WorksheetsExamen sistemas inteligentes
Total questions: 58
Worksheet time: 15hrs 30mins
Son aquellas entidades capaces de percibir y procesar su entorno y actuar de manera racional a dicho entorno
Agentes Inteligentes
Agentes de interfaz
Agentes de informacion
Son características de los agentes de información
Autonomía
Sociabilidad
Reactividad
Aislamiento
Inactividad
Son clasificaciones de los Agente inteligentes
Agentes de interfaz
Agentes colaborativos o cooperativos
Agentes móviles
Agentes Arrendatarios
Agentes de Individuales
Agentes de interfaz
Apoyan al usuario para que pueda utilizar una aplicación en particular.
Estos agentes interactúan con el usuario de forma gráfica
Anticipan las necesidades de los usuarios, realiza sugerencias, provee consejo.
Son agentes que gestionan el acceso a múltiples fuentes de información las cuales son heterogéneas y geográficamente distribuidas.
Tienen capacidad de negociación para realizar tareas en conjunto
Agentes de información
Apoyan al usuario para que pueda utilizar una aplicación en particular.
Estos agentes interactúan con el usuario de forma gráfica
Anticipan las necesidades de los usuarios, realiza sugerencias, provee consejo.
Son agentes que gestionan el acceso a múltiples fuentes de información las cuales son heterogéneas y geográficamente distribuidas.
Adquisición proactiva y mantenimiento de información relevante para otros usuarios y/o agentes
Agentes de colaborativos o cooperativos
Anticipan las necesidades de los usuarios, realiza sugerencias, provee consejo.
Son agentes que gestionan el acceso a múltiples fuentes de información las cuales son heterogéneas y geográficamente distribuidas.
Tienen capacidad de negociación para realizar tareas en conjunto
Estos agentes cuentan con un cierto nivel de autonomía y cooperan con otros agentes
Los agentes reactivos apenas y colaboran. Solo afectan el ambiente por medio de sus acciones.
Agentes de moviles
Tienen capacidad de negociación para realizar tareas en conjunto
Estos agentes cuentan con un cierto nivel de autonomía y cooperan con otros agentes
Los agentes reactivos apenas y colaboran. Solo afectan el ambiente por medio de sus acciones.
Son procesos capaces de viajar por la red los cuales se encargan de reunir información para el beneficio del propietario.
Realizan la tarea de forma remota y después regresan con los resultados
Problemas al construir agentes de interfaz, Agentes colaborativos o cooperativos
Como ayudar al usuario
Cuando ayudar al usuario
Con que ayudar al usuario
Incompetencia
desconfianza
Son características de la racionalidad
Importan las acciones esperadas y resultados dependiendo en que ha percibido el agente.
Ser razonable, sensible y tener un buen sentido de juicio.
Actuar sin considerar cuidadosamente las consecuencias o sin un juicio reflexivo.
Dejar que las emociones dicten las acciones en lugar de tomar decisiones basadas en la lógica y el juicio
Agente de reflejo
Escogen acciones basadas en la percepción actual
Son racionales solo si una decisión correcta es hecha en base a la percepción actual
Usan un modelo del mundo para seleccionar sus acciones.
es el conocimiento acerca de “como ocurren las cosas en el mundo”
Es la representación de aspectos no observados del estado actual. Depende de la historia del perceptor
Agentes de reflejo basado en modelos
Escogen acciones basadas en la percepción actual
Son racionales solo si una decisión correcta es hecha en base a la percepción actual
Usan un modelo del mundo para seleccionar sus acciones.
es el conocimiento acerca de “como ocurren las cosas en el mundo”
Es la representación de aspectos no observados del estado actual. Depende de la historia del perceptor
Agentes basados en objetivos
Ellos escogen sus acciones para lograr un objetivo
Esta técnica es más flexible que un agente de reflejo ya que el conocimiento que justifica una decisión es modelada explícitamente.
Escogen acciones basados en preferencia (utilidad) para cada estado.
Los objetivos son inadecuados cuando: Hay objetivos en conflicto o no hay certeza que los objetivos puedan ser alcanzados.
Agentes basados en utilidad
Ellos escogen sus acciones para lograr un objetivo
Esta técnica es más flexible que un agente de reflejo ya que el conocimiento que justifica una decisión es modelada explícitamente.
Escogen acciones basados en preferencia (utilidad) para cada estado.
Los objetivos son inadecuados cuando: Hay objetivos en conflicto o no hay certeza que los objetivos puedan ser alcanzados.
Teoría de utilidad
es todo aquello en el mundo que rodea al agente
no es una parte de un agente
también puede ser definido como la situación en la cual un agente se encuentr
La utilidad es la medida de la satisfacción de una persona con un bien o servicio. A mayor utilidad mayor consumo.
Ambientes
es todo aquello en el mundo que rodea al agente
no es una parte de un agente
también puede ser definido como la situación en la cual un agente se encuentr
La utilidad es la medida de la satisfacción de una persona con un bien o servicio. A mayor utilidad mayor consumo.
Propiedades de un ambiente
Discreto/Continuo
Es discreto si existe un número definido de estados para el ambiente (un juego de gato o ajedrez)
Es continuo si no tiene un número definido de estados. (Manejar un auto)
Es posible determinar el estado completo del ambiente en cada punto percibido, entonces es observable, de lo contrario no lo es.
Un juego de ajedrez es observable, pero el manejo de un auto no es observable.
Propiedades de un ambiente
Observable/Parcialmente observable
Es discreto si existe un número definido de estados para el ambiente (un juego de gato o ajedrez)
Es continuo si no tiene un número definido de estados. (Manejar un auto)
Es posible determinar el estado completo del ambiente en cada punto percibido, entonces es observable, de lo contrario no lo es.
Un juego de ajedrez es observable, pero el manejo de un auto no es observable.
Propiedades de un ambiente
Estático/Dinámico
Si el ambiente no cambia cuando el agente está actuando, entonces es estático, de lo contrario es dinámico.
Un juego de soccer es dinámico, cortar el pasto es estático
Si los sensores del agente tienen acceso al estado completo del ambiente, entonces se entiende que el ambiente es accesible para el agente
Un cuarto donde se mide su temperatura es accesible. El estado de una pandemia es inaccesible.
Propiedades de un ambiente
Accesible/Inaccesible
Si el ambiente no cambia cuando el agente está actuando, entonces es estático, de lo contrario es dinámico.
Un juego de soccer es dinámico, cortar el pasto es estático
Si los sensores del agente tienen acceso al estado completo del ambiente, entonces se entiende que el ambiente es accesible para el agente
Un cuarto donde se mide su temperatura es accesible. El estado de una pandemia es inaccesible.
Propiedades de un ambiente
Determinista/No determinista
Si el siguiente estado del ambiente es determinado completamente por su estado actual y las acciones del agente, entonces el ambiente es determinista.
Explorador de marte es no determinista y un juego de gato sería determinista.
Son aquellos en los que las percepciones y acciones de un agente se dividen en “episodios”.
Estos ambientes son sencillos porque el agente no necesita pensar a futuro
Los sistemas expertos son ejemplos de un ambiente episódico
Propiedades de un ambiente
Episódico/No episódico
Si el siguiente estado del ambiente es determinado completamente por su estado actual y las acciones del agente, entonces el ambiente es determinista.
Explorador de marte es no determinista y un juego de gato sería determinista.
Son aquellos en los que las percepciones y acciones de un agente se dividen en “episodios”.
Estos ambientes son sencillos porque el agente no necesita pensar a futuro
Los sistemas expertos son ejemplos de un ambiente episódico
Redes Neuronales
son una serie de algoritmos los cuales están modelados ligeramente en el cerebro humano.
son capaces de reconocer patrones
se basan en la idea de generalizar información la cual es extraída de datos experimentales, bases de datos, etc.
las técnicas o algoritmos podrían ser completamente abstractos y alejados de cualquier analogía con la biología cerebral.
el sistema sería deficiente en la identificación de relaciones o regularidades en los datos.
Ventajas de las redes neuronales
Sintetizan algoritmos
No es necesario conocer la matemática, solo estar familiarizado con los detalles
Son robustas
Se deben entrenar para cada problema
Se necesitan muchos datos para crearlas
Desventajas de las redes neuronales
Sintetizan algoritmos
No es necesario conocer la matemática, solo estar familiarizado con los detalles
Son complejas de modificar
Se deben entrenar para cada problema
Se necesitan muchos datos para crearlas
Se introducen entradas que corresponden a determinadas salidas, para lograr un determinado objetivo.
Supervisado o asociativo.
No supervisado o auto-organizativo.
Aprendizaje Supervisado
Se buscan características estadísticas de agrupamiento entre patrones de entrada.
Supervisado o asociativo.
No supervisado o auto-organizativo.
Aprendizaje Supervisado
Se usa un entrenamiento por un agente externo (también llamado supervisor) que nos va ayudar a saber la respuesta que genera una red a raíz de una entrada proporcionada.
Supervisado o asociativo.
No supervisado o auto-organizativo.
Aprendizaje Supervisado
Aprendizaje por corrección de error
Este algoritmo ajusta los pesos de los arcos de una determinada red en función de: valores deseados – valores obtenidos
Se basa en la idea de no tener un ejemplo completo del comportamiento deseado (en otras palabras, no especificas cual es la salida esperada, dada una entrada, durante el entrenamiento)
Se tiene un supervisor el cuál indicará si el resultado obtenido es correcto.
El éxito tiene un valor de 1 y el fracaso un valor de -1
Se ajustan los pesos de las redes neuronales basándose en estos valores
Aprendizaje por Reforzamiento
Este algoritmo ajusta los pesos de los arcos de una determinada red en función de: valores deseados – valores obtenidos
Se basa en la idea de no tener un ejemplo completo del comportamiento deseado (en otras palabras, no especificas cual es la salida esperada, dada una entrada, durante el entrenamiento)
Se tiene un supervisor el cuál indicará si el resultado obtenido es correcto.
El éxito tiene un valor de 1 y el fracaso un valor de -1
Se ajustan los pesos de las redes neuronales basándose en estos valores
Aprendizaje Estocástico
Consiste en realizar cambios aleatorios en los valores de los pesos de los arcos de la red neuronal.
Se evalúa su efecto a partir del objetivo deseado y distribuciones de probabilidad.
Se tiene un supervisor el cuál indicará si el resultado obtenido es correcto.
El éxito tiene un valor de 1 y el fracaso un valor de -1
Aprendizaje no supervisado
En este tipo de aprendizaje no existe un supervisor que revise el proceso de aprendizaje del agente.
Está conformado por una serie de reglas que le dan la capacidad a la red neuronal para aprender asociaciones entre los patrones que ocurren en conjunto frecuentemente
Una vez que el algoritmo aprende, permite que la red neuronal realice tareas útiles de reconocimiento de patrones y pueda recordar.
Intenta medir la familiaridad (similitud entre la información de entrada vs información mostrada con anterioridad) o extraer características de los datos de entrada
Este aprendizaje consiste en ajustar los pesos de las conexiones en base a la correlación de las salidas de las dos neuronas conectadas
Aprendizaje Hebbiano
En este tipo de aprendizaje no existe un supervisor que revise el proceso de aprendizaje del agente.
Está conformado por una serie de reglas que le dan la capacidad a la red neuronal para aprender asociaciones entre los patrones que ocurren en conjunto frecuentemente
Una vez que el algoritmo aprende, permite que la red neuronal realice tareas útiles de reconocimiento de patrones y pueda recordar.
Intenta medir la familiaridad (similitud entre la información de entrada vs información mostrada con anterioridad) o extraer características de los datos de entrada
Este aprendizaje consiste en ajustar los pesos de las conexiones en base a la correlación de las salidas de las dos neuronas conectadas
Aprendizaje Competitivo y Colaborativo
Intenta medir la familiaridad (similitud entre la información de entrada vs información mostrada con anterioridad) o extraer características de los datos de entrada
Este aprendizaje consiste en ajustar los pesos de las conexiones en base a la correlación de las salidas de las dos neuronas conectadas
Estas redes las neuronas compiten y colaboran entre ellas con el objetivo de realizar una tarea
Cuando se presenta a la red una entrada, una de las neuronas de salida, o un grupo de neuronas, se activan. El resto de las neuronas quedan en un estado de respuesta mínimo
El objetivo de este tipo de aprendizaje es generar categorías (clustering) de los datos que son introducidos en la red neuronal.
Estructuras de las redes neuronales
está compuesta por nodos (unidades o neuronas), unidos por medio de conexiones
el sistema carecería de capas intermedias o cualquier tipo de procesamiento interno más allá de las conexiones directas entre entrada y salida.
Se cuentan con unidades de entrada o salida las cuales están conectadas al ambiente externo.
Existen neuronas conectadas a otras neuronas, las cuales se llaman neuronas ocultas.
no tendría interfaces para interactuar con su entorno.
conjunto de neuronas cuyas entradas provienen de la misma fuente (pueden ser otra capa de neuronas) y las salidas se dirigen al mismo destino (la cual a su vez puede ser otra capa de neuronas).
Capas de neuronas
Pesos
Funciones
Pesos
A cada conexión se le va asignar un valor numérico el cual se le conoce como peso.
Los pesos constituyen el principal recurso de memoria de largo plazo.
El aprendizaje usualmente se realiza actualizando los valores de los pesos.
Este nodo determina si la señal debe progresar o no a lo largo de la red neuronal.
Un peso es positivo si se desea promover la relación con la neurona. Es negativo si se desea suprimir o inhibir la otra neurona.
Funciones de activación
La suma de todos los pesos es proporcionada a un nodo especial
Este nodo determina si la señal debe progresar o no a lo largo de la red neuronal.
Un peso es positivo si se desea promover la relación con la neurona. Es negativo si se desea suprimir o inhibir la otra neurona
Primero se realiza una propagación hacia atras, hasta que se obtiene un resultado. Después se compara el resultado para obtener el error y posteriormente se ajustan los pesos hasta que el algoritmo obtenga los valores correctos.
Este es un algoritmo que apoya al financiamiento de redes neuronales
Funciones de activación
La resta de todos los pesos es proporcionada a un nodo especial
Este nodo determina si la señal debe detenerse o no a lo largo de la red neuronal.
Este es un algoritmo de aprendizaje supervisado, consiste en propagar el error hacia atrás, se le conoce como un clasificador lineal binario
Primero se realiza una propagación hacia adelante, hasta que se obtiene un resultado. Después se compara el resultado para obtener el error y posteriormente se ajustan los pesos hasta que el algoritmo obtenga los valores correctos.
Este es un algoritmo que apoya al entrenamiento de redes neuronales
Redes de perceptron
clasificador lineal el cual funciona dentro del aprendizaje supervisado, compuesto de 4 elementos
Unidades de entrada y una de salida y Pesos y umbrales
Función de agregación y Función de activación
nos muestran la “fuerza” de un nodo en particular
nos permiten mover la curva de la función de activación hacia arriba o abajo
Redes de perceptron
clasificador lineal el cual funciona dentro del aprendizaje supervisado, compuesto de 4 elementos
Unidades de entrada y una de salida y Pesos y umbrales
Función de activación
nos muestran la “fuerza” de un nodo en particular
nos permiten mover la curva de la función de activación hacia arriba o abajo
¿Para que ocupamos una función de activación?
Nos ayuda a determinar la salida de una red neuronal
Usualmente esto va a ser una salida entre 0 a 1o -1 a 1
Todas las entradas x son multiplicadas por los pesos w, y al resultado lo llamaremos k
Se suman todos los valores multiplicados, la cual llamaremos la unión sumadora
¿Cómo funcionan las redes perceptron?
Nos ayuda a determinar la salida de una red neuronal
Usualmente esto va a ser una salida entre 0 a 1o -1 a 1
Todas las entradas x son multiplicadas por los pesos w, y al resultado lo llamaremos k
Se suman todos los valores multiplicados, la cual llamaremos la unión sumadora
Proceso de Entrenamiento
Error = Salida esperada – salida obtenida
Dependiendo de la severidad ajustar los pesos correspondientemente
Tomamos las entradas del ejemplo de entrenamiento y las ponemos en nuestra fórmula para obtener la salida de la neurona
Es una red recurrente, en otras palabras al introducir un patrón de entrada, la información se propaga hacia adelante y hacia atrás.
La evolución se detendrá cuando se llegue a un estado estable, sin embargo en algunos casos puede que nunca se detenga
Red de Hopfield
Hopfield conceptualizó a las redes neuronales como sistemas dinámicos con energía semejantes con ciertos modelos físicos.
El propuso que la salida de cada neurona se calcula y se retroalimenta como entrada, calculándose hasta que se llega a un punto de estabilidad.
Es una red recurrente, en otras palabras al introducir un patrón de entrada, la información se propaga hacia adelante y hacia atrás.
La evolución se detendrá cuando se llegue a un estado estable, sin embargo en algunos casos puede que nunca se detenga
Origen de la Red de Hopfield
Hopfield conceptualizó a las redes neuronales como sistemas dinámicos con energía semejantes con ciertos modelos físicos.
El propuso que la salida de cada neurona se calcula y se retroalimenta como entrada, calculándose hasta que se llega a un punto de estabilidad.
Es una red recurrente, en otras palabras al introducir un patrón de entrada, la información se propaga hacia adelante y hacia atrás.
La evolución se detendrá cuando se llegue a un estado estable, sin embargo en algunos casos puede que nunca se detenga
Estructura
Este modelo consiste de una red monocapa de neuronas cuyas salidas pueden ser binarias (1,0) o bipolares (-1,1).
El conocimiento se almacena en los pesos.
método de razonamiento que se asemeja al razonamiento humano
La aproximación, imita la forma en que los seres humanos toman decisiones, considerando todos aquellos valores intermedios entre un “si” y un “no”
Lógica Difusa
Este modelo consiste de una red monocapa de neuronas cuyas salidas pueden ser binarias (1,0) o bipolares (-1,1).
El conocimiento se almacena en los pesos.
método de razonamiento que se asemeja al razonamiento humano
La aproximación, imita la forma en que los seres humanos toman decisiones, considerando todos aquellos valores intermedios entre un “si” y un “no”
El inventor, Lotfi Zadeh observó que a diferencia de las computadoras existe un cierto rango de posibilidades entre un “si” y un “no”
Implementación de la lógica difusa
en sistemas de varios tamaños y capacidades.
tanto en hardware, software o una combinación de los dos
Puede controlar máquinas y productos de consumidores
No proporciona un razonamiento exacto, a cambio nos da un razonamiento aceptable
nos ayuda a atacar el problema de la incertidumbre en la ingeniería
Necesidad de la lógica difusa
en sistemas de varios tamaños y capacidades.
tanto en hardware, software o una combinación de los dos
Puede controlar máquinas y productos de consumidores
No proporciona un razonamiento exacto, a cambio nos da un razonamiento aceptable
nos ayuda a atacar el problema de la incertidumbre en la ingeniería
Convierte las entradas del sistema, las cuales son nítidas, en conjuntos difusos
Fuzzyficador
Desfuzzyficador
Motor de inferencia
Base de conocimiento (Reglas difusas)
Convierte el conjunto difuso obtenido por el motor de inferencia en un valor numérico nítido el cual puede ser reutilizado
Fuzzyficador
Desfuzzyficador
Motor de inferencia
Base de conocimiento (Reglas difusas)
Almacena las reglas SI-ENTONCES (IF-THEN) obtenidas por los expertos
Fuzzyficador
Desfuzzyficador
Motor de inferencia
Base de conocimiento (Reglas difusas)
Simula el razonamiento humano haciendo una referencia difusa de las salidas y las reglas difusas almacenadas
Fuzzyficador
Desfuzzyficador
Motor de inferencia
Base de conocimiento (Reglas difusas)
¿Por qué usar la lógica difusa?
Los conceptos matemáticos dentro de la lógica difusa son muy simples y se pueden implementar con relativa facilidad
es flexible, solo se modifican/agregan/eliminan las reglas existentes.
depende del experto que la construyó
resuelve problemas nuevos, pero no provee nuevos métodos para resolver los problemas de siempre
No Admite datos imprecisos
Áreas de aplicación de la lógica difusa especializado en Sistemas automotrices
Cajas de velocidades automáticas, control del ambiente del vehículo
Cámaras, videocámaras, televisiones (brillo/contraste)
Microondas, refrigeradores, tostadores, aspiradoras, lavaplatos
Aire acondicionado, humidificadores
Áreas de aplicación de la lógica difusa especializado en Electrónicos
Cajas de velocidades automáticas, control del ambiente del vehículo
Cámaras, videocámaras, televisiones (brillo/contraste)
Microondas, refrigeradores, tostadores, aspiradoras, lavaplatos
Aire acondicionado, humidificadores
Áreas de aplicación de la lógica difusa especializado en Electrodomésticos
Cajas de velocidades automáticas, control del ambiente del vehículo
Cámaras, videocámaras, televisiones (brillo/contraste)
Microondas, refrigeradores, tostadores, aspiradoras, lavaplatos
Aire acondicionado, humidificadores
Áreas de aplicación de la lógica difusa especializado en Control del ambiente
Cajas de velocidades automáticas, control del ambiente del vehículo
Cámaras, videocámaras, televisiones (brillo/contraste)
Microondas, refrigeradores, tostadores, aspiradoras, lavaplatos
Aire acondicionado, humidificadores
