Semana 1:

Inteligencia?

La capacidad de uno para la lgica, la comprensin, la comunicacin, el aprendizaje, la

memoria, la resolucin de problemas, etc.

Inteligencia artificial?

Inteligencia exhibida por mquinas o software.

El estudio y diseo de agentes inteligentes.

La ciencia y la ingeniera de hacer mquinas inteligentes

Tomando ideas de diferentes campos

Ingeniera, biologa, psicologa, teora de la comunicacin, matemticas, estadstica, lgica y

filosofa.

Robots AI que reemplazan a los humanos?

Sustitucin de agentes de mesa de ayuda, doctores, maestros, periodistas, trabajadores de

manufactura, soldados, etc.?

AI es malo para la humanidad?

Impacto en la economa, la seguridad, la moral y la tica.

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

En aprendizaje no supervisado, no hay etiqueta ni valor objetivo para los datos.

El problema del Aprendizaje No Supervisado es tratar de encontrar la estructura oculta en los

datos no etiquetados.

Aprendizaje reforzado

El curso correcto de las acciones no se conoce y el agente debe aprender el buen

comportamiento a travs de prueba y error interactuando directamente con el dominio.

Paper 1S1: Breve historia de la inteligencia artificial

En esta breve historia, los comienzos de la inteligencia artificial se remontan a la filosofa, la

ficcin y la imaginacin. Los primeros inventos en electrnica, ingeniera y muchas otras
disciplinas han influido en AI. Algunos hitos tempranos incluyen el trabajo en la resolucin de
problemas que incluye trabajo bsico en aprendizaje, representacin de conocimiento e
inferencia, as como programas de demostracin en comprensin del lenguaje, traduccin,
prueba de teoremas, memoria asociativa y sistemas basados en conocimiento. El artculo
termina con un breve examen de las organizaciones influyentes y los problemas actuales que
enfrenta el campo.

Paper 2S1:

Un sistema experto basado en el conocimiento usa el conocimiento humano para resolver

problemas que normalmente requeriran inteligencia humana.

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.

Semana 2: Sistema Experto

El rea aplicada ms importante de AI es el campo de los sistemas expertos. Un sistema

experto (ES) es un sistema basado en el conocimiento que emplea conocimiento sobre su
dominio de aplicacin y utiliza un procedimiento de inferencia (razn) para resolver problemas
que de otro modo requeriran competencia o experiencia humana.

El poder de los sistemas expertos se basa principalmente en el conocimiento especfico sobre

un dominio restringido almacenado en la base de conocimientos del sistema experto.

Los sistemas expertos son asistentes para los tomadores de decisiones y no los sustituyen.

Caractersticas de los sistemas expertos

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.

Una caracterstica nica de un sistema experto es su capacidad de explicacin. Permite que

el sistema experto revise su propio razonamiento y explique sus decisiones.

Proceso de inferencia

Encadenamiento hacia adelante

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.

Comnmente se usa para resolver problemas ms abiertos.

Encadenamiento hacia atrs

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

Arquitectura de un sistema experto

Base de conocimiento: contiene el conocimiento necesario para comprender, formular y

resolver.

Problemas

Reglas de inferencia: es un cerebro del sistema experto. Utiliza la estructura de control

(intrprete de reglas) y proporciona una metodologa para razonar
Arboles de decisin

Paper 1S2: SISTEMAS FUZZY BASIC LOGIC EN APLICACIONES DE GESTIN Y EMPRESAS

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.

La lgica difusa es una aproximacin a la computacin basada en "grados de verdad" en lugar

de la lgica booleana "verdadera o falsa" (1 o 0) en la que se basa la computadora moderna. La
idea de la lgica difusa fue adelantada por primera vez por el Dr. Lotfi Zadeh de la Universidad
de California en Berkeley en la dcada de 1960. El Dr. Zadeh estaba trabajando en el problema
de la comprensin informtica del lenguaje natural. El lenguaje natural (como la mayora de las
otras actividades en la vida y, de hecho, el universo) no se traduce fcilmente a los trminos
absolutos de 0 y 1. (Si todo es descriptible en trminos binarios, es una pregunta filosfica que
vale la pena seguir, pero en la prctica, muchos datos podramos quiere alimentar a una
computadora est en algn estado intermedio y as, con frecuencia, son los resultados de la
informtica).

Paper 2S2: Aprendizaje automtico supervisado: una revisin de las tcnicas de clasificacin

El aprendizaje automtico supervisado es la bsqueda de algoritmos que razonan desde

instancias suministradas externamente para generar hiptesis generales, que luego hacen
predicciones sobre instancias futuras. En otras palabras, el objetivo del aprendizaje
supervisado es construir un modelo conciso de la distribucin de etiquetas de clase en
trminos de caractersticas de predictor. El clasificador resultante se usa para asignar etiquetas
de clase a las instancias de prueba donde se conocen los valores de las caractersticas del
predictor, pero se desconoce el valor de la etiqueta de clase. Este documento describe varias
tcnicas supervisadas de clasificacin de aprendizaje automtico. Por supuesto, un solo
artculo no puede ser una revisin completa de todos los algoritmos supervisados de
clasificacin de aprendizaje automtico (tambin conocidos algoritmos de clasificacin de
induccin), sin embargo, esperamos que las referencias citadas cubran los principales
problemas tericos, guiando al investigador en direcciones interesantes de investigacin y
sugiriendo posibles combinaciones de sesgo que an no se han explorado.

Semana 3: Machine Learning

Un campo de estudio que le da a las computadoras la capacidad de aprender sin ser

programado explcitamente.

Se dice que un programa de computadora aprende de la experiencia E con respecto a una

clase de tareas T y el rendimiento mide P, si su desempeo en las tareas en T, medido por P,
mejora con la experiencia E (Tom M. Mitchell).

El aprendizaje automtico se encuentra en la interseccin de la informtica, la ingeniera y

las estadsticas, y con frecuencia aparece en otras disciplinas.

Se puede aplicar a muchos campos, desde la poltica hasta la Medicina.

Aprendizaje supervisado

La tarea de aprendizaje automtico consiste en deducir una funcin de los datos de

entrenamiento etiquetados?

Le decimos al algoritmo qu predecir.

Datos

Datos de entrenamiento

El conjunto de entrenamiento es un conjunto de ejemplos de entrenamiento para entrenar

algoritmos de aprendizaje automtico.

Variable de destino se conocen.

Aprende al encontrar alguna relacin entre las caractersticas y la variable de destino.

Equipo de prueba

Datos utilizados para validar el algoritmo

Aprendizaje sin supervisin

En aprendizaje no supervisado, no hay etiqueta ni valor objetivo para los datos.

El problema del Aprendizaje No Supervisado es tratar de encontrar la estructura oculta en los

datos no etiquetados.

No hay seal de error o recompensa para evaluar una posible solucin.

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:

Solucin del problema de IA: Definicin del problema y proceso de solucin

Definicin precisa del problema en trminos de especificaciones para diferentes situaciones

durante el proceso de solucin.

Elija una tcnica de solucin adecuada, el problema debe analizarse para comprender sus
caractersticas importantes y su influencia en las diferentes tcnicas de solucin.

El conocimiento tiene que estar representado correctamente, que se puede acceder y

manipular fcilmente durante la resolucin de problemas.

Elija la estrategia de control ms adecuada y aplquela para resolver el problema para

situaciones determinadas.

Tcnicas de bsqueda

El ncleo de cualquier programa AI es la bsqueda a travs del conocimiento.

Los problemas tpicos de AI pueden tener soluciones en dos formas:

Estado que satisface los requisitos

Ruta que especifica la forma en que uno tiene que atravesar para obtener una solucin

Una buena tcnica de bsqueda debe tener los siguientes requisitos:

Una tcnica de bsqueda debe ser sistemtica

Una tcnica de bsqueda debe hacer cambios en la base de datos

Breadth-First Search (BFS)

Estado inicial: PDFG

Estado objetivo: DGPF

 Las evaluaciones se llevan a cabo en profundidad.

La evaluacin 14 da el estado del objetivo.

Depth-First Search (DFS)

Estado inicial: PDFG

Estado objetivo: DGPF

El primer estado debajo del nivel actual se genera y se evala recursivamente

La evaluacin 11 da el estado del objetivo.

Bsqueda heurstica

Generalmente guan el proceso de bsqueda hacia la regin donde se encuentran las

soluciones aceptables

Depende del problema resuelto

Estado inicial: PDFG

Estado objetivo: DGPF

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

Utilizando el problema anterior y los criterios de seleccin cuantificados:

100 por cada buena posicin

Adems de 100 para obtener la posicin correcta despus del cambio.

Best-First Search (algoritmo A *)

Best-first search explora un grfico expandiendo el nodo ms prometedor elegido de acuerdo

con una regla especificada.

Bsqueda de rbol binario (BTS)

 BTS es un rbol binario donde cada nodo tiene una clave comparable y satisface la restriccin
de que la clave en cualquier nodo es mayor que las claves en todos los nodos en el subrbol
izquierdo de ese nodo y ms pequea que las claves en todos los nodos en el subrbol derecho
de ese nodo.

Bsqueda de rbol binario (BTS): bsqueda

Bsqueda de rbol binario (BTS): Insertar

Bsqueda de rbol binario (BTS): Eliminar

Semana 5: Arboles de decisin

rboles de decisin

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.

Dos tipos principales:

El anlisis de rbol de clasificacin es cuando el resultado pronosticado es la clase a la que

pertenecen los datos.

El anlisis del rbol de regresin es cuando el resultado predicho puede considerarse un

nmero real.

Se utiliza en muchas industrias: instituciones financieras, vendedores, campo mdico y otros.

Ventaja: es fcil de leer. Desventaja: puede crear modelos complejos dependiendo de los
datos.

Cmo funcionan los rboles de decisin

Los rboles estn compuestos por nodos y bordes

Cada nodo est asociado con una variable de entrada

El borde es el valor total posible de ese nodo.

Una hoja representa el valor basado en los valores dados de la variable de entrada

Construyendo un rbol de decisiones: Ejemplo

Ejemplo: Historial de compras del usuario:

El cliente tiene una cuenta?

El cliente ley reseas de productos anteriores?

El cliente es un cliente que regresa?

El cliente compr el producto?

Semana 6: Red Bayesiana

Red Bayesiana

Puede ser referido como modelo grfico acclico dirigido probabilstico (DAG), Bayes
Network, Belief Network o Bayesian Model.

Sobre la base de un conjunto de variables conectadas, es posible predecir resultados basados

en probabilidades. El valor resultante de una variable influir en la probabilidad de salida de
otra, de ah el uso de nodos en red.

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:

Preguntas como: Est mojado mi jardn?

Tres nodos: lluvia, YardWet, manguera

Dos eventos que provocan que el patio est hmedo.

Y = Yard wet (True o False)

R = Lloviendo (verdadero o falso)

H = Alguien que usa la manguera (Verdadero o Falso)

p (Y, R, H) = p (Y | R, H) p (H | R) p (R)

Cul es la probabilidad de que llueva cuando el patio est hmedo?

Clculo de resultados

Dado que el patio est hmedo, cul es la probabilidad de que llueva?

Entonces, YardWet (Verdadero) y Lluvia (Verdadero), manguera? (Verdadero o falso).

Probabilidad:

Ejemplo: Myelophaty espondiltico cervical (CSM)

La mielopata espondiltica cervical (CSM) es una enfermedad de la columna vertebral y es

una de las disfunciones de la mdula espinal ms comunes en pacientes mayores de 55 aos.
Los sntomas incluyen alteraciones del paso que conducen a problemas para caminar, y
debilidad en general. Los procedimientos quirrgicos estn disponibles y se realizan cuando el
CSM progresa a sntomas leves o graves.

Nodos:

Edad del paciente (A)

Fuma el paciente (S)

Duracin de los sntomas (D)

Exito de resultado quirrgico (SS)

Aprendiendo la red bayesiana a partir de datos: Algoritmo K2

K2 es un algoritmo para construir Bayes Network a partir de datos

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

Entrada: un conjunto de nodos, un ordenamiento en los nodos, un lmite superior u sobre el

nmero de padres que puede tener un nodo, y una base de datos D que contiene m casos.
Salida: para cada nodo, una impresin de los padres del nodo

Pasos:

Paso 1: Grafo inicial sin arcos.

Paso 2: Eleccin de un arco para agregar al grafo.

Paso 2.1: Calcula la probabilidad de la nueva red con un arco nuevo en cada caso.

Paso 2.2: elija el arco que da probabilidad mayor.

Paso 3: Si el arco nuevo aumenta la probabilidad de la nueva red, se agrega y se va al paso 2,

en caso contrario Fin, esa es la red

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).

Red neuronal artificial

El modelo matemtico

La neurona aplico la funcin de activacin a todas las entradas x1 ... xj ... xn

Red Neuronal Artificial en Weka

Ir a clasificar

Haga clic en Elija

Seleccionar funciones -> MultilayerPerceptron

Opciones de seleccin del clasificador

Seleccione las opciones para el clasificador

GUI: cierto

HiddenLayer:

a: (atributo + clases) / 2

i: atributos

o: clases

t: atributos + clases

Autobuild

Tiempo de entrenamiento