You are on page 1of 37

Comparativa de Sistema Experto

Basado en Redes Neuronales,


en Reglas y Probabilidades.

Docente: Huarote Zegarra Raúl.


Temas a tratar
- Inteligencia Artificial.
-Sistemas Expertos basado en reglas (IA).
-Ventajas.
-Desventajas
-Conocimiento
-Representación del conocimiento.
-Grafo AND - OR.
-Arquitectura de un sistema experto.
-Software para este caso
- Redes Neuronales ( IA ).
-Objetivos.
- Comparativas.
-Tipos de redes neuronales
-Funcionamiento de la red neuronal
-Software para este caso
- Sistema experto basado en reglas
-Teorema de Bayes.
-Representación de un caso particular usando teorema de bayes

-Comparación en cada uno de ellos.


- Mostrar un sistema de ejemplo para cada uno de los casos.
Inteligencia Artificial
 Es la parte de la ciencia que se ocupa
del diseño de los sistemas
computacionales inteligentes. Es decir
sistemas que exhiben las características que
asociamos a la inteligencia en el
comportamiento humano que se refiere a la
comprensión del lenguaje, el aprendizaje, el
razonamiento, la resolución de los
problemas entre otros.
Inteligencia Artificial

 Es una ciencia que intenta la creación


de programas para máquinas, que
imiten el comportamiento y la
comprensión humana.
Sistema experto basado en reglas
Robótica
IA Sistemas
Expertos
Visión
computacional Algoritmos
Procesamiento Redes Lógica Genéticos
del lenguaje Neuronales Difusa
natural

Programa de computadora, inteligente,


que usa el conocimiento y
procedimientos de inferencia para
resolver problemas que son
suficientemente difíciles como para
requerir significativa experiencia
humana para su solución. Trabaja
sobre un dominio especifico.
Ventajas
-Representan y utilizan conocimiento.
-Capacidad de razonar.
-Muestra el mismo comportamiento que el
experto humano.

-Mayor disponibilidad
-Costo reducido
-Peligro reducido
-Permanencia
-Experiencia múltiple
-Mayor confiabilidad
-Explicación
-Respuestas rápidas.
-Respuestas solidas.
Desventajas

-No tienen sentido común.


-No es creativo.
-No percibe detalles adicionales.
Conocimiento

Información adquirida por la experiencia y


relacionada el cual podemos inferir y
generar nuevos conocimientos
Representación del conocimiento.
Inferencia:-
Un argumento por ejemplo es una inferencia, donde las premisas
son los datos o expresiones conocidas y de ellas se desprende una
conclusión
Si premisa entonces conclusiones.
Ejemplo de representación procedimental:
Si (A1 = B1) y A2 mayor B2 Entonces X:=A1 + A2

Donde A1 =B1 son y A2 mayor B2 son comparaciones que


tomaran el valor verdadero o falso.

Ósea Si P1 y P2 Entonces C
Donde P1 y P2 son valores lógicos (daría verdadero o falso)
Como Almacena el conocimiento?

Se puede almacenar el conocimiento en


representación booleana

Valores para cada caso


A=00 11
B=0101
A entonces B
1101
Grafo AND / OR

Osteoporosis

AND
OR
Dolor de huesos

Camina cojeando Pérdida de equilibrio

Si tiene dolor de huesos y le suceda que camina


cojeando o tiene pérdida de equilibrio, entonces tiene
Osteoporosis
Hechos: Dolor de huesos, canina cojeando, pérdida de equilibrio. Operadores : AND , OR, Entonces
Arquitectura de un S.E.
 Mostramos el Software que
presenta para este caso.
Sistema experto basado en redes neuronales
Robótica
IA Sistemas
Expertos
Visión
computacional Algoritmos
Procesamiento Redes Lógica Genéticos
del lenguaje Neuronales Difusa
natural

Sistemas que pueden actuar de la misma


forma que funciona en cerebro
humano, o simularlo.
Las Redes Neuronales pueden procesar
muchas piezas de información y
aprender a reconocer patrones.
Aprendiendo por ensayo error.
Objetivos de la red neuronal
 Conseguir que las máquinas den
respuestas similares a las que es
capaz de dar el cerebro que se
caracterizan por su generalización y
su robustez, en el proceso de
aprendizaje.
Modelo biológico de neurona
El ser humano
posee
aproximadamente
cien mil millones
de neuronas.
Representación del modelo
biológico con el modelo artificial
Proceso de
Núcleo
sumatoria
Dendritas (conexión
Recibe los nuevos
con otras neuronas -
pesos sinápticos
Receptoras)

Función de
Axón
transferencia
Sinapsis (conexión con
Sinapsis (conexión
otras neuronas –
con otras neuronas)
Emisora)
Modelo artificial de la neurona

Reajuste de pesos:
Función de activación: ∆ wij (t) = wij(t-1)+2 e (Ti) xj ; donde:
∆ wij (t) = peso nuevo
wij (t-1) = peso actual
e = factor de aprendizaje
Yi = salida deseada.
xj = entrada actual.
Tipos de redes neuronales
 Perceptrón Simple.
 Red HopFiled
 Perceptrón Multicapa
 Kohonen ( Redes autoorganizativas SOM)
 Otros.
Back Propagation
 Es un algoritmo de aprendizaje supervisado
que se usan para entrenar redes neuronales
artificiales.
 Consiste en minimizar un error (
comúnmente cuadrático ) por medio de
descenso de gradiente. Por lo que la
parte esencial del algoritmo es el cálculo de
las derivadas parciales de dicho error con
respecto a los parámetros de la neurona.
Back Propagation

Patrones de entrada
Back Propagation
 Valor neto obtenido como peso ponderado
que son previos a la entrada de la capa
oculta.

 Valor operado con la función de


transferencia de la capa oculta obtenido
para la entrada a la capa oculta.
Back Propagation
 Valor neto obtenido como peso ponderado
que son previos a la entrada de la capa
salida.

 Valor operado con la función de


transferencia obtenido para la entrada a la
capa oculta.

Back Propagation
 Calculo del error en cada unidad de salida.
:Valor obtenido

:Valor deseado

 Error medio cuadrático.

 Error total en el proceso de aprendizaje en una iteración


luego de haber presentado los r patrones de
entrenamiento.
Back Propagation
 Actualización de pesos de la capa oculta.
:Nuevo peso

:Peso Actual
:Razón
:Patrones de
:Sensitividad
entrada
Capa oculta

 Actualización de pesos de la capa de salida.


:Nuevo peso

:Peso Actual

:Razón
:Sensitividad
Capa salida
Back Propagation
 Función de transferencia.
 Sepuede resolver problemas
de tipo sistema experto
usando redes neuronales ?
 Para ello vamos tomamos el caso
del ejemplo anterior.
Patrones de entrada Salidas
Sintoma 1 Para cada conjunto
Sintoma 2 de P (valorado con
. 0 y 1 ) está
vinculado con una
Sintoma i
enfermedad Ex
.
Sintoma q
 Mostramos el Software que
presenta para este caso.
Sistema experto basado en probabilidades
La mayor parte de aplicaciones maneja la
incertidumbre .

Por ejemplo una pregunta típica de


diagnóstico médico: Dado que el paciente
presenta un conjunto de síntomas¿ cuál es
su enfermedad?
El conocimiento no es determinantico
puesto que la relación entre enfermedades
y síntomas no son deterministas, puesto
que un conjunto de síntomas puede estar
asociado a diferentes enfermedades.
Sistema experto basado en probabilidades

Probabilidad condicional ( Teorema de Bayes).


Sistema experto basado en probabilidades

Representación de un caso particular usando


Teorema de Bayes.
Sistema experto basado en probabilidades

Probabilidad condicional de todas las enfermedades ei


dado el conjunto de síntomas S1 =s1, S2 = s2.. Sk = sk
Sistema experto basado en probabilidades

Ejemplo de una base de datos con 10 pacientes para el


problema de diagnostico médico.
 Mostramos el Software que
presenta para este caso.
Sistema experto basado en probabilidades
Comparación entre sistemas expertos basados
en reglas, redes neuronales y probabilidades.
Basado en reglas Redes neuronales Probabilidades

Base de Objeto, reglas y Variables y Variables, sucesos(


conocimiento hechos sucesos. casos históricos )

Motor de Estrategias de Actualización de Probabilidad


inferencia inferencia. los pesos condicional.
sinápticos.
Subsistema de Basado en reglas Modelo y Probabilidad
explicación activas. características de condicional.
la red neuronal (
Back propagation )

Aprendizaje Cambio en objetos Entrenamiento de Cambio en modelo


y reglas. la red neuronal. probabilístico.
Actualización y/o
adición de
sucesos.
GRACIAS

Ing. Informático
raulhuarote@yahoo.es