UNIDAD 3 - FASE 3 - REPRESENTACIÓN DEL CONOCIMIENTO EN IA

GRUPO: 90169_1

TUTOR
FERNANDO ROJAS

INTELIGENCIA ARTIFICIAL

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA

INGENIERÍA DE SISTEMAS
FACATATIVÁ, MAYO 2021
Imagen 1 ...

ACTIVIDAD COLABORATIVA

1. Investigar sobre formas de representación del conocimiento en IA.

Las características fundamentales de una representación adecuada del conocimiento son:

 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.

Manipulación del conocimiento: Simplemente tiene como objetivo validar el conocimiento

representado verificando el funcionamiento del modelo previamente desarrollado.

Imagen 2 ...
Imagen 1 ...

2. Investigar sobre aprendizaje profundo

El aprendizaje profundo es también conocido como redes neuronales profundas y este es un

aspecto de la inteligencia artificial que simula la forma como los seres humanos aprendemos para
adquirir determinados conocimientos, en otras palabras es la forma de automatizar el análisis
predictivo.

Para explicar lo que es el aprendizaje profundo o Deep Learning considero necesario definir
otros conceptos con los cuales suelen solaparse:

Inteligencia artificial: subdisciplina del campo de la informática, que busca la creación de

máquinas que puedan imitar comportamientos inteligentes. Esta definición es una de tantas
puesto que es muy complicado llegar a un consenso en el que se pueda definir con absoluta
seguridad lo que es la inteligencia.

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).

Algunos ejemplos de aprendizaje profundo se pueden apreciar son:

Imagen 2 ...
Imagen 1 ...

 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.

El aprendizaje profundo cuenta también con limitaciones tales como:

 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.

3. Investigar sobre aprendizaje automático

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.

El aprendizaje automático es un proceso de dos fases, en la primera el algoritmo selecciona

los patrones más relevantes de un objeto o un evento, las compara con otros patrones conocidos,
si es que existen. Cuando las diferencias son significativas adapta el propio algoritmo de aquel
objeto según como resulte la comparación.

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 ...

experiencia es escasa, y la codificación del conocimiento que la describe es limitada,

fragmentaria y, por lo tanto, incompleta o casi inexistente”(p.7). Del mismo modo Moreno
(1994) establece tres tipos de entrenamiento de redes neuronales:

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 no supervisado: Ideado, entre otros, por Kohonen, no necesita de la respuesta

correcta para realizar las correcciones en los pesos. En vez de eso, se busca la consistencia
entre entradas y salidas, esto es, entradas similares deben tener salidas iguales o similares. Por
tanto, el método agrupa las entradas en clases según criterios estadísticos. Lo que no se sabe, a
diferencia del método supervisado, es el aspecto que tendrá cada salida hasta que esta no es
calculada por la red, lo que provoca las necesarias interpretaciones a posteriori hacia un
formato más comprensible. A este método se le denomina también autoorganización.

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)

Algunos de los ejemplos de Machine Learning son:

 Reconocimiento de voz, como Alexa, Siri o Cortana.

 Detección de rostro, es utilizado en aplicaciones como Instagram o Snapchat. Con el
Machine Learning y el Face ID los dispositivos aprenden cuál es el rostro del usuario
reconociéndolo como una imagen y descartándola con otros rostros.
 Detección de fraudes, muchas empresas y criptomonedas utilizan Machine Learning
para evitar fraudes y blanqueo de dinero. Las empresas utilizan esta tecnología para
analizar millones de transacciones y detectar cuáles son las fraudulentas, de paso
determinan quién es el vendedor y el comprador.
Imagen 2 ...
Imagen 1 ...

 Video juegos, en muchos videojuegos los llamados NPC deben tomar ciertas
decisiones o realizar ciertas acciones para interactuar con los jugadores.

4. Código del prototipo del sistema inteligente

{
"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 ...

"if Sisben <= 2:\n",

" Sisben = 1\n",
"else:\n",
" Sisben = 0\n",
"\n",
"if Propiedad == 0 or Sisben == 0:\n",
" Dato_3 = \"0\"\n",
"else:\n",
" Dato_3 = \"1\" \n",
"\n",
"print(\"¿Consume de sustancias psicoactivas?\")\n",
"print(\"1 Si\")\n",
"print(\"2 No\")\n",
"Sustancia = int(input())\n",
"if Sustancia == 1:\n",
" Dato_4 = \"0\"\n",
"else:\n",
" Dato_4 = \"1\"\n",
"\n",
"\n",
"print(\"¿Está bajo cuidado de un adulto mayor?\")\n",
"print(\"1 Si\")\n",
"print(\"2 No\")\n",
"Dato_5 = input()\n",
"\n",
"print(\"¿ha sido victima del conflicto armado en Colombia?\")\n",
"print(\"1 Si\")\n",
"print(\"2 No\")\n",
"Dato_6 = input()\n",
"\n",
" \n",
"Dato_Aspirante = [Dato_1, Dato_2, Dato_3, Dato_4, Dato_5,
Dato_6] \n",
"X = [[1, 1, 1, 1, 1, 2], [1, 1, 1, 0, 1, 2], [1, 1, 0, 0, 1, 2], [1,
0, 0, 0, 1, 2], [0, 0, 0, 0, 1, 2], [0, 0, 0, 1, 1, 2], [0, 0, 1, 1, 1, 2],
[0, 1, 1, 1, 1, 2],\n",
" [1, 0, 1, 1, 1, 2], [1, 0, 1, 0, 1, 2], [1, 0, 0, 1, 1, 2], [1,
1, 0, 1, 1, 2], [0, 0, 1, 0, 1, 2], [0, 1, 1, 0, 1, 2], [0, 1, 0, 1, 1, 2],
[0, 1, 0, 0, 1, 2],\n",
" [1, 1, 1, 1, 2, 2], [1, 1, 1, 0, 2, 2], [1, 1, 0, 0, 2, 2], [1,
0, 0, 0, 2, 2], [0, 0, 0, 0, 2, 2], [0, 0, 0, 1, 2, 2], [0, 0, 1, 1, 2, 2],
[0, 1, 1, 1, 2, 2],\n",
" [1, 0, 1, 1, 2, 2], [1, 0, 1, 0, 2, 2], [1, 0, 0, 1, 2, 2], [1,
1, 0, 1, 2, 2], [0, 0, 1, 0, 2, 2], [0, 1, 1, 0, 2, 2], [0, 1, 0, 1, 2, 2],
[0, 1, 0, 0, 2, 2], \n",
" [1, 1, 1, 1, 1, 1], [1, 1, 1, 0, 1, 1], [1, 1, 0, 0, 1, 1], [1,
0, 0, 0, 1, 1], [0, 0, 0, 0, 1, 1], [0, 0, 0, 1, 1, 1], [0, 0, 1, 1, 1, 1],
[0, 1, 1, 1, 1, 1],\n",
" [1, 0, 1, 1, 1, 1], [1, 0, 1, 0, 1, 1], [1, 0, 0, 1, 1, 1], [1,
1, 0, 1, 1, 1], [0, 0, 1, 0, 1, 1], [0, 1, 1, 0, 1, 1], [0, 1, 0, 1, 1, 1],
[0, 1, 0, 0, 1, 1],\n",

Imagen 2 ...
Imagen 1 ...

" [1, 1, 1, 1, 2, 1], [1, 1, 1, 0, 2, 1], [1, 1, 0, 0, 2, 1], [1,

0, 0, 0, 2, 1], [0, 0, 0, 0, 2, 1], [0, 0, 0, 1, 2, 1], [0, 0, 1, 1, 2, 1],
[0, 1, 1, 1, 2, 1],\n",
" [1, 0, 1, 1, 2, 1], [1, 0, 1, 0, 2, 1], [1, 0, 0, 1, 2, 1], [1,
1, 0, 1, 2, 1], [0, 0, 1, 0, 2, 1], [0, 1, 1, 0, 2, 1], [0, 1 ,0, 1, 2, 1],
[0, 1, 0, 0, 2, 1]]\n",
"\n",
"Y = ['Admitido', 'Rechazado', 'Rechazado', 'Rechazado', 'Rechazado',
'Rechazado', 'Rechazado', 'Rechazado',\n",
" 'Rechazado', 'Rechazado', 'Rechazado', 'Rechazado', 'Rechazado',
'Rechazado', 'Rechazado', 'Rechazado',\n",
" 'Admitido', 'Rechazado', 'Rechazado', 'Rechazado', 'Rechazado',
'Rechazado', 'Rechazado', 'Rechazado',\n",
" 'Rechazado', 'Rechazado', 'Rechazado', 'Rechazado', 'Rechazado',
'Rechazado', 'Rechazado', 'Rechazado', \n",
" 'Admitido', 'Rechazado', 'Rechazado', 'Rechazado', 'Rechazado',
'Rechazado', 'Rechazado', 'Rechazado',\n",
" 'Rechazado', 'Rechazado', 'Rechazado', 'Rechazado', 'Rechazado',
'Rechazado', 'Rechazado', 'Rechazado',\n",
" 'Admitido', 'Rechazado', 'Rechazado', 'Rechazado', 'Rechazado',
'Rechazado', 'Rechazado', 'Rechazado',\n",
" 'Rechazado', 'Rechazado', 'Rechazado', 'Rechazado', 'Rechazado',
'Rechazado', 'Rechazado', 'Rechazado']\n",
"\n",
"#Se le pasa los datos X y Y para entrenar el Modelo\n",
"tree = tree.fit(X, Y)\n",
"\n",
"#se ejecuta la prediccion del modelo examinando el dato2\n",
"prediction = tree.predict([Dato_Aspirante])\n",
"\n",
"#Se muestra el resultado de la prediccion del Dato_Aspirante\n",
"print(\"-----------------------\")\n",
"print(\"-----------------------\")\n",
"print(\"El resultado de su solicitud de ingreso al servicio social
para personas con discapacidad es:\")\n",
"print(prediction)\n",
"print(\"-----------------------\")\n",
"print(\"\")\n",
"\n"
]
},
{
"cell_type": "code",
"execution_count": null,
"metadata": {},
"outputs": [],
"source": []
}
],
"metadata": {
"kernelspec": {
"display_name": "Python 3",
Imagen 2"language":
... "python",
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

Descubriendo la Inteligencia Artificial. (2015, 30 diciembre). No 014: IA Probabilidad -

Incertidumbre [Vídeo]. YouTube. https://www.youtube.com/watch?v=YimsHrbl8Z0

Dot CSV. (2017, 1 noviembre). ¿Qué es el Machine Learning?¿Y Deep Learning? Un mapa

conceptual | DotCSV [Vídeo]. YouTube. https://www.youtube.com/watch?

v=KytW151dpqU

José A. Alonso. (2020, 13 mayo). Algoritmos de búsqueda en espacios de estados [Vídeo].

YouTube. https://www.youtube.com/watch?v=T02kejM1AqE

Martínez Martínez, A. (2020). Estudio práctico de técnicas AI para reconocimiento de objetos.

Retrieved from http://hdl.handle.net/10317/8864

Moreno, A. (1994). Aprendizaje automático. Llibre, Edicions UPC. Retrieved from

http://hdl.handle.net/2099.3/36157

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 ...

Sucar, E. (21 de Enero de 2014). Obtenido de https://ccc.inaoep.mx/~esucar/Clases-

MetIA/MetIA-09.pdf

Imagen 2 ...