en Reglas y Probabilidades. Docente: Mg. Huarote Zegarra Ral. Motivacin Un sistema experto proporciona diagnstico como un especialista? Inteligencia Artificial Es la parte de la ciencia que se ocupa del diseo de los sistemas computacionales inteligentes. Es decir sistemas que exhiben las caractersticas que asociamos a la inteligencia en el comportamiento humano que se refiere a la comprensin del lenguaje, el aprendizaje, el razonamiento, la resolucin de los problemas entre otros.
Inteligencia Artificial Es una ciencia que intenta la creacin de programas para mquinas, que imiten el comportamiento y la comprensin humana.
Sistema experto basado en reglas Programa de computadora, inteligente, que usa el conocimiento y procedimientos de inferencia para resolver problemas que son suficientemente difciles como para requerir significativa experiencia humana para su solucin. Trabaja sobre un dominio especifico. IA Robtica Visin computacional Procesamiento del lenguaje natural Redes Neuronales Lgica Difusa Algoritmos Genticos Sistemas Expertos Ventajas -Representan y utilizan conocimiento. -Capacidad de razonar. -Muestra el mismo comportamiento que el experto humano.
-No tienen sentido comn. -No es creativo. -No percibe detalles adicionales. Conocimiento
Informacin adquirida por la experiencia y relacionada el cual podemos inferir y generar nuevos conocimientos Representacin 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 conclusin Si premisa entonces conclusiones. Ejemplo de representacin procedimental:
Si (A1 = B1) y (A2 mayor B1) Entonces (A2 mayor A1)
Donde A1 =B1 son y A2 mayor B1 son comparaciones que tomaran el valor verdadero o falso. Como Almacena el conocimiento? Se almacena la informacin en su representacion:
Hechos y Reglas Grafo AND / OR
Osteoporosis Dolor de huesos Camina cojeando Prdida de equilibrio AND OR Hechos: Dolor de huesos, canina cojeando, prdida de equilibrio. Operadores : AND , OR, Entonces Si tiene dolor de huesos y le suceda que camina cojeando o tiene prdida de equilibrio, entonces tiene Osteoporosis Arquitectura de un S.E.
Mostramos el Software que presenta para este caso. Sistema experto basado en redes neuronales Sistemas que pueden actuar de la misma forma que funciona en cerebro humano, o simularlo. Las Redes Neuronales pueden procesar muchas piezas de informacin y aprender a reconocer patrones. Aprendiendo por ensayo error. IA Robtica Visin computacional Procesamiento del lenguaje natural Redes Neuronales Lgica Difusa Algoritmos Genticos Sistemas Expertos Objetivos de la red neuronal Conseguir que las mquinas den respuestas similares a las que es capaz de dar el cerebro que se caracterizan por su generalizacin y su robustez, en el proceso de aprendizaje.
Modelo biolgico de neurona El ser humano posee aproximadamente cien mil millones de neuronas.
Representacin del modelo biolgico con el modelo artificial Ncleo Proceso de sumatoria Dendritas (conexin con otras neuronas - Receptoras) Recibe los nuevos pesos sinpticos Sinapsis (conexin con otras neuronas) Sinapsis (conexin con otras neuronas Emisora) Axn Funcin de transferencia Modelo artificial de la neurona Reajuste de pesos: 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. Funcin de activacin: Perceptrn Simple. Red HopFiled Perceptrn Multicapa Kohonen ( Redes autoorganizativas SOM) Otros. Tipos de redes neuronales Back Propagation Es un algoritmo de aprendizaje supervisado que se usan para entrenar redes neuronales artificiales. Consiste en minimizar un error ( comnmente cuadrtico ) por medio de descenso de gradiente. Por lo que la parte esencial del algoritmo es el clculo de las derivadas parciales de dicho error con respecto a los parmetros 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 funcin 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 funcin 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 cuadrtico. Error total en el proceso de aprendizaje en una iteracin luego de haber presentado los r patrones de entrenamiento. Back Propagation Actualizacin de pesos de la capa oculta. :Nuevo peso :Peso Actual :Razn :Sensitividad Capa oculta :Patrones de entrada :Nuevo peso :Peso Actual :Razn :Sensitividad Capa salida Actualizacin de pesos de la capa de salida. Back Propagation Funcin de transferencia. Se puede resolver problemas de tipo sistema experto usando redes neuronales ? Patrones de entrada Para ello vamos tomamos el caso del ejemplo anterior. Sintoma 1 Sintoma 2 . Sintoma i . Sintoma q Para cada conjunto de P (valorado con 0 y 1 ) est vinculado con una enfermedad Ex
Salidas 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 tpica de diagnstico mdico: Dado que el paciente presenta un conjunto de sntomas cul es su enfermedad? El conocimiento no es determinantico puesto que la relacin entre enfermedades y sntomas no son deterministas, puesto que un conjunto de sntomas puede estar asociado a diferentes enfermedades. Sistema experto basado en probabilidades
Probabilidad condicional ( Teorema de Bayes). Sistema experto basado en probabilidades
Representacin de un caso particular usando Teorema de Bayes. Sistema experto basado en probabilidades
Probabilidad condicional de todas las enfermedades ei dado el conjunto de sntomas 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 mdico. Mostramos el Software que presenta para este caso. Sistema experto basado en probabilidades Comparacin entre sistemas expertos basados en reglas, redes neuronales y probabilidades. Basado en reglas Redes neuronales Probabilidades Base de conocimiento Objeto, reglas y hechos Variables y sucesos. Variables, sucesos( casos histricos ) Motor de inferencia Estrategias de inferencia. Actualizacin de los pesos sinpticos. Probabilidad condicional. Subsistema de explicacin Basado en reglas activas. Modelo y caractersticas de la red neuronal ( Back propagation ) Probabilidad condicional. Aprendizaje Cambio en objetos y reglas. Entrenamiento de la red neuronal. Cambio en modelo probabilstico. Actualizacin y/o adicin de sucesos. Mg. Ing. Huarote Zegarra Ral GRACIAS raulhuarote@yahoo.es