Cognition">
Unidad 3 - Fase 3 - Representación Del Conocimiento en Ia: GRUPO: 90169 - 1
Unidad 3 - Fase 3 - Representación Del Conocimiento en Ia: GRUPO: 90169 - 1
Unidad 3 - Fase 3 - Representación Del Conocimiento en Ia: GRUPO: 90169 - 1
GRUPO: 90169_1
TUTOR
FERNANDO ROJAS
INTELIGENCIA ARTIFICIAL
ACTIVIDAD COLABORATIVA
La representación debe ser esencial, es decir que no puede contener información inútil.
La representación debe ser formal, lo cual implica que en el mismo contexto, símbolos
iguales tienen igual significado, o semántica.
La representación del conocimiento es una de las tres actividades claves para manejar el
conocimiento, a continuación definiré brevemente estas tres actividades:
Adquisición del conocimiento: este es el proceso inicial que a su vez es dividido en dos fases, la
primera fase es la elicitación del conocimiento que se hace mediante la extracción (conocimiento
cuyo origen son fuentes estadísticas y repositorios de conocimiento) y la educción (análisis de
protocolos, críticas y las entrevistas). La segunda fase corresponde a la validación del
conocimiento que busca corroborar que el conocimiento elicitado es correcto y apropiado, la
simulación es una clara técnica de esta fase (Henao & Rodríguez, 2012).
Representación del Conocimiento: Henao & Rodríguez (2012) la definen como “un conjunto de
convenciones sintácticas y semánticas que hacen posible la descripción de las cosas y que
además permite realizar razonamientos sobre el dominio representado empleando en ello el
lenguaje como medio de expresión humana” (p. 416). Existen muchas técnicas para representar
el conocimiento las más destacadas son: las redes semánticas, los mapas mentales, mapas
conceptuales, diagramas de flujo y las reglas de producción.
Imagen 2 ...
Imagen 1 ...
Para explicar lo que es el aprendizaje profundo o Deep Learning considero necesario definir
otros conceptos con los cuales suelen solaparse:
Machine Learning: es la rama de la inteligencia artificial que estudia como dotar a las
máquinas de capacidad de aprendizaje, entendido este como la generalización del conocimiento a
partir de un conjunto de experiencias.Esta técnica busca que las máquinas tengan un aprendizaje
automático, es decir que aprendan por sí mismo. Para ello se tiene un algoritmo capaz de
identificar patrones en millones de datos de tal modo que pueda generalizar respuestas partiendo
de información sin estructurar (Redacción APD, 2021).
Redes neuronales: las redes neuronales “son capaces de aprender de forma jerarquizada, es
decir, la información se aprende por niveles, donde las primeras capas aprenden conceptos muy
concretos y en las capas posteriores se utiliza la información aprendida previamente para
aprender conceptos más abstractos” (Dot CSV, 2017).
Ya que se pueden agregar cuantas capas queramos, esto convierte hace que las redes
neuronales generen algoritmos cada vez mas complejos y es en este punto donde nace el término
de algoritmos de Deep Learning.
Entonces podemos definir el aprendizaje profundo como “un subconjunto de los algoritmos
de Machine Learning que construye redes neuronales artificiales para imitar la estructura y
función del cerebro humano” (Martínez Martínez, 2020, p.7).
Agentes de apoyo, donde la conversación parece tan real que ni siquiera se dan cuenta
de que es un bot con el que está interactuando
Respecto a la atención médica hoy en día las redes neuronales artificiales detectan
células cancerosas y son capaces de analizar imágenes de resonancia para obtener
resultados detallados.
Vehículos autónomos, lo que en un principio parece ciencia ficción hoy en día es una
realidad gracias a compañías como Tesla, Apple y Nissan.
Datos, mientras que el aprendizaje profundo es la forma mas eficiente de tratar datos
no estructurados, una red neuronal necesita un volumen masivo de datos para poder
entrenar.
Poder computacional, las redes neuronales requieren miles de unidades de
procesamiento grafico en comparación con CPU y GPU resultan mucho más costosas.
Tiempo de entrenamiento, las redes neuronales profundas toman horas e incluso meses
para entrenarse, el tiempo aumenta con la cantidad de datos y la cantidad de capas en
la red.
Como bien se definió en el anterior tópico del presente trabajo el aprendizaje automático
también conocido como también como Machine Learning es la rama de la inteligencia artificial
que busca generar la capacidad de aprendizaje en una máquina. Este aprendizaje busca que los
modelos implementen mejoras por si mismos partiendo de experiencias.
Moreno (1994) afirma que una de las motivaciones más importantes en el diseño y la creación
de sistemas con aprendizaje automático “reside en el hecho de que en muchos dominios la
Imagen 2 ...
Imagen 1 ...
Aprendizaje supervisado: Junto con cada vector de entrada, se suministra a la red el vector
de salida deseado, de manera que esta pueda corregir los pesos en base a su diferencia. A cada
par formado por un vector de entrada y su salida esperada se le denomina par de
entrenamiento. El proceso se repite hasta que el error para cada uno de los pares de
entrenamiento es aceptable bajo cierto criterio.
Aprendizaje gradual o por refuerzo: En cierta manera, este tipo de aprendizaje está a
caballo entre los dos anteriores, acercándose más a uno o a otro dependiendo del criterio
utilizado en cada caso. En su forma más general, consiste en proporcionar a la red, de cuando
en cuando, una valoración global de cuán bien (o mal) lo está haciendo desde la última
valoración. (p.163)
Video juegos, en muchos videojuegos los llamados NPC deben tomar ciertas
decisiones o realizar ciertas acciones para interactuar con los jugadores.
{
"cells": [
{
"cell_type": "code",
"execution_count": 15,
"metadata": {},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"-----------------------\n",
"--Ingrese los datos de la persona--\n",
"-----------------------\n",
"Ingrese la edad\n",
"25\n",
"¿Presenta alguna discapacidad física, cognitiva, psicosocial o
multiple?\n",
"1 Si\n",
"2 No\n",
"1\n",
"¿Tiene propiedades (Casa, apartamento, finca, etc.)?\n",
"1 Si\n",
"2 No\n",
"2\n",
"Grupo Sisben\n",
"1 Grupo A\n",
"2 Grupo B\n",
"3 Grupo C\n",
"4 Grupo D\n",
"1\n",
"¿Consume de sustancias psicoactivas?\n",
"1 Si\n",
"2 No\n",
"2\n",
"¿Está bajo cuidado de un adulto mayor?\n",
"1 Si\n",
"2 No\n",
"1\n",
"¿ha sido victima del conflicto armado en Colombia?\n",
"1 Si\n",
"2 No\n",
"2\n",
"-----------------------\n",
Imagen 2 ...
Imagen 1 ...
"-----------------------\n",
"El resultado de su solicitud de ingreso al servicio social para
personas con discapacidad es:\n",
"['Admitido']\n",
"-----------------------\n",
"\n"
]
}
],
"source": [
"from sklearn import tree\n",
"#Se crea la instancia del arbol de decision.\n",
"tree = tree.DecisionTreeClassifier()\n",
"\n",
"print(\"-----------------------\")\n",
"print(\"--Ingrese los datos de la persona--\")\n",
"print(\"-----------------------\")\n",
"\n",
"\n",
"\n",
"print(\"Ingrese la edad\")\n",
"Edad = int(input())\n",
"if (Edad < 18 or Edad > 60):\n",
" Dato_1 = \"0\"\n",
"else:\n",
" Dato_1 = \"1\"\n",
"\n",
"print(\"¿Presenta alguna discapacidad física, cognitiva, psicosocial o
multiple?\")\n",
"print(\"1 Si\")\n",
"print(\"2 No\")\n",
"Discapacidad = int(input()) \n",
"if Discapacidad == 1:\n",
" Dato_2 = \"1\"\n",
"else:\n",
" Dato_2 = \"0\"\n",
"\n",
"\n",
"print(\"¿Tiene propiedades (Casa, apartamento, finca, etc.)?\")\n",
"print(\"1 Si\")\n",
"print(\"2 No\")\n",
"Propiedad = int(input()) \n",
"if Propiedad == 1:\n",
" Propiedad = 0\n",
"else:\n",
" Propiedad = 1\n",
"\n",
"print(\"Grupo Sisben\")\n",
"print(\"1 Grupo A\")\n",
"print(\"2 Grupo B\")\n",
"print(\"3 Grupo C\")\n",
"print(\"4 Grupo D\")\n",
"Sisben = int(input())\n",
Imagen 2 ...
Imagen 1 ...
Imagen 2 ...
Imagen 1 ...
"name": "python3"
},
"language_info": {
"codemirror_mode": {
"name": "ipython",
"version": 3
},
"file_extension": ".py",
"mimetype": "text/x-python",
"name": "python",
"nbconvert_exporter": "python",
"pygments_lexer": "ipython3",
"version": "3.8.3"
}
},
"nbformat": 4,
"nbformat_minor": 4
}
Imagen 2 ...
Imagen 1 ...
CONCLUSIONES
Se concluye que la inteligencia artificial es una subdisciplina del campo de la informática que
a su vez tiene una rama llamada Machine Learning que estudia como dotar a las máquinas con la
capacidad de aprendizaje utilizando redes neuronales capaces de aprender de forma jerarquizada
y cuando más compleja sean sus diversas capas y algoritmos es donde nace el término de Deep
Learning o aprendizaje profundo.
Imagen 2 ...
Imagen 1 ...
REFERENCIAS BIBLIOGRÁFICAS
Calucho, R.,Huanca, D., Mamani, A. & Sisporo, D. (2019). Búsqueda Bidireccional. Abril de
2021, de Universidad Mayor de San Simón Sitio web:
http://www.cs.umss.edu.bo/doc/material/mat_gral_139/BUSQUEDA
%20BIDIRECCIONAL.pdf
Dot CSV. (2017, 1 noviembre). ¿Qué es el Machine Learning?¿Y Deep Learning? Un mapa
v=KytW151dpqU
YouTube. https://www.youtube.com/watch?v=T02kejM1AqE
Palma Méndez, J. T., & Marín Morales, R. (2008). Inteligencia artificial: Métodos, técnicas y
aplicaciones. España: McGraw-Hill. Obtenido de https://elibro-
net.bibliotecavirtual.unad.edu.co/es/ereader/unad/50116
Redacción APD. (2021). Técnicas y métodos de inteligencia artificial: ¿cuáles son y para qué se
usan? Marzo de 2021, de APD Sitio web: https://www.apd.es/tecnicas-de-la-inteligencia-
artificial-cuales-son-y-para-que-se-utilizan/#:~:text=3.,vivos%20en%20entornos%20de
%20simulaci%C3%B3n.
Imagen 2 ...
Imagen 1 ...
Imagen 2 ...