Representación Del Conocimiento y Razonamiento - Sergio Alvarez

ASIGNATURA:
Inteligencia artificial
investigacion
PRESENTA:
No. CONTROL
NOMBRE
SEMESTRE
121k0008
Alvarez Jimenez Sergio
8A
CARRERA:
INGENIERA EN SISTEMAS COMPUTACIONALES
DOCENTE:
Ing. Placido Balam Can
FELIPE CARRILLO PUERTO, QUINTANA ROO, MXICO.

viernes, 18 de marzo de 2016
Unidad 3 Representacin del Conocimiento y razonamiento.

Inteligencia Artificial
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
Cualquier modelo de representacin del conocimiento incluye de una manera u otra

el hecho de que una entidad est compuesta por distintos elementos de diversos
tipos (como otras entidades). Este encapsulamiento puede verse como estructuras
dentro de otras estructuras, o mediante la jerarquizacin por medio de relaciones
entre distintas estructuras que se contienen unas a otras. Los sistemas basados en
conocimiento surgen como una evolucin de los paradigmas de programacin a lo
largo de la historia de la informtica.
Jackson define al conocimiento como un sistema que resuelve problemas utilizando
una representacin simblica del conocimiento humano''.
En este documento se podr apreciar cmo se representa el conocimiento, su
estructuracin es la mejor manera de dar el entendimiento del tema, se abarcan
los siguientes temas:
Sistemas basados en conocimiento.

Mapas conceptuales.
Redes semnticas
Logica de predicados.
Razonamiento con insertidumbre.
Demostracin y mtodos.
P g i n a 3 | 26

Unidad 3 Representacin del conocimiento y razonamiento

3.1- Sistemas basados en conocimiento.
Los sistemas basados en conocimiento surgen como una evolucin de los
paradigmas de programacin a lo largo de la historia de la informtica. En los
primeros tiempos de la computacin, los programas, ante una peticin del usuario,
tpicamente producan una salida accediendo a datos almacenados en ficheros con
formatos particulares de cada aplicacin. Ms adelante surgieron las bases de
datos, que abstraan la capa de almacenamiento/persistencia de datos, eliminando
esos ficheros, facilitando as la gestin de la informacin necesaria para la
aplicacin. Adems aparecen los conceptos de la interfaz grfica del sistema
operativo, facilitando la entrada/salida. Los sistemas basados en conocimiento son
una nueva evolucin: en estos sistemas, los datos, la base de conocimientos, se
convierten en lo ms importante, y el cdigo que los explota, el motor de
inferencias, se generaliza segn diferentes paradigmas. Esta base de
conocimientos la produce un usuario experto en el dominio, los ingenieros del
conocimiento, que son diferentes a los programadores de la interfaz o del propio
motor de inferencias.
P g i n a 4 | 26

3.1.1. Concepto de conocimiento.

Un sistema experto o sistema basado en conocimiento se puede definir como:
sistema que resuelve problemas utilizando una representacin simblica del
conocimiento humano'' [Jackson 86].
Caractersticas importantes:
Representacin explcita del conocimiento.
Capacidad de razonamiento independiente de la aplicacin especfica.
Capacidad de explicar sus conclusiones y el proceso de razonamiento.
Alto rendimiento en un dominio especfico.
Uso de heursticas vs. modelos matemticos.
Uso de inferencia simblica vs. algoritmo numrico.
P g i n a 5 | 26

Algunas de estas propiedades se deben a la separacin entre:

1. Conocimiento especfico del problema - Base de Conocimiento.
2. Metodologa para solucionar el problema - Mquina de Inferencia.
Importancia del Conocimiento
Los sistemas basados en conocimiento basan su rendimiento en la cantidad y
calidad del conocimiento de un dominio especfico y no tanto en las tcnicas de
solucin de problemas.
Diferencia de sistemas basados en conocimiento con otras tcnicas:
En matemticas, teora de control y computacin, se intenta resolver el

problema mediante su modelado (Modelo del problema).
En sistemas expertos se ataca el problema construyendo un modelo del

``experto'' o resolvedor de problemas (Modelo del experto).
3.1.2. Lenguajes utilizados en la representacin de conocimiento.

Sintaxis formalizada, para poder disear sobre bases slidas un procesador.
Semntica bien definida y que permita la implementacin procedimental en el
procesador de algoritmos de razonamiento eficientes.
Desde el punto de vista pragmtico, expresividad suficiente para representar de la
manera menos forzada posible el conocimiento. Esto significa que, para una
determinada conceptuacin, el lenguaje con el que se construyen los modelos en el
nivel simblico debe permitir una interpretacin declarativa que represente todos los
aspectos de esa conceptuacin. En la prctica puede ocurrir que no encontremos
el lenguaje ideal, y tengamos que forzar la conceptuacin para que se ajuste al
lenguaje elegido.
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

razonamiento ms eficientes, pero que tienen una sintaxis menos formalizada y

carecen de una definicin semntica precisa (a pesar de que uno de ellos se llama
redes semnticas).
Como es natural, diversos investigadores trataron de elaborar propuestas para

aunar las ventajas de unos lenguajes y otros (Hayes, 1979, Nilsson, 1982,
Brachman y Levesque, 1985), pero no fue hasta el final de los 90 cuando quedaron
relativamente establecidas las llamadas lgicas de descripciones, que en el
momento actual son los lenguajes por antonomasia para la representacin del
conocimiento.
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

3.2. Mapas conceptuales.

Los mapas conceptuales son instrumentos de representacin del conocimiento
sencillo y prctico, que permiten transmitir con claridad mensajes conceptuales
complejos y facilitar tanto el aprendizaje como la enseanza. Para mayor
abundamiento, adoptan la forma de grafos.
En Inteligencia Artificial, Quillian desarroll una forma de mapa conceptual que se
denomin redes semnticas y que se usa ampliamente para la representar el
conocimiento formal. En lingstica, Graesser y Clark han desarrollado un anlisis
de formas de argumentacin en el texto en forma de mapas conceptuales
estructurados en ocho tipos de nodos y cuatro tipos de enlaces. En la historia de la
ciencia, la dinmica de mapas conceptuales se ha usado tambin para representar
los procesos de cambio conceptual de las revoluciones cientficas y en filosofa de
la ciencia, Toulmin desarroll una teora de argumentacin cientfica basada en
mapas conceptuales. Tambin los mapas conceptuales han sido utilizados en la
educacin, el diseo de las organizaciones para la toma de decisiones, la
P g i n a 9 | 26

adquisicin de conocimiento especializado, los sistemas sociales, la toma de

decisiones polticas, etc.
Un mapa conceptual es una tcnica sencilla que permite representar el

conocimiento de forma grfica como redes conceptuales compuestas por nodos que
representan los conceptos, y enlaces, que representan las relaciones entre los
conceptos.
3.3. Redes semnticas.

Una red semntica es un grafo, donde los vrtices representan conceptos y los
arcos representan relaciones entre los conceptos.
Las redes semnticas a nivel de ontologa se utilizan para representar vocabulario
que es esencialmente muy valioso para los seres humanos.
Ejemplo: represente mediante una red semntica la frase un gato es un animal
P g i n a 10 | 26

Y podra incluir otra frase, Garfield es un gato
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.
Desventajas de las redes semnticas
No existe una interpretacin normalizada para el conocimiento expresado por la red.

La interpretacin de la red depende exclusivamente de los programas que
manipulan la misma. La dificultad de interpretacin a menudo puede derivar en
inferencias invlidas del conocimiento contenido en la red. La exploracin de una
red asociativa puede derivar en una explosin combinatoria del nmero de
relaciones que deben ser examinadas para comprobar una relacin, sobre todo si
la respuesta a una consulta es negativa. No hay manera de insertar alguna regla
heurstica para explorar la red de manera eficiente.
Ventajas de las redes semnticas

Permiten la declaracin de importantes asociaciones en forma explcita. Debido a
que los nodos relacionados estn directamente conectados, y no se expresan las
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.
3.4. Lgica de predicados.

Es una herramienta para estudiar el comportamiento de un sistema lgico. Adems
proporciona un criterio para determinar si un sistema lgico es absurdo o
inconsistente.
P g i n a 12 | 26

Sistema simblico: Lenguaje y frmulas lgicas.
Proposiciones
Representacin en lenguaje cotidiano que debe estar libre de vaguedades.
Conexiones lgicas y Trminos de enlace

Palabras de enlace que unen proposiciones atmicas para formar proposiciones
moleculares.
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
notacin: cadenas de caracteres, comienzan en maysculas
Ejemplos: Juan; Mi coche;
Funciones: Representan (implcitamente) un objeto individual que est

relacionado con los n objetos que participan en la funcin
notacin: smbolo de funcin (cadena, comienza con Mays.) con aridad n

+ n argumentos (trminos) entre parntesis
Ejemplos: Padre de (Juan); Hijo de (Pedro; Ana); Coseno (45)
Variables: Representan objetos sin indicar cuales
Uso:
notacin: cadenas de caracteres en minsculas
Ejemplos: x; y; padre; hijo;
Predicados: Representan una propiedad de un trmino (si aridad 1) o relaciones

entre k trminos (si aridad k > 1)
notacin: cadenas de caracteres + k trminos (variables, constantes,

funciones) entre parntesis
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

Ejemplos: Asesina (Juan; x); Es_alto (Juan); Vive_con (Juan; Padre_de

(Juan));
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
asocia a las constantes objetos del mundo
asocia a las funciones relaciones funcionales entre objetos
asocia a los predicados relaciones entre objetos
Ms compleja que en lgica de proposiciones
Dominio de una interpretacin: Conjunto de objetos del mundo que se manejan en

una interpretacin Formalmente: Dada una conceptualizacin formada por:
P g i n a 16 | 26

U: universo de discurso (conj. de individuos/objetos)

R: conj. Finito de relaciones entre objetos de U
F: conj. Finito de funciones que asocian a 1 objetos de U con 1 o ms objetos de U
3.4.3. Validez.
Un predicado con variables libres no es verdadero ni falso, hasta que se

asignen valores para dichas variables.
Algunos de ellos sern siempre verdaderos independientemente de los

valores que se escojan: estos son predicados vlidos.
Un predicado que es verdadero o falso dependiendo de los valores elegidos

se dice que es satisfacible.
Un predicado que es siempre falso se dice que es no satisfacible.
3.4.4. Inferencia.
Reglas de inferencia
Modus Ponendo Ponens
Modus Tollendo Tollens
P g i n a 17 | 26

Modus Tollendo Ponens
Doble negacin
Regla de adjuncin
Ley de adicin
Ley de simplificacin disyuntiva
Regla de Simplificacion
P g i n a 18 | 26

Ley del silogismo hipottico
Ley del silogismo disyuntivo
Leyes de Morgan
Reglas de operacin
1.- Cambiar & por V, o viceversa
2.- Negar cada proposicin
3.- Negar la proposicin completa
3.5. Razonamiento con incertidumbre.

En situaciones reales, no siempre es posible contar con toda la informacin.
Inclusive la informacin disponible puede ser incorrecta, incompleta o cambiar muy
rpidamente.
Todo esto da lugar a diferentes formas de inconsistencias e incertidumbre.
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.
Para poder razonar necesitamos tener todos los hechos a nuestra

disposicin.
Pero en las prcticas nos encontramos con estos problemas:
Representar el conocimiento para cubrir todos los hechos que son relevantes
para un problema es difcil.
Existen dominios en los que se desconocen todos los hechos necesarios

para resolver el problema.
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.
En otros problemas las reglas no se aplican siempre o su confianza cambia

con la confianza que tenemos en los hechos.
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

Si tal principio est sujeto a cierto criterio de validez, el mtodo de transformacin

se ajusta a fin de que tienda a mejorar el funcionamiento; se dice que el sistema
aprende.
Aprendizaje animal: Cuando los organismos se ajustan o adaptan al conjunto de
estmulos que provienen del entorno; reciben la informacin y la almacena con el fin
de reutilizarla en situaciones o patrones de estmulos semejantes.
La Organizacin (o reorganizacin) de la propia conducta (ante una situacin o un
patrn de estmulos) como resultado de una experiencia individual.
Todos los estmulos a los que un individuo responde es un cierto contexto pueden
no ser efectivos para producir una conducta de aprendizaje en otros contextos.
3.5.2. Razonamiento probabilstico.

La tcnica ms antigua y mejor definida para manejar la incertidumbre es la Regla
de Bayes, la misma que est basada en la teora clsica de la probabilidad.
Las hiptesis son ms o menos probables dependiendo de las posibilidades de los
hechos o evidencias que las sostiene.
Las probabilidades se calculan en base a la frmula general de la probabilidad
condicionada de Bayes o algunas transformaciones de la misma.
Surgen de la insuficiencia explicativa de los modelos normativos, que asumen que
las personas asignan probabilidades de ocurrencia de un suceso basndose en su
frecuencia relativa, o como asume la inferencia bayesiana, en las creencias y
opiniones.
3.5.3. Lgicas multivaluadas.

Se usa en matemticas como procedimiento para buscar modelos no estndar; esto
es esencialmente lo que hace para conseguir los modelos generales de Henkin para
la lgica superior responsables de su teora de completud.
P g i n a 21 | 26

3.5.4. Lgica difusa.

Tambin llamada lgica borrosa o heurstica, se basa en lo relativo de lo observado
como posicin diferencial, este tipo de lgica toma dos valores aleatorios, pero
contextualizados y referidos entre s.
3.6. Demostracin y mtodos.

Mtodos deductivos de demostracin: el mtodo deductivo es un proceso que parte
de un conocimiento genera, y arriba a uno particular. La aplicacin del mtodo
deductivo nos llev a un conocimiento con grado de certeza absoluta y esta
cimentado en preposiciones llamadas silogismos.
Ejemplos:
Todas las mexicanas son bellas, (este es el concepto general).
Luz Ortiz es mexicana
Luego:
Luz Ortiz es bella
P g i n a 22 | 26

En la lgica formal y sobre todo en el universo matemtico, el proceso deductivo

tiene un significado un poco diferente, pues est basado en axiomas, o
preposiciones que son verdades por definicin.
Ejemplos de axiomas:
El todo es mayor que la parte
Dos cosas iguales a una tercera son iguales entre s
Al conjunto de Hiptesis + Demostracin + Conclusin se denomina Teorema.
El Mtodo de resolucin de Robinson.
Es un intento por mecanizar el proceso de deduccin natural de esa forma eficiente.
Las demostraciones se consiguen utilizando de esa forma el mtodo refutativo
(deduccin al absurdo), es decir lo que intentamos es encontrar contradicciones.
Para probar una sentencia nos basta con demostrar que su negacin nos lleva a
una contradiccin con las sentencias conocidas (es insatisfactible). Si la negacin
de una sentencia entra en contradiccin con los hechos de nuestra base de
conocimiento es porque lo contrario, es decir, la sentencia original era verdadera y
se puede deducir lgicamente de las sentencias que componen dicha base de
conocimientos.
Ejemplo:
Llover O habr un examen.
David es Darth Vader O no llover.
David no es Darth Vader.
Habr un examen?
Solucin:
P g i n a 23 | 26

Lluvia = a , Examen = b, David es Vader = c
Base de Conocimiento (todas son ciertas): a V b, c V a, c
Por Resolucin sabemos que b V c es cierta.
Por Resolucin Unidad sabemos que b es cierta.
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

Representación Del Conocimiento y Razonamiento - Sergio Alvarez

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Representación Del Conocimiento y Razonamiento - Sergio Alvarez

Hochgeladen von

Copyright:

Verfügbare Formate

ASIGNATURA:

Alvarez Jimenez Sergio

FELIPE CARRILLO PUERTO, QUINTANA ROO, MXICO.

Unidad 3 Representacin del Conocimiento y razonamiento.

Unidad 3 Representacin del Conocimiento y razonamiento.

Cualquier modelo de representacin del conocimiento incluye de una manera u otra

Sistemas basados en conocimiento.

Unidad 3 Representacin del Conocimiento y razonamiento.

Unidad 3 Representacin del conocimiento y razonamiento

Unidad 3 Representacin del Conocimiento y razonamiento.

3.1.1. Concepto de conocimiento.

Representacin explcita del conocimiento.

Capacidad de razonamiento independiente de la aplicacin especfica.

Capacidad de explicar sus conclusiones y el proceso de razonamiento.

Alto rendimiento en un dominio especfico.

Uso de heursticas vs. modelos matemticos.

Uso de inferencia simblica vs. algoritmo numrico.

Unidad 3 Representacin del Conocimiento y razonamiento.

Algunas de estas propiedades se deben a la separacin entre:

En matemticas, teora de control y computacin, se intenta resolver el

En sistemas expertos se ataca el problema construyendo un modelo del

3.1.2. Lenguajes utilizados en la representacin de conocimiento.

Unidad 3 Representacin del Conocimiento y razonamiento.

Unidad 3 Representacin del Conocimiento y razonamiento.

razonamiento ms eficientes, pero que tienen una sintaxis menos formalizada y

Como es natural, diversos investigadores trataron de elaborar propuestas para

Unidad 3 Representacin del Conocimiento y razonamiento.

3.2. Mapas conceptuales.

Unidad 3 Representacin del Conocimiento y razonamiento.

adquisicin de conocimiento especializado, los sistemas sociales, la toma de

Un mapa conceptual es una tcnica sencilla que permite representar el

3.3. Redes semnticas.

Unidad 3 Representacin del Conocimiento y razonamiento.

Y podra incluir otra frase, Garfield es un gato

Desventajas de las redes semnticas

No existe una interpretacin normalizada para el conocimiento expresado por la red.

Ventajas de las redes semnticas

Unidad 3 Representacin del Conocimiento y razonamiento.

3.4. Lgica de predicados.

Unidad 3 Representacin del Conocimiento y razonamiento.

Sistema simblico: Lenguaje y frmulas lgicas.

Conexiones lgicas y Trminos de enlace

Unidad 3 Representacin del Conocimiento y razonamiento.

Unidad 3 Representacin del Conocimiento y razonamiento.

notacin: cadenas de caracteres, comienzan en maysculas

Ejemplos: Juan; Mi coche;

Funciones: Representan (implcitamente) un objeto individual que est

notacin: smbolo de funcin (cadena, comienza con Mays.) con aridad n

Ejemplos: Padre de (Juan); Hijo de (Pedro; Ana); Coseno (45)

Variables: Representan objetos sin indicar cuales

notacin: cadenas de caracteres en minsculas

Ejemplos: x; y; padre; hijo;

Predicados: Representan una propiedad de un trmino (si aridad 1) o relaciones

notacin: cadenas de caracteres + k trminos (variables, constantes,

Unidad 3 Representacin del Conocimiento y razonamiento.

Ejemplos: Asesina (Juan; x); Es_alto (Juan); Vive_con (Juan; Padre_de

asocia a las constantes objetos del mundo

asocia a las funciones relaciones funcionales entre objetos

asocia a los predicados relaciones entre objetos

Ms compleja que en lgica de proposiciones

Dominio de una interpretacin: Conjunto de objetos del mundo que se manejan en

Unidad 3 Representacin del Conocimiento y razonamiento.

U: universo de discurso (conj. de individuos/objetos)