UNIDAD 3: FASE 3 - REPRESENTACIÓN DEL CONOCIMIENTO EN IA

INGENIERÍA ARTIFICIAL

INTEGRANTES :
PILAR MERCEDES MENDOZA
JOHANNA MARCELA FERRO
NELSON ANDRES ALVAREZ
CARLOS JAVIER ARROYO

GRUPO : 90169_32

PRESENTADO A:
FERNANDO ROJAS

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

ESCUELA DE CIENCIAS BÁSICAS TECNOLOGÍA E INGENIERÍA
FECHA MAYO DE 2020
 INTRODUCCIÓN

Este trabajo permite la buena comprencion y elaboracion de los temas tratados

se adquiere un buen conocimiento intelectual y academico ya que la ingenieria
artificial mediante la representacion del conocimiento nos lleba a mejorar cada
dia en nuestro desarrollo profecional , y mediante el aprendisaje profundo se
logra incrementar ideas al conocimiento y desarrollo de valores y tecnicas que
juntas nos ayudan a obtener exelentes logros en nuestras vidas como
estudiantes o laboral.
 OBJETIVOS

 Lograr un buen conocimieento sobre formas de

representación del conocimiento en IA.

 Investigar y llevar a la práctica los conceptos y funciones

del aprendizaje profundo

 Investigar sobre aprendizaje automático y elaborar informe

Sobre prototipo, Etapa: Programación - Documentación
Actividades a desarrollar
1. Investigar sobre formas de representación del conocimiento en
IA.
2. Investigar sobre aprendizaje profundo
3. Investigar sobre aprendizaje automático
4. Entrega prototipo, Etapa: Programación - Documentación

Desarroyo

1. Investigar sobre formas de representación del

conocimiento en IA.
La representación del conocimiento y el racionamiento es una área de
la inteligencia artificial cuyo objetivo principal es representar el
conocimiento de una manera que facilite la inferencia (sacar
conclusiones) a partir de dicho conocimiento, analiza como pensar
formal mente como usar un sistema de símbolos para representar un
dominio del discurso, aquello de lo que se pueda hablar, junto con
funciones que que permitan inferir, realizar un racionamiento formal
sobre los objetos. General mente se usa un tipo de lógica para
proveer una semántica forma de como las funciones de
racionamientos se aplican a los símbolos del dominio del discurso,
además de proveer operadores como cuantificadores, operadores,
modales. Esto, junto aúna teoría de interpretación, dan significados
a las frases de la lógica
Metodologías:
Declarativas: Separación entre conocimiento y estructura de control
lógica expresiones declarativas y sistemas de producción.

Estructurales: Estructuración del conocimiento propiedades

inferenciales, herencia, transitividad asociatividad (redes semántica
frames).
Procedurales: Unión entre el conocimiento y la estructura de control
de orden dependiente (procedimientos y funciones)
Red Semántica: hasido muy utilizada en IA para representar el
conocimiento los elementos básicos es la estructura de datos en
nodos, que representan las relaciones entre los conceptos.
Tipos de Redes Semánticas

Redes IS –A

Grafos Conceptuales

Esquemas de Marcos
Frames: Son una estructura de datos que representa una situación
estereotipada las características principales son: precisión, activación
dinámica de procesos, herencia por defecto no monotonica y
modularidad.

2. Investigar sobre aprendizaje profundo

Su objetivo es desarrollar técnicas que permitan que las
computadoras aprendan

Aprendizaje Automático o Machine Learning

En la Inglaterra victoriana, alrededor de 1840 y 1850, Charles

Babbage invento el Motor Analítico: El primer computador mecánico
de propósito general. Este solo computaba operaciones de manera
mecánica con el fin de automatizar el cómputo de ciertas operaciones
en el campo del análisis matemático, de ahí su nombre Motor
analítico. Sin embargo, este motor analítico no tenía las pretensiones
de originar algo nuevo, solo podía hacer lo que se le ordenaba
computar, su único fin era para asistir a los matemáticos en algo que
ellos ya sabían hacer.

Luego en 1950, Alan Tuning, introdujo el test de Turing, y llego a la

conclusión de que computadores de propósito general podrían ser
capaces de “Aprender” y “ser originales”. El AA surgió entonces de
preguntas como:

¿Puede un computador ir más allá de lo que le ordenamos como

hacer y aprender por sí mismo como realizar una tarea específica?
¿Podría un computador sorprendernos? Y, en vez de programadores
especificando regla por regla como procesar datos, ¿podría un
computador automáticamente aprender esas reglas directamente de
los datos que le pasamos?
Tamvien se puede difinir el aprendizaje profundo como un un tema
que cada vez adquiere mayor relevancia en el campo de la
inteligencia artificial (IA). Siendo una subcategoría del aprendizaje
automático, el aprendizaje profundo trata del uso de redes
neuronales para mejorar cosas tales como el reconocimiento de voz,
la visión por ordenador y el procesamiento del lenguaje natural.
Rápidamente se está convirtiendo en uno de los campos más
solicitados en informática. En los últimos años, el aprendizaje
profundo ha ayudado a lograr avances en áreas tan diversas como la
percepción de objetos, la traducción automática y el reconocimiento
de voz (todas ellas áreas especialmente complejas para los
investigadores en IA).

3. Investigar sobre aprendizaje automático

El aprendizaje automático o aprendizaje automatizado o aprendizaje

de máquinas (del inglés, machine learning) es el subcampo de las
ciencias de la computación y una rama de la inteligencia artificial,
cuyo objetivo es desarrollar técnicas que permitan que las
computadoras aprendan. Se dice que un agente aprende cuando su
desempeño mejora con la experiencia; es decir, cuando la habilidad
no estaba presente en su genotipo o rasgos de nacimiento.1 De
forma más concreta, los investigadores del aprendizaje de máquinas
buscan algoritmos y heurísticas para convertir muestras de datos en
programas de computadora, sin tener que escribir los últimos
explícitamente. Los modelos o programas resultantes deben ser
capaces de generalizar comportamientos e inferencias para un
conjunto más amplio (potencialmente infinito) de datos.
En muchas ocasiones el campo de actuación del aprendizaje
automático se solapa con el de la estadística inferencial, ya que las
dos disciplinas se basan en el análisis de datos. Sin embargo, el
aprendizaje automático incorpora las preocupaciones de la
complejidad computacional de los problemas2. Muchos problemas son
de clase NP-hard, por lo que gran parte de la investigación realizada
en aprendizaje automático está enfocada al diseño de soluciones
factibles a esos problemas. El aprendizaje automático también está
estrechamente relacionado con el reconocimiento de patrones. El
aprendizaje automático puede ser visto como un intento de
automatizar algunas partes del método científico mediante métodos
matemáticos. Por lo tanto es un proceso de inducción del
conocimiento.
El aprendizaje automático tiene una amplia gama de aplicaciones,
incluyendo motores de búsqueda, diagnósticos médicos, detección de
fraude en el uso de tarjetas de crédito, análisis del mercado de
valores, clasificación de secuencias de ADN, reconocimiento del habla
y del lenguaje escrito, juegos y robótica.

Tipos de algoritmos

Una máquina de vectores de soporte

Los diferentes algoritmos de Aprendizaje Automático se agrupan en
una taxonomía en función de la salida de los mismos. Algunos tipos
de algoritmos son:
Aprendizaje supervisado
Artículo principal: Aprendizaje supervisado
El algoritmo produce una función que establece una correspondencia
entre las entradas y las salidas deseadas del sistema. Un ejemplo de
este tipo de algoritmo es el problema de clasificación, donde el
sistema de aprendizaje trata de etiquetar (clasificar) una serie de
vectores utilizando una entre varias categorías (clases). La base de
conocimiento del sistema está formada por ejemplos de etiquetados
anteriores. Este tipo de aprendizaje puede llegar a ser muy útil en
problemas de investigación biológica, biología computacional y
bioinformática.
Aprendizaje no supervisado
Artículo principal: Aprendizaje no supervisado
Todo el proceso de modelado se lleva a cabo sobre un conjunto de
ejemplos formado tan sólo por entradas al sistema. No se tiene
información sobre las categorías de esos ejemplos. Por lo tanto, en
este caso, el sistema tiene que ser capaz de reconocer patrones para
poder etiquetar las nuevas entradas.
Aprendizaje semisupervisado
Este tipo de algoritmos combinan los dos algoritmos anteriores para
poder clasificar de manera adecuada. Se tiene en cuenta los datos
marcados y los no marcados.
Aprendizaje por refuerzo
Artículo principal: Aprendizaje por refuerzo
El algoritmo aprende observando el mundo que le rodea. Su
información de entrada es el feedback o retroalimentación que
obtiene del mundo exterior como respuesta a sus acciones. Por lo
tanto, el sistema aprende a base de ensayo-error.
El aprendizaje por refuerzo es el más general entre las tres
categorías. En vez de que un instructor indique al agente qué hacer,
el agente inteligente debe aprender cómo se comporta el entorno
mediante recompensas (refuerzos) o castigos, derivados del éxito o
del fracaso respectivamente. El objetivo principal es aprender la
función de valor que le ayude al agente inteligente a maximizar la
señal de recompensa y así optimizar sus políticas de modo a
comprender el comportamiento del entorno y a tomar buenas
decisiones para el logro de sus objetivos formales.
Los principales algoritmos de aprendizaje por refuerzo se desarrollan
dentro de los métodos de resolución de problemas de decisión finitos
de Markov, que incorporan las ecuaciones de Bellman y las funciones
de valor. Los tres métodos principales son: la Programación
Dinámica, los métodos de Monte Carlo y el aprendizaje de Diferencias
Temporales.
Entre las implementaciones desarrolladas está AlphaGo, un programa
de IA desarrollado por Google DeepMind para jugar el juego de mesa
Go. En marzo de 2016 AlphaGo le ganó una partida al jugador
profesional Lee Se-Dol que tiene la categoría noveno dan y 18 títulos
mundiales. Entre los algoritmos que utiliza se encuentra el árbol de
búsqueda Monte Carlo, también utiliza aprendizaje profundo con
redes neuronales. Puede ver lo ocurrido en el documental de Netflix
“AlphaGo”.

4. Entrega prototipo, Etapa: Programación - Documentación

Prototipo Machine Learning Industria de la fruta

En el prototipo anterior, creamos un árbol de decisión para clasificar diferentes tipos de

naranjas. Para ello, construimos un algoritmo que paso a paso, y sobre la base de datos
ingresados (de entranamiento), nos permite realizar una clasificación de cada ítem entre los 3
diferentes tipos de naranjas.

Si bien el prototipo en mención es funcional, no utiliza las herramientas de la libraría Anaconda

y sus librerías asociadas. Por esta razón, el prototipo de Machine Learning que se presentará
en esta fase aplicará dichas herramientas. Esto nos permitirá disminuir las líneas de código de
manera significativa, dado que no tendremos que desarrollar paso a paso el árbol de decisión;
pero además, nos garantiza una predicción más acertada, puesto que las librerías utilizadas
son más robustas y especializadas.

Teniendo en cuenta lo anterior, y para variar el ejercicio realizado, se propone un prototipo

que nos permita diferenciar entre naranjas en buen estado y naranjas en mal estado
(podridas) utilizando la libería Scikit-learn incorporada en Anaconda. Esta librería utiliza el
Aprendizaje Supervisado para crear un clasificador, buscando patrones en los ejemplos con
que se alimenta el prototipo para así otorgar etiquetas clasificatorias a cada ítem.

Para esto, se tomarán en cuenta dos tipos de atributos: color y textura. Como las
características que Scikit-learn utiliza deben ser numéricas, vamos a asignar los siguientes
valores:
Colores: 1 para amarillo, 2 para café, 3 para verde, 4 otro.

Textura: 0 para lisa, 1 para rugoso

Etiquetas: 0 para ‘buena’, 1 para ‘podrida’

Teniendo en cuenta lo anterior, se asignarán los siguientes datos para entrenar el algoritmo:

Color Textura Etiqueta

2 0 1
1 1 0
3 0 0
4 0 1

(ver código adjunto)

CONCLUSIONE

Este trabajo se da a conocer la importancia de las diferenes formas de

representación del conocimiento en IA, tambien el aprendizaje
profundo y automático, dando un amplica vision de lo que se
evidencia en el curso logrando un desarrollo intelectual basado en
concepto propios de la ingenieria artifical, para asi avansar en
nuestras carrarera como futuros profesionales logrando la entrega
prototipo que establescan las actividades y su Etapa Programación -
Documentación que permita con estas herramientas logrando los objetivos
que al principio del curso se trazaron.
 BIBLIOGRAFIA

“https://planetachatbot.com/inteligencia-artificial-aprendizaje-
autom%C3%A1tico-y-aprendizaje-profundo-862ca9790bb9”

https://planetachatbot.com/inteligencia-artificial-aprendizaje-
autom%C3%A1tico-y-aprendizaje-profundo-862ca9790bb9

Bejár, J. (2007). Ingeniería del conocimiento. Wiki. Pag.12-19.

Recuperado de
https://bibliotecavirtual.unad.edu.co:2538/lib/unadsp/reader.acti
on?docID=3174775&query=inteligencia+artificial

Benitez, R., Escudero, G., & Kanaan, S. (2013). Inteligencia

Artificial Avanzada. UOC. Pag.221-228. Recuperado de
https://bibliotecavirtual.unad.edu.co:2538/lib/unadsp/reader.acti
on?ppg=1&docID=3217957&tm=1528833358627