Beruflich Dokumente
Kultur Dokumente
Inteligencia artificial
investigacion
PRESENTA:
No. CONTROL
NOMBRE
SEMESTRE
121k0008
8A
CARRERA:
INGENIERA EN SISTEMAS COMPUTACIONALES
DOCENTE:
Ing. Placido Balam Can
ndice
Introduccin ........................................................................................................................................ 3
Unidad 3 Representacin del conocimiento y razonamiento ............................................................ 4
3.1- Sistemas basados en conocimiento. ........................................................................................ 4
3.1.1. Concepto de conocimiento. .............................................................................................. 5
3.1.2. Lenguajes utilizados en la representacin de conocimiento. ........................................... 6
3.2. Mapas conceptuales................................................................................................................. 9
3.3. Redes semnticas. .................................................................................................................. 10
3.4. Lgica de predicados. ............................................................................................................. 12
3.4.1. Sintaxis. ........................................................................................................................... 15
3.4.2. Semntica. ....................................................................................................................... 16
3.4.3. Validez. ............................................................................................................................ 17
3.4.4. Inferencia. ....................................................................................................................... 17
3.5. Razonamiento con incertidumbre.......................................................................................... 19
3.5.1. Aprendizaje. .................................................................................................................... 20
3.5.2. Razonamiento probabilstico. ......................................................................................... 21
3.5.3. Lgicas multivaluadas. .................................................................................................... 21
3.5.4. Lgica difusa. ................................................................................................................... 22
3.6. Demostracin y mtodos. ...................................................................................................... 22
Conclusin ......................................................................................................................................... 25
Fuentes de consulta .......................................................................................................................... 26
P g i n a 2 | 26
Introduccin
P g i n a 3 | 26
P g i n a 4 | 26
P g i n a 5 | 26
P g i n a 6 | 26
Hay lenguajes formales, o tericos, que satisfacen en mayor o menor grado esas
condiciones y lenguajes de implementacin, o prcticos, que, siguiendo el modelo
de algn lenguaje formal, estn adaptados para mecanizar la construccin de
ontologas. Nos centraremos en los primeros, que son relativamente estables, y
sobre los que se basan los segundos, algunos muy voltiles. Por ejemplo:
Prolog es un lenguaje de implementacin de la lgica de primer orden, que en sus
versiones ms recientes incluye tambin construcciones para la programacin con
restricciones.
OWL (Web Ontology Language) es un lenguaje de ontologas para la web basado
en una lgica de descripciones (en realidad, son tres sublenguajes). Procede de la
fusin de otros dos elaborados independientemente alrededor del ao 2000: DAML
(DARPA Agent Markup Language, de la Agencia de proyectos del Ministerio de
Defensa U.S.A) y OIL (Ontology Inference Layer, de un consorcio formado en el
marco de los programas de la U.E.). En 2001 se form un comit conjunto que hizo
una propuesta al Consorcio Web (W3C), y ste public el estndar (Proposed
Recommendation en la terminologa del W3C) en 2003, modificado el 10 de febrero
de 2004. Existen numerosas propuestas de mejoras y modificaciones. En el
Apndice B se resume la versin actual.
Hasta la segunda mitad de los aos 80 se estaban utilizando diversos lenguajes que
podan clasificarse en dos tipos:
Lenguajes basados en la lgica de predicados de primer orden, con sintaxis y
semntica formalizadas, con una base rigurosa para el razonamiento, pero con
grandes dificultades para implementar algoritmos de razonamiento eficientes, con
una rigidez sintctica que impide ciertas conceptuaciones naturales y con pocas
posibilidades de modularizacin.
Lenguajes basados en modelos de psicologa que, al estar derivados del estudio de
la mente humana, permiten conceptuaciones ms naturales y algoritmos de
P g i n a 7 | 26
Pero hay al menos cuatro razones por las que nos parece conveniente detenernos
previamente en los lenguajes ms antiguos:
La lgica clsica de primer orden sigue siendo la base fundamental de las
dems formulaciones de la lgica;
En el diseo de muchos sistemas basados en conocimiento, especialmente
los que no son muy complejos, se siguen utilizando algunos de esos
lenguajes;
Las ideas originales ayudan a entender y justifican ciertas decisiones de
diseo, y
La naturaleza interdisciplinaria de estos primeros trabajos hace muy
interesante su estudio.
P g i n a 8 | 26
P g i n a 9 | 26
P g i n a 10 | 26
Las redes semnticas estn basadas en la idea que los objetos o los conceptos
pueden ser unidos por alguna relacin.
Estas relaciones se representan usando una liga que conecte dos conceptos.
Los nodos y las ligas pueden ser cualquier cosa, dependiendo de la situacin a
modelar.
Las redes semnticas fueron originalmente desarrolladas para representar el
significado o semntica de oraciones en ingls, en trminos de objetos y relaciones.
P g i n a 11 | 26
relaciones en una gran base de datos, el tiempo que toma el proceso de bsqueda
por hechos particulares puede ser significativamente reducido.
P g i n a 12 | 26
Proposiciones
Representacin en lenguaje cotidiano que debe estar libre de vaguedades.
Simbolizacin de proposiciones
Uso de variables para representar proposiciones.
P = "Se cerr el circuito"
P g i n a 13 | 26
Q = "Oper la marcha"
P & Q = "Se cerr el circuito y oper la marcha"
Q = "No oper la marcha"
Jerarqua de aplicacin
Menor jerarqua
&, V
Mayor jerarqua
P g i n a 14 | 26
3.4.1. Sintaxis.
Elementos
Trminos: Representan objetos del dominio.
Constantes: Representan un objeto individual en concreto
Uso:
tomos: formulas bien formadas (f. b. f.) compuestas por un nico predicado
Literales: tomo o negacin de un tomo.
P g i n a 15 | 26
3.4.2. Semntica.
Representamos un mundo donde hay:
Un n infinito de objetos individuales representados por smbolos de
constantes y variables
o Pueden
ser
entidades
concretas
(personas,
cosas)
abstractas(nmeros, eventos)
Un n infinito de objetos de nidos en funcin de otros objetos, representados
por smbolos de funcin
Relaciones entre los objetos del dominio, representadas por smbolos de
predicado
o Si la aridad es 1, se habla de propiedades de objetos
INTERPRETACIONES:
Una interpretacin establece las relaciones anteriores entre los smbolos de la lgica
y los elementos del mundo real
P g i n a 16 | 26
3.4.3. Validez.
3.4.4. Inferencia.
Reglas de inferencia
P g i n a 17 | 26
Doble negacin
Regla de adjuncin
Ley de adicin
Regla de Simplificacion
P g i n a 18 | 26
Leyes de Morgan
Reglas de operacin
1.- Cambiar & por V, o viceversa
2.- Negar cada proposicin
3.- Negar la proposicin completa
P g i n a 19 | 26
Diversos mtodos han sido desarrollados para evaluar los grados de certeza o de
verdad de las conclusiones.
Uno de los ms generalizados consiste en asignar coeficiente de certeza o de
confianza a los hechos que intervienen en las en las condiciones y en la conclusin
de una regla.
Todos los mecanismos de representacin de conocimiento vistos estn basados en
lgica bajo estos supuestos:
Todo hecho sobre el que razonemos debe ser evaluado como cierto o falso.
Representar el conocimiento para cubrir todos los hechos que son relevantes
para un problema es difcil.
Existen problemas en los que aun teniendo las reglas para resolverlos no
disponemos de toda la informacin necesaria o no tenemos confianza
absoluta en ellas.
3.5.1. Aprendizaje.
Mquina que aprende: Sistema organizado que transforma un mensaje de entrada
en uno de salida, de acuerdo con el principio de Transformacin.
P g i n a 20 | 26
Ejemplo:
Habr un examen?
Solucin:
P g i n a 23 | 26
P g i n a 24 | 26
Conclusin
En conclusin el conocimiento y razonamiento tienden a estructurarse mutuamente,
para que este se comprobara se realiz investigaciones acerca de cmo es que ese
proceso llega a darse, esto con el fin de que el ser humano o las maquinas tengan
esa forma de tomar una decisin y que esta sea correcta. Este documeto hizo una
muestra del proceso del razonamiento y conocimiento.
P g i n a 25 | 26
Fuentes de consulta
http://www.rvazquez.org/Mision/ia2010_files/unidad3ia
http://inteligenciaartificial-isc.blogspot.mx/p/unidad-3-representacion-del.html
http://es.slideshare.net/HumbertoChalate/3-representacin-del-conocimiento-yrazonamiento-48561067
http://karenjcs.wix.com/artifi-intelk#!unidad-3/c1r9l
P g i n a 26 | 26