
 http://iaplan2010.esy.es/unidad-3/3-2-mapas-conceptuales/
 http://iaplan2010.esy.es/unidad-3/3-3-redes-semanticas/

Más contenido relacionado

PPTX
4.2 espacios de estados determinísticos y espacios no determinísticos.
PPTX
Razonamiento monotono
PPTX
Diseño Estructurado
PPTX
Analisis y determinacion de requerimientos
PPTX
Validación de Requerimientos
PPTX
Analizador Sintáctico
PPT
Estructura de un compilador 2
PPTX
Sistema De Gestión De Base De Datos
4.2 espacios de estados determinísticos y espacios no determinísticos.
Razonamiento monotono
Diseño Estructurado
Analisis y determinacion de requerimientos
Validación de Requerimientos
Analizador Sintáctico
Estructura de un compilador 2
Sistema De Gestión De Base De Datos

La actualidad más candente (20)

DOCX
Nucleo del sistema operativo
PPTX
Expresiones regulares
PPT
Tecnología Orientada a Objetos
PPTX
Control de-flujo
PDF
Ejemplo Desarrollo Factibilidad Operativa
DOCX
linea del tiempo de las redes de datos
DOCX
Unidad 6 Protección y seguridad.
PDF
Tipos de Autómatas 
PDF
Unidad No. 5 - Agentes Inteligentes
PPTX
Análisis léxico y análisis sintáctico
PPTX
Tipos sistemas de información
PDF
automatas finitos
PPTX
Unidad 2 ensamblador
DOCX
Trabajo de compiladores completo alexandra
DOCX
CUADRO COMPARATIVO ENTRE MODELO OSI Y TCP/IP
PDF
PROYECTO DE BASE DE DATOS
DOC
Cuadro comparativo de los modelos de proceso del software (1)
PPTX
Cuadro comparativo de enfoque estructurado y enfoque orientado
PDF
Sistemas expertos y sus aplicaciones
PPTX
Inteligencia artificial unidad iii
Nucleo del sistema operativo
Expresiones regulares
Tecnología Orientada a Objetos
Control de-flujo
Ejemplo Desarrollo Factibilidad Operativa
linea del tiempo de las redes de datos
Unidad 6 Protección y seguridad.
Tipos de Autómatas 
Unidad No. 5 - Agentes Inteligentes
Análisis léxico y análisis sintáctico
Tipos sistemas de información
automatas finitos
Unidad 2 ensamblador
Trabajo de compiladores completo alexandra
CUADRO COMPARATIVO ENTRE MODELO OSI Y TCP/IP
PROYECTO DE BASE DE DATOS
Cuadro comparativo de los modelos de proceso del software (1)
Cuadro comparativo de enfoque estructurado y enfoque orientado
Sistemas expertos y sus aplicaciones
Inteligencia artificial unidad iii
Publicidad

Similar a 3. Representación del conocimiento y razonamiento. (20)

PDF
Unidad III documento
DOCX
3.1 tommas-word
PDF
3 . Representación del conocimiento y razonamiento
PPTX
Representaciones de conocimiento
ODT
Inteligencia artificial
PPTX
Representaciones del conocimiento
PPTX
inteligencia artificial ing sistemaspptx
DOCX
Inteligencia artificial
PPT
Andres garcia
PPTX
Inteligencia artificial (ia)
PPT
Metodologia conocimiento-linda
PPTX
Representación del Conocimiento (UFT) Mauricio Yépez
PPT
Basados En Conocimiento
PDF
Inteligencia artificial i isc Temario
PPTX
Inteligencia artificial
PPTX
Inteligencia artificial
PDF
Inteligencia Artificial I ISC
PPTX
Inteligencia artificial. jorge eliecer ladino poveda
PPTX
Inteligencia artificial
Unidad III documento
3.1 tommas-word
3 . Representación del conocimiento y razonamiento
Representaciones de conocimiento
Inteligencia artificial
Representaciones del conocimiento
inteligencia artificial ing sistemaspptx
Inteligencia artificial
Andres garcia
Inteligencia artificial (ia)
Metodologia conocimiento-linda
Representación del Conocimiento (UFT) Mauricio Yépez
Basados En Conocimiento
Inteligencia artificial i isc Temario
Inteligencia artificial
Inteligencia artificial
Inteligencia Artificial I ISC
Inteligencia artificial. jorge eliecer ladino poveda
Inteligencia artificial
Publicidad

Más de Humberto Chalate Jorge (14)

PDF
Unidad IV Reglas de Producción
PDF
Unidad III Representación del Conocimiento
PPTX
3.4 Logica de Predicados
PDF
5.2 Redes neuronales (RN) [presentación].
PDF
5.2 Redes neuronales (RN) [investigación]
PDF
3.4. Logica de predicados
PPTX
Introducción a las Redes de Computadoras
PPTX
Generaciones de Computadoras
PPTX
Unidad I Conceptos Básicos
PPTX
Interfaces en Java
PPT
Plan de Negocios
PPT
El “Emprendedor” Nace o se Hace
PPS
Auto-prevención ante un Ataque Cardíaco
PPTX
Historia de las Computadoras
Unidad IV Reglas de Producción
Unidad III Representación del Conocimiento
3.4 Logica de Predicados
5.2 Redes neuronales (RN) [presentación].
5.2 Redes neuronales (RN) [investigación]
3.4. Logica de predicados
Introducción a las Redes de Computadoras
Generaciones de Computadoras
Unidad I Conceptos Básicos
Interfaces en Java
Plan de Negocios
El “Emprendedor” Nace o se Hace
Auto-prevención ante un Ataque Cardíaco
Historia de las Computadoras

Último (20)

PDF
El Arte de Hacer Preguntas - Mario Borghino Ccesa007.pdf
PPTX
Presentación: Cumplimiento del Empleador
PDF
El Arte de hacer una Tesis - Jose Hinojosa Ccesa007.pdf
PDF
Nueve Habitos Japoneses que cambiaran tu Vida Ccesa007.pdf
DOCX
Tarea De El Colegio Coding For Kids 1 y 2
PDF
Arriesgate en las Preguntas Poderosas - Mario Borghino Ccesa007.pdf
PDF
DI, TEA, TDAH.pdf guía se secuencias didacticas
PPTX
Presentación del Seminario Teorías del aprendizaje y problemas de contexto - ...
PDF
REGLAMENTO 2026 I AAAAAAAAAAAAAAAAAAAAAAAAAAAAAA
PDF
Como limpiar tu basura emocional a traves del Mindfulness Ccesa007.pdf
PDF
OK OK UNIDAD DE APRENDIZAJE 5TO Y 6TO CORRESPONDIENTE AL MES DE AGOSTO 2025.pdf
PDF
El Cerebro y La Inteligencia Emocional - Daniel Goleman Ccesa007.pdf
PDF
Lección 6 Escuela Sab. A través del mar rojo.pdf
PDF
GUIA DE: CANVA + INTELIGENCIA ARTIFICIAL
PDF
Fundamentos_Educacion_a_Distancia_ABC.pdf
PDF
Reunión del GEOFORO Iberoamericano en verano 2025.
PDF
Actividad Luces y Codigos "Angelina.Castaño Marin 9-1"pdf
PDF
JESUCRISTO ESTÁ EN LA TIERRA
PPTX
AGENTES PATÓGENOS Y LAS PRINCIPAL ENFERMEAD.pptx
PDF
Breve historia de los Incas -- Patricia Temoche [Temoche, Patricia] -- Breve ...
El Arte de Hacer Preguntas - Mario Borghino Ccesa007.pdf
Presentación: Cumplimiento del Empleador
El Arte de hacer una Tesis - Jose Hinojosa Ccesa007.pdf
Nueve Habitos Japoneses que cambiaran tu Vida Ccesa007.pdf
Tarea De El Colegio Coding For Kids 1 y 2
Arriesgate en las Preguntas Poderosas - Mario Borghino Ccesa007.pdf
DI, TEA, TDAH.pdf guía se secuencias didacticas
Presentación del Seminario Teorías del aprendizaje y problemas de contexto - ...
REGLAMENTO 2026 I AAAAAAAAAAAAAAAAAAAAAAAAAAAAAA
Como limpiar tu basura emocional a traves del Mindfulness Ccesa007.pdf
OK OK UNIDAD DE APRENDIZAJE 5TO Y 6TO CORRESPONDIENTE AL MES DE AGOSTO 2025.pdf
El Cerebro y La Inteligencia Emocional - Daniel Goleman Ccesa007.pdf
Lección 6 Escuela Sab. A través del mar rojo.pdf
GUIA DE: CANVA + INTELIGENCIA ARTIFICIAL
Fundamentos_Educacion_a_Distancia_ABC.pdf
Reunión del GEOFORO Iberoamericano en verano 2025.
Actividad Luces y Codigos "Angelina.Castaño Marin 9-1"pdf
JESUCRISTO ESTÁ EN LA TIERRA
AGENTES PATÓGENOS Y LAS PRINCIPAL ENFERMEAD.pptx
Breve historia de los Incas -- Patricia Temoche [Temoche, Patricia] -- Breve ...

3. Representación del conocimiento y razonamiento.

  • 1. INSTITUTO TECNOLÓGICO de Tuxtepec “Inteligencia Artificial. Unidad III Representación del Conocimiento y Razonamiento. PRESENTA: Chalate Jorge Humberto Gaspar Rufino M. del Rosario Hernández García Nidia M. Juárez Martínez Esmeralda Ortiz Andrés Erika SEMESTRE: 8° “A” ESPECIALIDAD: INGENIERÍA EN SISTEMAS COMPUTACIONALES DOCENTE: M.S.C. TOMÁS TORRES RAMÍREZ S.E.P D.G.E.S.T S.N.E.S.T ISC – 2015/01 Tuxtepec, Oax. a 25 de mayo de 2015
  • 2. Unidad III Representación del Conocimiento y razonamiento. Inteligencia Artificial P á g i n a 2 | 22 Contenido 3.- Sistemas basados en conocimiento. .................................................................................. 3 3.1.1. Concepto de conocimiento. ......................................................................................... 3 3.1.2. Lenguajes utilizados en la representación de conocimiento.............................. 6 3.2. Mapas conceptuales.............................................................................................................. 8 3.3. Redes semánticas.................................................................................................................. 9 3.4. Lógica de predicados.......................................................................................................... 11 3.4.1. Sintaxis. ........................................................................................................................... 12 3.4.2. Semántica........................................................................................................................ 13 3.4.3. Validez.............................................................................................................................. 14 3.4.4. Inferencia......................................................................................................................... 15 3.5. Razonamiento con incertidumbre.................................................................................... 17 3.5.1. Aprendizaje..................................................................................................................... 18 3.5.2. Razonamiento probabilístico..................................................................................... 19 3.5.3. Lógicas multivaluadas................................................................................................. 19 3.5.4. Lógica difusa.................................................................................................................. 19 3.6. Demostración y métodos. .................................................................................................. 20 Fuentes Bibliográficas................................................................................................................ 22
  • 3. Unidad III Representación del Conocimiento y razonamiento. Inteligencia Artificial P á g i n a 3 | 22 3.- Sistemas basados en conocimiento. Los sistemas basados en conocimiento surgen como una evolución de los paradigmas de programación a lo largo de la historia de la informática. En los primeros tiempos de la computación, los programas, ante una petición del usuario, típicamente producían una salida accediendo a datos almacenados en ficheros con formatos particulares de cada aplicación. Más adelante surgieron las bases de datos, que abstraían la capa de almacenamiento/persistencia de datos, eliminando esos ficheros, facilitando así la gestión de la información necesaria para la aplicación. Además aparecen los conceptos de la interfaz gráfica del sistema operativo, facilitando la entrada/salida. Los sistemas basados en conocimiento son una nueva evolución: en estos sistemas, los datos, la “base de conocimientos”, se convierten en lo más importante, y el código que los explota, el “motor de inferencias”, se generaliza según diferentes paradigmas. Esta base de conocimientos la produce un usuario experto en el dominio, los ingenieros del conocimiento, que son diferentes a los programadores de la interfaz o del propio motor de inferencias. 3.1.1. Concepto de conocimiento. Los Sistemas basados en Conocimiento representan un paso delante de los sistemas de información convencionales al pretender representar funciones cognitivas del ser humano como el aprendizaje y el razonamiento.  Esta clase de aplicaciones descansan en las contribuciones de la Inteligencia Artificial en lo general y en la Ingeniería del Conocimiento en lo particular.  Su orientación es la automatización del análisis de problemas, la búsqueda de soluciones, la toma de decisiones y el empleo de conocimiento especializado en un campo específico de aplicación. Entre los productos más significativos de los Sistemas basados en Conocimiento se encuentran los Sistemas Expertos, los cuales están encargados de representar el conocimiento de los especialistas de una rama en la procura de su aprovechamiento para tareas de diagnóstico, enseñanza y control.
  • 4. Unidad III Representación del Conocimiento y razonamiento. Inteligencia Artificial P á g i n a 4 | 22  La composición de los Sistemas basados en Conocimiento consta de: Un mecanismo de aprendizaje, una base de conocimientos, un motor de razonamiento, y medios de comunicación hombre-máquina.
  • 5. Unidad III Representación del Conocimiento y razonamiento. Inteligencia Artificial P á g i n a 5 | 22 Conocimiento: Datos No Estructurados Todos sabemos que la ciencia e ingeniería son dominadas por principios. Es decir reglas generales, las cuales si se aplican de manera uniforme resuelven todos los problemas de una misma clase Esto es visible principalmente en las matemáticas, donde una de sus principales tareas es reducir problemas aparentemente complejos, mediante un conjunto de principios mínimos para su solución más fácil Las computadoras fueron creadas por matemáticos Es por eso que son máquinas que se adaptan muy bien a implementar los principios matemáticos Las nociones algorítmicas base reflejan siempre el concepto de máquinas de calculo Por lo contrario el comportamiento humano se rige por otro tipo de principios (en teoría muy pocos). Dice un viejo proverbio que “no hay regla sin excepción”, de tal forma que las excepciones hacen mal funcionar a los principios en dominios donde se aplican un poco de principios conocidos. En términos computacionales, es posible distinguir entre un tratamiento de datos estructurados y no estructurados. La Computación clásica se adapta al tratamiento de datos estructurados por ejemplo: Cifras, Códigos y otros contenidos de bases de datos Por lo contrario, el comportamiento humano se basa sobre una inmensidad de datos no estructurados: reglas de normas sociales así como también información con incertidumbre. Este último tipo de datos son difícilmente formalizables bajo un formato estructurado. Ya que de manera general son incompletos, ambiguos y muchas veces inconsistentes. Para la Inteligencia Artificial a estos datos les llama CONOCIMIENTO
  • 6. Unidad III Representación del Conocimiento y razonamiento. Inteligencia Artificial P á g i n a 6 | 22 3.1.2. Lenguajes utilizados en la representación de conocimiento.  Se han diseñado a lo largo de los años diversos formalismos y lenguajes que permiten modelar de un modo formal el conocimiento.  Existen diversos formalismos para la representación del conocimiento, cada uno con sus propios lenguajes y cada uno con sus ventajas e inconvenientes.  En esto, al igual que en la Ingeniería del Software, no existe la técnica ideal que nos permita resolver cualquier problema de la mejor manera.  Dependerá del tipo de problema, del conocimiento que se quiera representar, de la expresividad que se necesite, y del uso que se le quiera dar, el que un formalismo y un lenguaje sea más conveniente que otro. Lenguajes Basados en Lógica Formal  Muchos de los sistemas de representación del conocimiento de la actualidad se basan en algún tipo de lógica formal.  La lógica formal aporta un buen número de ventajas para la representación del conocimiento y su manejo, partiendo de una sintaxis y semántica bien definidas que detallan perfectamente la forma de construir sentencias y razonamientos sobre ellas. Ejemplos:  Lógica Proposicional  Lógica de Primer Orden  KIF  Lógicas Descriptivas Lenguajes Basados en Frames o Marcos
  • 7. Unidad III Representación del Conocimiento y razonamiento. Inteligencia Artificial P á g i n a 7 | 22 Estos lenguajes son similares a los lenguajes de programación orientados a objetos, en el sentido de que modelan el conocimiento utilizando clases (frames), atributos, objetos y relaciones, y utilizan relaciones de generalización y especialización para representar la organización jerárquica de los conceptos. Uno de los posibles lenguajes basados en frames es KM. Lenguajes Basados en Reglas  Estos lenguajes han sido durante mucho tiempo posiblemente los más usados de todos, principalmente debido a su estrecha relación con los Sistemas Expertos utilizados en Inteligencia Artificial.  Estos lenguajes son fáciles de entender debido a su sencillez conceptual y a su paralelismo con las estructuras de control más simples utilizadas en programación. Este tipo de lenguajes han recibido también un fuerte impulso a partir de la aparición de la web semántica, ya que se piensa en ellos como herramientas para definir servicios web, y como herramienta base que permita definir la forma en la que pueden interactuar las aplicaciones de comercio electrónico. Para ello se ha creado una iniciativa “Rule Markup Initiative” que ha diseñado el lenguaje RuleML, basado en XML y que por lo tanto está pensado desde su concepción para garantizar la interoperabilidad necesaria en el web.
  • 8. Unidad III Representación del Conocimiento y razonamiento. Inteligencia Artificial P á g i n a 8 | 22 3.2. Mapas conceptuales. Los mapas conceptuales son instrumentos de representación del conocimiento sencillo y práctico, que permiten transmitir con claridad mensajes conceptuales complejos y facilitar tanto el aprendizaje como la enseñanza. Para mayor abundamiento, adoptan la forma de grafos. En Inteligencia Artificial, Quillian desarrolló una forma de mapa conceptual que se denominó redes semánticas y que se usa ampliamente para la representar el conocimiento formal. En lingüística, Graesser y Clark han desarrollado un análisis de formas de argumentación en el texto en forma de mapas conceptuales estructurados en ocho tipos de nodos y cuatro tipos de enlaces. En la historia de la ciencia, la dinámica de mapas conceptuales se ha usado también para representar los procesos de cambio conceptual de las revoluciones científicas y en filosofía de la ciencia, Toulmin desarrolló una teoría de argumentación científica basada en mapas conceptuales. También los mapas conceptuales han sido utilizados en la educación, el diseño de las organizaciones para la toma de decisiones, la adquisición de conocimiento especializado, los sistemas sociales, la toma de decisiones políticas, etc. Un mapa conceptual es una técnica sencilla que permite representar el conocimiento de forma gráfica como redes conceptuales compuestas por nodos que representan los conceptos, y enlaces, que representan las relaciones entre los conceptos.
  • 9. Unidad III Representación del Conocimiento y razonamiento. Inteligencia Artificial P á g i n a 9 | 22 3.3. Redes semánticas. Una red semántica es un grafo, donde los vértices representan conceptos y los arcos representan relaciones entre los conceptos. Las redes semánticas a nivel de ontología se utilizan para representar vocabulario que es esencialmente muy valioso para los seres humanos. Ejemplo: represente mediante una red semántica la frase “un gato es un animal” Y podría incluir otra frase, “Garfield es un gato Las redes semánticas están basadas en la idea que los objetos o los conceptos pueden ser unidos por alguna relación. Estas relaciones se representan usando una liga que conecte dos conceptos. Los nodos y las ligas pueden ser cualquier cosa, dependiendo de la situación a modelar. Las redes semánticas fueron originalmente desarrolladas para representar el significado o semántica de oraciones en inglés, en términos de objetos y relaciones.
  • 10. Unidad III Representación del Conocimiento y razonamiento. Inteligencia Artificial P á g i n a 10 | 22 Desventajas de las redes semánticas No existe una interpretación normalizada para el conocimiento expresado por la red. La interpretación de la red depende exclusivamente de los programas que manipulan la misma. La dificultad de interpretación a menudo puede derivar en inferencias inválidas del conocimiento contenido en la red. La exploración de una red asociativa puede derivar en una explosión combinatoria del número de relaciones que deben ser examinadas para comprobar una relación, sobre todo si la respuesta a una consulta es negativa. No hay manera de insertar alguna regla heurística para explorar la red de manera eficiente. Ventajas de las redes semánticas Permiten la declaración de importantes asociaciones en forma explícita. Debido a que los nodos relacionados están directamente conectados, y no se expresan las relaciones en una gran base de datos, el tiempo que toma el proceso de búsqueda por hechos particulares puede ser significativamente reducido.
  • 11. Unidad III Representación del Conocimiento y razonamiento. Inteligencia Artificial P á g i n a 11 | 22 3.4. Lógica de predicados. Es una herramienta para estudiar el comportamiento de un sistema lógico. Además proporciona un criterio para determinar si un sistema lógico es absurdo o inconsistente. Sistema simbólico: Lenguaje y fórmulas lógicas. Sintaxis Sistema LÓGICA Semántica Simbólica Proposiciones Representación en lenguaje cotidiano que debe estar libre de vaguedades. Atómicas simples (sin términos de enlace) Proposiciones Moleculares unión de prop. Atómicas Conexiones lógicas y Términos de enlace Palabras de enlace que unen proposiciones atómicas para formar proposiciones moleculares. Término Significado Símbolo AND “Y” & OR “O” V NOT “No” ⌐ IF “Sí..entonces”
  • 12. Unidad III Representación del Conocimiento y razonamiento. Inteligencia Artificial P á g i n a 12 | 22 Simbolización de proposiciones Uso de variables para representar proposiciones. P = "Se cerró el circuito" Q = "Operó la marcha" P & Q = "Se cerró el circuito y operó la marcha" ¬Q = "No operó la marcha" Jerarquía de aplicación Menor jerarquía &, V ¬ Mayor jerarquía 3.4.1. Sintaxis. Elementos  Términos: Representan objetos del dominio.  Constantes: Representan un objeto individual en concreto  notación: cadenas de caracteres, comienzan en mayúsculas  Ejemplos: Juan; Mi coche;…
  • 13. Unidad III Representación del Conocimiento y razonamiento. Inteligencia Artificial P á g i n a 13 | 22  Funciones: Representan (implícitamente) un objeto individual que está relacionado con los n objetos que participan en la función  notación: símbolo de función (cadena, comienza con Mays.) con aridad n + n argumentos (términos) entre paréntesis  Ejemplos: Padre de (Juan); Hijo de (Pedro; Ana); Coseno (45)…  Variables: Representan objetos sin indicar cuales  Uso:  notación: cadenas de caracteres en minúsculas  Ejemplos: x; y; padre; hijo;…  Predicados: Representan una propiedad de un término (si aridad 1) o relaciones entre k términos (si aridad k > 1)  notación: cadenas de caracteres + k términos (variables, constantes, funciones) entre paréntesis  Átomos: formulas bien formadas (f. b. f.) compuestas por un único predicado  Literales: Átomo o negación de un átomo.  Ejemplos: Asesina (Juan; x); Es_alto (Juan); Vive_con (Juan; Padre_de (Juan));… 3.4.2. Semántica. Representamos un mundo donde hay: Referirse a un objeto específico no identificado. Referirse a un conjunto de objetos
  • 14. Unidad III Representación del Conocimiento y razonamiento. Inteligencia Artificial P á g i n a 14 | 22  Un n° infinito de objetos individuales representados por símbolos de constantes y variables o Pueden ser entidades concretas (personas, cosas) o abstractas(números, eventos)  Un n° infinito de objetos de nidos en función de otros objetos, representados por símbolos de función  Relaciones entre los objetos del dominio, representadas por símbolos de predicado o Si la aridad es 1, se habla de propiedades de objetos INTERPRETACIONES: Una interpretación establece las relaciones anteriores entre los símbolos de la lógica y los elementos del mundo real  asocia a las constantes objetos del mundo  asocia a las funciones relaciones funcionales entre objetos  asocia a los predicados relaciones entre objetos Más compleja que en lógica de proposiciones Dominio de una interpretación: Conjunto de objetos del mundo que se manejan en una interpretación Formalmente: Dada una conceptualización formada por: U: universo de discurso (conj. de individuos/objetos) R: conj. Finito de relaciones entre objetos de U F: conj. Finito de funciones que asocian a 1 objetos de U con 1 o más objetos de U 3.4.3. Validez.  Un predicado con variables libres no es verdadero ni falso, hasta que se asignen valores para dichas variables.
  • 15. Unidad III Representación del Conocimiento y razonamiento. Inteligencia Artificial P á g i n a 15 | 22  Algunos de ellos serán siempre verdaderos independientemente de los valores que se escojan: estos son predicados válidos.  Un predicado que es verdadero o falso dependiendo de los valores elegidos se dice que es satisfacible.  Un predicado que es siempre falso se dice que es no satisfacible. 3.4.4. Inferencia. Reglas de inferencia  Modus Ponendo Ponens  Modus Tollendo Tollens  Modus Tollendo Ponens  Doble negación
  • 16. Unidad III Representación del Conocimiento y razonamiento. Inteligencia Artificial P á g i n a 16 | 22  Regla de adjunción Regla de Simplificacion  Ley de adición  Ley de simplificación disyuntiva  Ley del silogismo hipotético  Ley del silogismo disyuntivo
  • 17. Unidad III Representación del Conocimiento y razonamiento. Inteligencia Artificial P á g i n a 17 | 22  Leyes de Morgan Reglas de operación 1.- Cambiar & por V, o viceversa 2.- Negar cada proposición 3.- Negar la proposición completa 3.5. Razonamiento con incertidumbre. En situaciones reales, no siempre es posible contar con toda la información. Inclusive la información disponible puede ser incorrecta, incompleta o cambiar muy rápidamente. Todo esto da lugar a diferentes formas de inconsistencias e incertidumbre. Diversos métodos han sido desarrollados para evaluar los grados de certeza o de verdad de las conclusiones. Uno de los más generalizados consiste en asignar coeficiente de certeza o de confianza a los hechos que intervienen en las en las condiciones y en la conclusión de una regla. Todos los mecanismos de representación de conocimiento vistos están basados en lógica bajo estos supuestos: • Todo hecho sobre el que razonemos debe ser evaluado como cierto o falso. • Para poder razonar necesitamos tener todos los hechos a nuestra disposición. Pero en las prácticas nos encontramos con estos problemas:
  • 18. Unidad III Representación del Conocimiento y razonamiento. Inteligencia Artificial P á g i n a 18 | 22 • Representar el conocimiento para cubrir todos los hechos que son relevantes para un problema es difícil. • Existen dominios en los que se desconocen todos los hechos necesarios para resolver el problema. • Existen problemas en los que aun teniendo las reglas para resolverlos no disponemos de toda la información necesaria o no tenemos confianza absoluta en ellas. • En otros problemas las reglas no se aplican siempre o su confianza cambia con la confianza que tenemos en los hechos. 3.5.1. Aprendizaje. Máquina que aprende: Sistema organizado que transforma un mensaje de entrada en uno de salida, de acuerdo con el principio de Transformación. Si tal principio está sujeto a cierto criterio de validez, el método de transformación se ajusta a fin de que tienda a mejorar el funcionamiento; se dice que el sistema aprende. Aprendizaje animal: Cuando los organismos se ajustan o adaptan al conjunto de estímulos que provienen del entorno; reciben la información y la almacena con el fin de reutilizarla en situaciones o patrones de estímulos semejantes. La Organización (o reorganización) de la propia conducta (ante una situación o un patrón de estímulos) como resultado de una experiencia individual. Todos los estímulos a los que un individuo responde es un cierto contexto pueden no ser efectivos para producir una conducta de aprendizaje en otros contextos.
  • 19. Unidad III Representación del Conocimiento y razonamiento. Inteligencia Artificial P á g i n a 19 | 22 3.5.2. Razonamiento probabilístico. La técnica más antigua y mejor definida para manejar la incertidumbre es la Regla de Bayes, la misma que está basada en la teoría clásica de la probabilidad. Las hipótesis son más o menos probables dependiendo de las posibilidades de los hechos o evidencias que las sostiene. Las probabilidades se calculan en base a la fórmula general de la probabilidad condicionada de Bayes o algunas transformaciones de la misma. Surgen de la insuficiencia explicativa de los modelos normativos, que asumen que las personas asignan probabilidades de ocurrencia de un suceso basándose en su frecuencia relativa, o como asume la inferencia bayesiana, en las creencias y opiniones. 3.5.3. Lógicas multivaluadas. Se usa en matemáticas como procedimiento para buscar modelos no estándar; esto es esencialmente lo que hace para conseguir los modelos generales de Henkin para la lógica superior responsables de su teoría de completud. 3.5.4. Lógica difusa. También llamada lógica borrosa o heurística, se basa en lo relativo de lo observado como posición diferencial, este tipo de lógica toma dos valores aleatorios, pero contextualizados y referidos entre sí.
  • 20. Unidad III Representación del Conocimiento y razonamiento. Inteligencia Artificial P á g i n a 20 | 22 3.6. Demostración y métodos. Métodos deductivos de demostración: el método deductivo es un proceso que parte de un conocimiento general, y arriba a uno particular. La aplicación del método deductivo nos llevó a un conocimiento con grado de certeza absoluta y esta cimentado en preposiciones llamadas silogismos. Ejemplos: “Todas las mexicanas son bellas”, (este es el concepto general). ‘Luz Ortiz es mexicana’ Luego: ‘Luz Ortiz es bella’ En la lógica formal y sobre todo en el universo matemático, el proceso deductivo tiene un significado un poco diferente, pues está basado en axiomas, o preposiciones que son verdades por definición. Ejemplos de axiomas: “El todo es mayor que la parte” “Dos cosas iguales a una tercera son iguales entre sí” Al conjunto de Hipótesis + Demostración + Conclusión se denomina Teorema. El Método de resolución de Robinson. Es un intento por mecanizar el proceso de deducción natural de esa forma eficiente. Las demostraciones se consiguen utilizando de esa forma el método refutativo (deducción al absurdo), es decir lo que intentamos es encontrar contradicciones. Para probar una sentencia nos basta con demostrar que su negación nos lleva a una contradicción con las sentencias conocidas (es insatisfactible). Si la negación de una sentencia entra en contradicción con los hechos de nuestra base de
  • 21. Unidad III Representación del Conocimiento y razonamiento. Inteligencia Artificial P á g i n a 21 | 22 conocimiento es porque lo contrario, es decir, la sentencia original era verdadera y se puede deducir lógicamente de las sentencias que componen dicha base de conocimientos. Ejemplo: • Lloverá O habrá un examen. • David es Darth Vader O no lloverá. • David no es Darth Vader. • Habrá un examen? Solución: • Lluvia = a , Examen = b, David es Vader = c • Base de Conocimiento (todas son ciertas): a V b, c V ¬ a, ¬ c • Por Resolución sabemos que b V c es cierta. • Por Resolución Unidad sabemos que b es cierta.
  • 22. Unidad III Representación del Conocimiento y razonamiento. Inteligencia Artificial P á g i n a 22 | 22 Fuentes Bibliográficas.  Alejandro Peña Ayala, Sistemas basados en conocimiento: Una base para su concepción y desarrollo, Instituto Politécnico Nacional.  Dr. Wladimir Rodríguez, Postgrado en Computación, Inteligencia Artificial clase #6 Representación del conocimiento.  Francisco Jose Ribadas Pena, Informática, INTELIGENCIA ARTIFICIAL, Representación del Conocimiento, 13 de noviembre de 2009.  Wendy B. Rauch-Hindin, Aplicaciones de la Inteligencia Artificial en la actividad empresarial, la ciencia y la industria, ediciones Díaz de santos, 1989. Fuentes consultadas:  http://www.rvazquez.org/Misitio/ia2010_files/unidad3ia.pdf  http://iaplan2010.esy.es/unidad-3/3-2-mapas-conceptuales/  http://iaplan2010.esy.es/unidad-3/3-3-redes-semanticas/