Comparativa de Sistema Experto

Basado en Redes Neuronales,

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.

-Mayor disponibilidad
-Costo reducido
-Peligro reducido
-Experiencia mltiple
-Mayor confiabilidad
-Respuestas rpidas.
-Respuestas solidas.
Desventajas

-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