Академический Документы
Профессиональный Документы
Культура Документы
Inteligencia?
Inteligencia artificial?
Robtica en la nube
Acceso a los datos de cualquier robot, la computacin puede crecer, los robots pueden
hablar entre s, compartir software (algoritmos).
Aprendiendo en AI
Aprendizaje supervisado
Los agentes tienen acceso para corregir los datos de prueba o ejemplos que deben
aprenderse. Los agentes pueden aprender de los errores entre sus decisiones y las decisiones
correctas.
Aprendizaje no supervisado
Aprendizaje reforzado
Paper 2S1:
Los sistemas expertos estn diseados para transportar la inteligencia y la informacin que se
encuentran en el intelecto de los expertos y proporcionar este conocimiento a otros miembros
de la organizacin para la resolucin de problemas. Con la creciente importancia de la gestin
de recursos humanos y el aumento del tamao de las organizaciones, el mantenimiento de los
datos relacionados con los empleados y la generacin de informes apropiados son los aspectos
cruciales de cualquier organizacin.
Por lo tanto, cada vez ms organizaciones estn adoptando sistemas de gestin de recursos
humanos basados en computadora (HRMS). Este artculo explica la arquitectura, las tcnicas
de representacin del conocimiento y las reas de aplicacin del sistema experto basado en el
conocimiento en Recursos Humanos.
Los sistemas expertos son asistentes para los tomadores de decisiones y no los sustituyen.
El sistema experto proporciona el rendimiento de alta calidad que resuelve los programas
difciles en un dominio tan bueno o mejor que los expertos humanos.
Expert System posee grandes cantidades de conocimiento especfico del dominio para los
detalles minuciosos.
Los sistemas expertos aplican heursticas para guiar el razonamiento y as reducir el rea de
bsqueda de una solucin.
Proceso de inferencia
Es una estrategia impulsada por datos. El proceso de inferencia se mueve de los hechos del
caso a un objetivo (conclusin). El motor de inferencia intenta hacer coincidir la parte de
condicin (IF) de cada regla en la base de conocimiento con los hechos actualmente
disponibles en la memoria de trabajo. Si varias reglas coinciden, se invoca un procedimiento de
resolucin de conflictos; por ejemplo, se dispara la regla con el nmero ms bajo que agrega
nueva informacin a la memoria de trabajo. La conclusin de la regla de disparo se agrega a la
memoria de trabajo.
El motor de inferencia intenta hacer coincidir la conclusin supuesta (hipottica) -el objetivo o
el estado sub-objetivo- con la conclusin (ENTONCES) de la parte de la regla. Si se encuentra
tal regla, su premisa se convierte en el nuevo subgoal. En un sistema experto con pocos
estados de metas posibles, esta es una buena estrategia a seguir.
Es el ms adecuado para aplicaciones en las que las posibles conclusiones son limitadas en
nmero y bien definidas. Ejemplo: sistemas de clasificacin o tipo de diagnstico
Problemas
En este artculo, explicamos algunos conceptos de sistemas expertos de lgica difusa y sus
aplicaciones en el proceso empresarial y de gestin. Tambin resumir algunas caractersticas
de la lgica difusa con la ayuda de algunos ejemplos en tiempo real que se basa en
aplicaciones de lgica difusa.
Paper 2S2: Aprendizaje automtico supervisado: una revisin de las tcnicas de clasificacin
Aprendizaje supervisado
Datos
Datos de entrenamiento
Algunas tareas:
Clustering: una tarea en la que agrupamos elementos similares juntos o dividiendo un gran
conjunto de datos en conjuntos de datos ms pequeos de cierta similitud
Semana 4:
Elija una tcnica de solucin adecuada, el problema debe analizarse para comprender sus
caractersticas importantes y su influencia en las diferentes tcnicas de solucin.
Tcnicas de bsqueda
Ruta que especifica la forma en que uno tiene que atravesar para obtener una solucin
Bsqueda heurstica
Cuando se combina una simple heurstica con BFS, la eficiencia de la bsqueda mejor,
resultando solo 7 evaluaciones para alcanzar la meta.
La mejor bsqueda primero
El objetivo con cualquier rbol de decisin es crear un modelo viable que prediga el valor de
una variable de destino en funcin del conjunto de variables de entrada.
Ventaja: es fcil de leer. Desventaja: puede crear modelos complejos dependiendo de los
datos.
Una hoja representa el valor basado en los valores dados de la variable de entrada
Red Bayesiana
Puede ser referido como modelo grfico acclico dirigido probabilstico (DAG), Bayes
Network, Belief Network o Bayesian Model.
Una red bayesiana logra combinar la teora de la probabilidad con la teora de grficos y
proporciona un mtodo muy til para abordar la complejidad y la incertidumbre.
Un ejemplo:
p (Y, R, H) = p (Y | R, H) p (H | R) p (R)
Probabilidad:
Nodos:
El problema que soluciona K2 es el de encontrar una red bayesiana (modelo) a partir de una
base de datos D, que contiene un conjunto de variables denominado Z, Bsi y Bsj que son dos
modelos de red bayesiana que contienen exactamente las mismas variables que estn en Z.
Algoritmo K2
Pasos:
Paso 2.1: Calcula la probabilidad de la nueva red con un arco nuevo en cada caso.
Setting parameters
initAsNaiveBayes: Cuando se establece en True ser una red con una flecha desde el nodo de
clasificador a cada nodo. Cuando se establece en falso, la estructura inicial corresponder a
una red vaca.
markovBlanketClassier: Cuando se establece en true se asegura que todos los nodos de la red
forman parte de la manta de Markov (Markov Blanket) del nodo de clasificador.
maxNrOfParents: Establece el nmero mximo de padres que un nodo podr tener en la red
bayesiana. Cuando se establece en 2, ser una red de bayes aumentada a rbol (TAN), y
cuando se establece >2, una red de bayes aumentada de red (BAN).
El modelo matemtico
Ir a clasificar
GUI: cierto
HiddenLayer:
a: (atributo + clases) / 2
i: atributos
o: clases
t: atributos + clases
Autobuild
Tiempo de entrenamiento