Cuestionario Guía 1

En un Sistema Basado en Reglas (SBR), ¿cuál es la función principal del "motor de inferencia" según lo discutido en el Capítulo 1 del libro?

• Almacenar todas las reglas y hechos del sistema.

• Aprender nuevas reglas automáticamente a partir de datos.

• Aplicar las reglas de la base de conocimiento a los hechos conocidos para deducir nuevas conclusiones.

• Convertir las reglas en un formato gráfico como un árbol de decisión.

Una ventaja clave de los Sistemas Basados en Reglas es su "transparencia". Al implementarlos en Python, ¿qué implicaría esta transparencia para un desarrollador?

• Que el código Python se ejecutará siempre de forma muy eficiente sin necesidad de optimización.

• Que las reglas, al ser explícitas (ej. como estructuras de datos o funciones claras), son más fáciles de entender, depurar y modificar.

• Que el sistema puede generar automáticamente la documentación de su lógica interna.

• Que no se necesita una base de hechos, ya que todo está en las reglas.

En python se utiliza la biblioteca sklearn para crear un DecisionTreeClassifier. ¿Qué representa fundamentalmente este clasificador en términos de un sistema basado en reglas?

• Un conjunto de funciones de pertenencia para lógica difusa.

• Una forma de representar conocimiento experto mediante reglas "SI-ENTONCES" derivadas de los datos.

• Un motor para ejecutar reglas escritas en lenguaje Prolog.

• Un algoritmo para agrupar datos similares en clústeres.

Al visualizar un árbol de decisión (como se hace con plot_tree en la libreria sklearn de python), cada ruta desde el nodo raíz hasta un nodo hoja puede interpretarse como:

• Un vector de características.

• Una regla de producción con condiciones (nodos internos) y una conclusión (nodo hoja).

• Un ciclo en un motor de inferencia.

• Una función de activación de una neurona.

En el notebook de ejemplo de logica fuzzy, al definir las variables de entrada (antecedentes) , se utilizan funciones como fuzz.trimf(variable.universe, [1, 1, 2.5]) para crear términos lingüísticos (ej. 'corto'). ¿Qué representan los valores dentro de la lista [1, 1, 2.5] en la función trimf?

• Los puntos donde la función de pertenencia triangular alcanza un grado de pertenencia de 0, 1 y 0, respectivamente.

• El número mínimo, medio y máximo de ejemplos de entrenamiento para ese término lingüístico.

• Los pesos asignados a la variable 'petal_length' en las reglas difusas.

• Los límites para dividir aleatoriamente los datos en conjuntos 'corto', 'medio' y 'largo'.