Sistema Basado en casos

Los sistemas de razonamiento basado en casos CBR (del ingls Case-Based Reasoning) resuelven problemas a partir de otros similares denominados casos. Ellos utilizan conocimiento especfico de experiencias previas para resolver un problema, buscando casos con valores similares de las caractersticas que lo identifican En este caso el aprendizaje requiere de mtodos para seleccionar el conocimiento relevante de la experiencia, integrar el caso en la estructura del conocimiento e indexar el problema para ser seleccionado en situaciones similares. El ciclo del razonamiento basado en casos En el proceso de dividir el razonamiento basado en casos en diferentes subprocesos nos encontramos el ciclo que lo conforman puede ser dividido en 4 procesos claramente diferenciados: RECUPERAR los casos similares al que analizamos. REUTILIZAR la informacin y el conocimiento que tenemos en este caso para resolver el problema. REVISAR la solucin propuesta. RETENER o RECORDAR las partes de esta experiencia que nos puedan ser tiles para la resolucin de futuros problemas.

Agentes inteligentes
Son algoritmos que interactan con su ambiente, adquiriendo informacin de l por medio de sensores y respondiendo mediante efectores. Utilizan tcnicas de razonamiento para efectuar una tarea en forma apropiada empleando la informacin recolectada; adems, tienen la capacidad de adaptacin al ambiente, de tal forma que ante un cambio se entregue el resultado esperado

Representacin del conocimiento con mtodos conexionistas

Este tipo de mtodos puede caracterizar la representacin y la adquisicin del conocimiento y tcnicas de aprendizaje a partir del conocimiento emprico. Entre los principales mtodos conexionistas estn los que se describen a continuacin Redes neuronales Algoritmo de aprendizaje para el anlisis de datos multivariables LAMDA Mquinas de soporte vectorial (SVM)

Redes neuronales
Las redes neuronales son combinaciones de elementos simples de proceso interconectados que operan de forma paralela para resolver problemas relacionados con el reconocimiento de formas o patrones, prediccin, codificacin, control y optimizacin, entre otras aplicaciones. En las Redes Neuronales Artificiales, ANN, la unidad anloga a la neurona biolgica es el elemento procesador, PE (process element). Un elemento procesador tiene varias entradas y las combina, normalmente con una suma bsica. La suma de las entradas es modificada por una funcin de transferencia y

el valor de la salida de esta funcin de transferencia se pasa directamente a la salida del elemento procesador. La salida del PE se puede conectar a las entradas de otras neuronas artificiales (PE) mediante conexiones ponderadas correspondientes a la eficacia de la sinapsis de las conexiones neuronales. La figura representa un elemento procesador de una red neuronal artificial implementada en un ordenador.

Entre las ventajas se incluyen: Aprendizaje Adaptativo: capacidad de aprender a realizar tareas basadas en un entrenamiento o en una experiencia inicial. Auto-organizacin: una red neuronal puede crear su propia organizacin o representacin de la informacin que recibe mediante una etapa de aprendizaje. Tolerancia a fallos: la destruccin parcial de una red conduce a una degradacin de su estructura; sin embargo, algunas capacidades de la red se pueden retener, incluso sufriendo un gran dao. Operacin en tiempo real: los cmputos neuronales pueden ser realizados en paralelo; para esto se disean y fabrican mquinas con hardware especial para obtener esta capacidad. Fcil insercin dentro de la tecnologa existente: se pueden obtener chips especializados para redes neuronales que mejoran su capacidad en ciertas tareas. Ello facilitar la integracin modular en los sistemas existentes.

Algoritmo de aprendizaje para el anlisis de datos multivariables LAMDA

LAMDA es un algoritmo de clasificacin multivariable que combina la capacidad de generalizacin de la lgica difusa y la capacidad de interpolacin de los conectores de lgica hbrida. Puede realizar aprendizaje supervisado y no supervisado, modela indistinguibilidades y es de fcil implementacin. La estructura del clasificador es similar a la de una red neuronal e igualmente, requiere de una etapa de entrenamiento en la cual se crean y modifican las clases, y una etapa de reconocimiento de patrones para la asignacin de individuos a clases fijas.

Mquinas de soporte vectorial (SVM)

Las SVM (Support Vector Machines) han sido utilizadas exitosamente en la identificacin de partculas, rostros humanos y texto, y otras aplicaciones de ingeniera y mercadeo. Su enfoque es sistemtico y respaldado por teoras de aprendizaje estadstico; son un algoritmo de estimacin(learning machine) basado en procedimientos de estimacin de parmetros a partir de un conjunto de datos (Trainning), el clculo del valor de la funcin (testing) y la evaluacin de la precisin (performance)

Asumiendo que existen dos estados que se quieren separar (operacin=1 o falla=1), la idea principal es obtener dos hiperplanos paralelos a una distancia (margen) que separe los estados de falla de los de operacin ; la condicin bsica es que no existan puntos entre H1 y H2, y que la distancia entre H1 y H2 (margen) sea

mxima. Las cantidades w y b son los parmetros que controlan la funcin y se denominan vector de pesos y bias (Cristianini et al., 2000). Este es un problema de programacin cuadrtica, convexo, en un conjunto convexo (w, b). Al determinar el mximo margen (hiperplanos que maximizan el margen), slo los puntos que se encuentren ms cercanos a los hiperplanos tendrn valores de w positivos. Estos puntos constituyen los Vectores de Soporte (VS), es decir, los elementos crticos del conjunto de datos; todos los dems puntos tendrn w=0, lo cual significa que si se repite el proceso de entrenamiento conservando slo los VS se obtendrn los mismos hiperplanos. Problemas con un conjunto pequeo de datos pueden ser resueltos con cualquier paquete de optimizacin que resuelva programas de optimizacin cuadrtica con restricciones lineales; para problemas con muchos datos se han desarrollado tcnicas especiales. Si la superficie que separa las dos clases no es lineal, el conjunto de datos se puede transformar en un nuevo espacio dimensional tal que los puntos sean separables linealmente;

La figura muestra una regin de separacin no lineal transformada en una lineal

Bibliografa
http://saber-ia.blogspot.com/2009/02/web-semantica.html http://ccia.ei.uvigo.es/docencia/IA/1112/seminarios/ws.pdf http://es.wikipedia.org/wiki/L%C3%B3gica_difusa http://www.monografias.com/trabajos12/redneuro/redneuro.shtml http://ciat-library.ciat.cgiar.org/Articulos_Ciat/Manual_Arboles.pdf