Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
MATERIA DE LA ASIGNATURA
1. Perspectiva histrica
o Etapa Neurociberntica
o Mdelos simblicos simples de propsito
general
Presentacin [xi]
1. PERSPECTIVA HISTRICA Y CONCEPTUAL [1]
(J. Mira y A. E. Delgado)
1.1 Concepto de inteligencia artificial [2]
1.2 Idea intuitiva del comportamiento artificial [7]
1.3 Perspectiva histrica de la I.A. [16]
---1.3.1 Neurociberntica [18]
---1.3.2 Computacin: de Platn a Turing [23]
---1.3.3 Bsqueda heurstica y dominios formales [29]
Perspectiva histrica
La materia objeto del presente anlisis trata de la "Inteligencia Artificial", y
esto no slo se refiere a la forma actual de llevar a cabo la mecanizacin de los
procesos del pensamiento: los programas de computadores, sino a todos los
intentos de construir sistemas o autmatas inteligentes realizados a lo largo de
la historia. Analicemos por tanto en primer lugar sus antecedentes.
Como en cualquier otra rama del saber, existen multitud de circunstancias a lo
largo de la historia que han conducido a la situacin actual. Puede decirse que
desde siempre el ser humano ha tenido presente el "desafo del hombre que
fabrica al hombre". Como manifestaciones ms remotas de este deseo
podemos destacar: las figuras utilizadas en los ritos de magia del hombre
primitivo, las estatuas que servan de cobijo a los muertos en la cultura
egipcia; los artilugios diversos (p.ej. maquinarias escnicas) que se inventaron
en la poca alejandrina de la Grecia Clsica; y la que parece haber sido la
primera referencia a un androide, Talos, obra de Ddalo, gigantesco robot de
la mitologa que protega a Creta de sus enemigos.
Mucho ms cercano, en el siglo XIII podemos mencionar la existencia de una
leyenda en la que se describa la construccin de una "cabeza de bronce
pensante" que explicaba a fray Roger Bacon y a su colega fray Bungey como
defender Inglaterra con una gran muralla de bronce. Tambin existen historias
sobre la construccin de "cabezas parlantes" por Alberto Magno, Toms de
Aquino, el obispo Grosseteste, el papa Silvestre II, etc. Como siguiente
antecedente no debemos olvidar, el que para muchos es el verdadero
paradigma de la Inteligencia Artificial: El Glem (palabra talmdica que se
refiere a todo lo incompleto o sin forma) que el rabino Judah Loew construy
en 1580 y que consista en una estatuilla que cobr vida y sirvi para defender
a la comunidad juda de Praga, aunque luego tuvo que ser destruido cuando
ste perdi el control y se convirti en "un monstruo que amenazaba al
mundo". En el mismo siglo XVI, como un ejemplo ms del desarrollo de la
alquimia de la poca, el mdico medieval Paracelso lleg a elaborar la receta
para crear un "homnculo": un ser humano entero artificial.
Todos los ejemplos mencionados pertenecen al mundo de las leyendas y no
existen indicios de ningn medio tcnico para su creacin. Los primeros
hombres mecnicos fueron las figuras mviles de los campanarios de finales
de la Edad Media. Existen otros relatos que hablan de seres artificiales
inspirados en el propio ser humano, entre los que destaca el primer modelo de
computacin analgico no lineal y distribuido diseado por W.S. McCulloch y
Walter Pitts (1943), que luego fue mejorado y ampliado en sucesivas
ocasiones, por Blum (1955), por Rosenblatt (1962), y por Widrow y Hoff
(1969). Bsicamente, la propuesta consista en que cualquier ley de entradasalida poda modelizarse con una red neuronal: redes de elementos de
procesamiento analgico no lineal (sumadores con pesos modificables
seguidos de una funcin de decisin no lineal de tipo umbral) inspirados en
algunos aspectos superficiales del funcionamiento de las neuronas.
El verdadero surgir del trmino "Inteligencia Artificial" (acuado por John
McCarthy) tuvo lugar en el estudio sobre el tema realizado - bajo el auspicio
de la Fundacin Rockefeller - por diez personas durante dos meses en el
"Darmouth College", en el verano de 1956. Entre los invitados destacan
personajes tan eminentes como: McCarthy, Samuel, Minsky, Newell, Shaw y,
el que sera ms tarde premio Nobel, Simon. La evolucin experimentada
desde los primeros modelos neuronales hasta la situacin actual puede
dividirse en una serie de etapas:
Etapa Neurociberntica
Como ya hemos sealado, la Inteligencia Artificial (IA) comenz siendo
computacin neuronal con los trabajos de McCulloch y Pitts, que introdujeron
la idea de circuito secuencial mnimo, formado por una funcin lgica seguida
de un retardo y en el que la programacin se sustituye por el aprendizaje.
Los trabajos de esta poca, a la que puede denominarse neurociberntica, se
basan en crear modelos formales que sigan los mismos principios de
funcionamiento que tienen las componentes conocidas de los organismos
biolgicos en los que descansa la facultad de pensar del ser humano. Por tanto,
tomando como ejemplo las neuronas del cerebro se crean modelos que sean
capaces de: crear una memoria asociativa, autoorganizarse y aprender de
forma autnoma.
En este perodo se busca la solucin de los problemas en un nivel fsico,
donde una funcin se realiza por una sola estructura (p.ej., un sumador
"suma"). As, la estructura de las neuronas formales de la primera poca
consista simplemente en una serie de entradas, que podan ser excitadoras o
Por otro lado, una vez se crea superado el enfoque neurociberntico del
problema del aprendizaje, se crearon los primeros sistemas que lo afrontaban
desde una perspectiva simblica. El hecho ms destacado fue el desarrollo de
un programa que era capaz de aprender a jugar a las damas lo suficientemente
bien como para batir a su creador. Este sistema utilizaba dos clases de
aprendizaje: memorstico (almacenar valores calculados de informacin para
que no sea necesario volver a calcularlos ms tarde) y ajuste de parmetros o
de coeficientes. Este ltimo consiste en combinar la informacin recibida de
diferentes fuentes para formar un nico resumen estadstico, en este contexto
denominado funcin de evaluacin: cuyo valor es una combinacin lineal de
16 factores (p.ej., movilidad de las piezas) con sus respectivos coeficientes o
pesos. El aprendizaje se traduce en el incremento o disminucin de los pesos
dependiendo de que el factor correspondiente afecte a la variacin
experimentada en el valor de la funcin a lo largo del juego. Como puede
apreciarse, este tipo de anlisis es bastante limitado ya que no se tiene en
cuenta el conocimiento implicado ni la estructura y las relaciones del mismo
en el dominio. En cierto sentido, este aprendizaje sigue siendo ms numrico
que simblico.
Pero en esta poca avanzaron otras muchas ramas de la IA, no solo los SBC.
Uno de los problemas que tuvieron mayor atencin sigui siendo el del
procesamiento del lenguaje natural (PLN). Las investigaciones realizadas se
dividieron en: mtodos para hacer computables los modelos cognitivos
utilizados por los humanos, denominado PLN General; y procedimientos
efectivos para entablar procesos de comunicacin entre el hombre y la
mquina -sin considerar su plausibilidad psicolgica-, denominado PLN
Aplicado. Adems de la equiparacin de patrones y el anlisis sintctico,
surgen los mtodos basados en la utilizacin de gramticas semnticas;
aplicados en los sistemas: LIFER y SOPHIE. En este enfoque las categoras
gramaticales son sintcticas y semnticas. Existe tambin la posibilidad de
combinar las ventajas de las gramticas semnticas, las transformaciones
sintcticas, y la equiparacin de patrones en un mismo sistema. Este esquema,
denominado multiestratgico, se ha implementado en el sistema DYPAR.
A finales de los aos ochenta se divulg el uso de los interfaces de lenguaje
natural, fundamentalmente para el acceso a grandes bases de datos, aunque
tambin se han utilizado como intrprete de comandos, y en la consulta y
ejecucin de sistemas expertos sencillos. Estos sistemas tratan de solventar las
diferencias que existen entre los dos tipos de lenguajes -el lenguaje natural y
el propio de la base de datos (p.ej., SQL)- y de esta manera ofrecer al usuario
una herramienta mucho ms sencilla y flexible. Se trata de un tipo de interfaz
que pretende que el lenguaje de comunicacin con la mquina no sea ni tan
estricto como los lenguajes artificiales, ni tan ambiguo como los lenguajes
naturales. Estas aplicaciones son factibles porque no se trata de crear un
intrprete universal del lenguaje humano, sino uno restringido a las
expresiones ms frecuentes en un dominio concreto; por lo tanto, cada uno de
estos interfaces depende de la informacin contenida en la base de datos que
corresponda. Uno de los ms conocidos, DYPAR, se divide funcionalmente en
dos partes: la primera se encarga de leer y compilar las gramticas y la
segunda utiliza esa gramtica para entender las frases de los usuarios y
ejecutar las acciones asociadas con cada una de estas frases. DYPAR permite
construir gramticas semnticas, en las que la sintaxis del lenguaje est
implcita en los patrones semnticos. El fundamento de su funcionamiento es
la equiparacin de patrones, en concreto, la comparacin de la frase de entrada
con los patrones contenidos en las reglas de la gramtica.
Otra aportacin indudable en la CLN fue la instanciacin de marcos de casos.
Su origen se remonta a la propuesta del lingista Fillmore. Esta metodologa
es una de las principales tcnicas de anlisis que se sigue aplicando en la
Aspectos metodolgicos
conocimiento
distribucin
del
Despus
de
los
perodos
de
iniciacin
(secciones 1.2.1 y 1.2.2), y del de divulgacin y diversificacin
de las tcnicas bsicas aplicadas en diferentes dominios y
tareas (sec. 1.2.3), comenz a finales de los aos 80 una
poca de asentamiento y revisin de resultados caracterizada
por un cambio de conceptualizacin del conocimiento y por
una preocupacin por los aspectos metodolgicos en los
diferentes campos (SBC, aprendizaje, visin, CLN, etc.). En
cuanto al modelo del conocimiento adoptado tal y como
analizaremos a continuacin se observa un predominio de
los esquemas distribuidos con una capacidad intrnseca de
aprendizaje frente a la parcelacin, concentracin y
separacin de las tareas de aprendizaje que caracterizaba la
etapa anterior. Estos cambios se producen tanto en el campo
de
de agentes [Laird et al., 86; Nilsson, 89; Firby, 92; HayesRoth et al., 94], integracin de percepcin, accin e inferencia
[Washington & Hayes-Roth, 89; Chrisman & Simmons, 91],
seguimiento de instrucciones [Gans et al., 90; Webber et al.,
93], cooperacin de mltiples agentes [Sycara, 89; Durfee, 91,
Charib-draa et al., 92], etc. La cantidad de estudios que se
estn realizando refleja el inters que actualmente disfruta
este tema. Incluso podemos ya citar agentes cuyo propsito
es provocar reacciones en aquellos que forman parte de una
audiencia determinada [Bates et al., 95]. Por otro lado, la
propia concepcin de estos agentes los hace especialmente
adecuados para cubrir otra de las reas de investigacin de la
IA, la interaccin hombre-mquina [Shneiderman, 87].
Finalmente, otro dominio en el que estn surgiendo
numerosas aplicaciones de estos agentes es la gestin de
informacin y recursos disponibles a travs de la red Internet
(como queda reflejado en un libro que analiza el elevado
nmero de aplicaciones que ya estn operativas en la
actualidad [Fah-Chun, 96]).
lgica
de
circuitos,
transferencia-registro,
programa,
aplicacin) con el fin de afrontar la solucin de los problemas
en un nivel de complejidad cada vez ms cercano a la tarea
que se quiere resolver. En un principio, las especificaciones de
los problemas de IA se realizaban en lenguaje natural. Para
intentar simplificar el salto cualitativo que supone convertir
dichos requerimientos en un conjunto de procesos descritos
mediante un soporte software y hardware concretos, se han
establecido niveles genricos de descripcin adicionales que
pretenden simplificar las etapas de anlisis y diseo propias
de cualquier producto de ingeniera.
En primer lugar, debemos mencionar, por importancia y por
antigedad, el nivel del conocimiento [Newell, 81]. En el
modelo propuesto por Allen el problema se analiza en dos
niveles, uno dependiente del formalismo de representacin,
nivel simblico, y otro idealizado, ajeno a cualquier detalle de
realizacin, nivel del conocimiento. La ventaja de este
planteamiento es que permite especificar "el qu", cules son
los objetivos de la tarea, su descripcin funcional. Su principal
deficiencia es que no sirve para determinar "el cmo", de tal
forma que el modelo falla a la hora de predecir el
comportamiento del sistema. Slo los procesos de inferencia
que puedan declararse completamente mediante una
descripcin lgica son los que se pueden precisar en el nivel
del conocimiento, en el resto de los sistemas es necesario
descender al nivel simblico para explicar su comportamiento
(como se ha podido comprobar en procesos de aprendizaje
inductivo [Dietterich, 86]).
Por otro lado, Davis Marr [Marr, 82] introduce, en el contexto
de la bsqueda de una teora computacional de la percepcin
visual, tres niveles de computacin: teora, algoritmo e
implementacin. El primer nivel requiere que el problema
pueda ser descrito mediante el objetivo de la tarea y la lgica
de la estrategia para alcanzarlo; por tanto, coincide con el
nivel del conocimiento de Newell. Desgraciadamente, en
muchos casos de estudio slo se dispone de un conjunto
impreciso e incompleto de especificaciones funcionales. El
segundo nivel, que corresponde al nivel simblico de Allen,
REFERENCIAS
[Adeli & Park, 96] Adeli, H., and Park, H.S., "Fully automated design of
super-high-rise building structures by a hybrid AI model on a massive parallel
machine", AI Magazine 17, 3 (1996) 87-93.
[Allen & Langley, 90] Allen, J., "The acquisition, organization, and use of plan
memory". Technical Report CS-90-07. Nashville, TN: Vanderbilt University,
Department of Computer Science, 1990.
[Anderson, 89] Anderson, J.R. "A theory of the origins of human knowledge".
Artificial Intelligence, 40 (1989) 313-351.
[Aranda et al., 93] Aranda, J., Fdez. Marrn, J.L. y Morilla, F. "Lgica
Matemtica". Sanz y Torres, 1993.
[Arnold & Sadler, 91] Arnold, D., and Sadler, L. "Some formal issues in
transfer". Machine Translation 6 (1991) 193-200.
[Ashley, 90] Ashley, K.D., "Modeling legal argument: Reasoning with cases and
hypotheticals". MIT Press, Cambridge, 1990. Based on Ashelys 1987 PhD.
Dissertation, University of Massachusetts, COINS Technical Report No. 88-01.
[Barlett, 32] Barlett, F.C., "Remembering". Cambridge University Press,
Cambridge, UK, 1932.
[Barr & Feigenbaum, 81] Barr, A., and Feigenbaum, E.A., "The Handbook of
Artificial Intelligence", Vol. I. William Kaufmann, Los Altos, Calif., 1981.
[Barr et al., 82] Barr, A., Cohen, P.R., and Feigenbaum, E.A., "The Handbook of
Artificial Intelligence", Vol II. William Kaufmann, 1982.
[Barr et al., 89] Barr, A., Cohen, P.R., and Feigenbaum, E.A., "The
Handbook of Artificial Intelligence", Vol III. Pitman Books Limited.
CA, 1989.
[Barreiro, 91] Barreiro, A., "TAO/Medtool: Un sistema consejero en
oncologa", Tesis doctoral, Universidad de Santiago, Santiago de
Compostela, 1991.
[Barro, 87] Barro, S., "SUTIL: Sistema Cuasi-Integral de Monitorizacin
Inteligente en UCC". Tesis Doctoral, Universidad de Santiago de
Compostela, 1987.
[Bates et al., 95] Bates, J., Hayes-Roth, B., and Maes, P. "Interactive
story systems". Working Notes of the AAAI Symposium, Menlo Park, CA,
1994.
[Bellman, 78] Bellman, R.E. "An introduction to Artificial Intelligence:
Can Computers Think?" Boyd & Fraser Publishing Company, San
Francisco, 1978.
[Blum, 82] Blum, R.L., "Discovery and representation of causal
relationships from a large time-oriented clinical database: The RX
project". Ph.D. dissertation. Stanford University. (Tambin en: Computers
and Biomedical Research 15, pp. 164-187).
[Bobick & Bolles, 89] Bobick, A., and Bolles, R. "Representation space:
An approach to integration of visual information". Proceeding of the IEEE
Conference on Computer Vision and Pattern Recognition, San Diego,
Calif., 1989, pp. 492-499.
[Bobrow & Winograd, 77] Bobrow, D.G., and Winograd, T., "An
overview of KRL, a knowledge representation language", Cognitive
Science, 1 (1977) 3-46.
[Borrajo et al., 93] Borrajo D., Juristo N., Martnez V, y Pazos J.
"Inteligencia Artificial: Mtodos y Tcnicas". Centro de Estudios Ramn
Areces. Madrid, 1993.
[Boticario, 88] Boticario, J.G., "SAM: Construccin de un sistema de
aprendizaje automtico para integracin simblica basado en la
induccin". Trabajo fin de carrera No. 87/88-052. Facultad de Informtica,
Universidad Politcnica de Madrid, 1988.
[Boticario, 94] Boticario, J.G. "Contribuciones a la teora computacional
del aprendizaje: ejemplos de aplicacin". Tesis doctoral, Dpto.
Informtica y Automtica, UNED, 1994.
[Boticario & Mira, 94] Boticario, J.G., and Mira J., "Some
methodological aspects of machine learning". Cybernetics and
Systems, 25 (1994), pp. 233-258.
[Boticario & Mira, 96] Boticario, J.G., and Mira J., "Basic computational
processes in machine learning". In: Proceedings of The First International
Workshop on Machine Learning, Forecasting, and Optimization (MALFO
96). Editorial: Universidad Carlos III de Madrid (Escuela Politcnica
Superior). Madrid (Legans), julio 1996, pp. 13-27.
[Brachman, 79] Brachman, R.J., "On the epistemological status of
semantic networks". In: [Findler, 1979 , pp.3-50.
[Brachman & Levesque, 85] Brachman, R.J., and Levesque,
H.J., "Readings in Knowledge Representation". Morgan Kaufmann, San
Mateo, CA, 1985.
[Brachman et al., 83] Brachman, R.J., Fikes, R.E., and Levesque,
H.J., "KRYPTON: A functional approah to knowledge representation".
Computer, 16 (1983) 67-73.
[Bresina & Drummond, 90] Bresina, J., and Drummond,
M. "Integrating planning and reaction: a preliminary report". In J. Hendler
[DeJong & Mooney, 86] DeJong, G.F., and Mooney, R., "ExplanationBased learning: An alternative view". Machine Learning, 1 (1986) 145176.
[Dent et al., 92a] Dent, L., Boticario, J.G., McDermott, J., Mitchell T.,
and Zabowski, D., "A personal learning apprentice". 1992 AAAI Spring
Simposium, March 25-27, Stanford University.
[Dent et al., 92b] Dent, L., Boticario, J.G., McDermott, J., Mitchell T.,
and Zabowski, D., "A personal learning apprentice". In: Proceeding of the
National Conference on Artificial Intelligence. AAAI Press/MIT Press, San
Jose, CA, 1992, pp. 96-103.
[Dez, 94] Dez Vegas, F.J., "Sistema Experto Bayesiano para
Ecocardiografa". Tesis doctoral, Dpto. Informtica y Automtica, UNED,
1994.
[Dietterich, 86] Dietterich, T.G., "Learning at the knowledge
level". Machine Learning, 1 (1986) 287-316.
[Duda et al., 79] Duda, R.O., Gaschnig, J., and Hart, P.E., "Model design
in the PROSPECTOR consultant program for mineral exploration". In:
Michie, D. (Ed.), Expert Systems in the Microelectronic Age, Edinburgh
University Press, Edinburgh, 1979, pp. 153-167.
[Durfee, 91] Durfee, E., "The DAI melting pot". IEEE Transactions on
Systems, Man, and Cybernetics, 1991.
[Erman et al., 80] Erman, L.D., Hayes-Roth, F., Lesser, V.R., and Reddy,
D.R., "The HEARSAY-II Speech-Understanding System: Integrating
knowledge to resolve uncertainty", ACM Computing Survey 12(2), 213253, 1980.
[Etzioni & Weld, 94] Etzioni, O., and Weld, D., "A softbot-based
interface to the internet", Comm. of the ACM, 37, 72-79, 1994.
[Fah-Chun, 96] Fah-Chun, C., "Internet agents: spiders, wanderers,
brokers, and bots". New Riders Publishing, Indianapolis, IN, 1996.
[Falk, 72] Falk, G., "Interpretation of imperfect line data as a threedimensional scene". Artificial Intelligence 3(2), pp. 101-144, 1972.
[Falkenhainer, 90] Falkenhainer, B.C., "A unified approach to
explanation and theory formation". In: Shrager J., and Langley, P. (Eds.),
Computational models of scientific discovery and theory formation.
Morgan Kaufmann, San Mateo, CA, 1990.
[Klahr et al., 86] Klahr, P., Ellis, J.W., Giarla, D.W., Sanjai, N., Cesar,
M.E., and Turner, S.R., "TWIRL: Tactical warfare in the ROSS language",
In: [Klahr & Waterman, 86 , pp. 224-268.
[Kolodner, 84] Kolodner, J. L. "Retrieval and organizational strategies in
conceptual memory". Lawrence Erlbaum Associates. Hillsdale, N.J., 1984.
[Kolodner, 93] Kolodner, J. L. "Case-based reasoning". Morgan
Kaufmann, 1993.
[Koton, 88] Koton, P., "Reasoning about evidence in causal
explanation". In: Proceedings of AAAI-88, Minnesota, MN. Morgan
Kaufmann, Los Altos, CA, 1988, pp. 256-261.
[Kulikowski & Weiss, 82] Kulikowski, C.A., and Weiss,
S.M., "Representation of expert knowledge for consultation: The CASNET
and EXPERT projects". In: Szolovits, P. (Ed.), Artificial Intelligence in
Medicine. Westview Press, Boulder, CO, 1982, pp. 21-55.
[Laird & Rosenbloom, 90] Laird, J.E., and Rosenbloom,
P.S., "Integrating planning, execution, and learning in SOAR for external
environments". In: Proceedings of the Eighth National Conference on
Artificial Intelligence, Vol 2. AAAI Press, 1990, pp. 1022-1029.
[Laird et al., 86] Laird J.E., Rosenbloom, P.S., & Newell, A. "Chunking in
Soar: The anatomy of a general learning mechanism". Machine Learning,
1, 1986, pp. 11-46.
[Langley et al., 87] Langley, P. Simon, H. A., and Bradshaw,
G.L. "Heuristics for empirical discovery". Computational models of
learning. Springer-Verlag, Berlin Heidelberg, L. Bolc (Ed.), pp. 21-54,
1987.
[Le Cun, et al., 89] Le Cung, Y., Jackel, L.D., Boser, B., and Denker,
J.S. "Hadnwritten digit recognition: applications of neural network chips
and automatic learning". IEEE Commnunications Magazine, 27(11),
1989, pp. 41-46.
[Lebowitz, 90] Lebowitz, M. "The utility of similarity-based learning in a
world needing explanation". In Y. Krodatoff & R. Michalski (Eds.), Machine
Learning: An Artificial Intelligence Approach, Vol. 3. San Mateo, CA:
Morgan Kaufmann, pp. 399-422. 1990.
[Lenat, 82] Lenat, D.B., "The nature of heuristics", Artificial
Intelligence. 19(2), pp. 189-249. 1982.
[Mira et al., 87] Mira, J., Marn, R., Yez, A., Delgado, A.E., Prez, R.,
Jacquet, M., Barro, S., Barreiro, A., y Couselo, J.M., "Sistemas expertos y
consejeros de terapia en medicina: Ejemplos en cardiologa, oncologa
pediatra y medicina perinatal". Actas del III Simposium Internacional de
Ingeniera Biomdica, Madrid, 1987, pp. 355-358.
[Mira et al., 91] Mira, J., Otero, R.P., Barro, S., Barreiro, A., Ruiz, R.,
Delgado, A.E., Marn, R., Amaro, A., and Jacket, M., "On knowledgebased systems in Ccu's: Monitoring and patients follow-up". In:
Talmon, J., and Fox, J. (Eds.), Knowledge Based Systems in Medicine:
Methods, Applications and Evaluation. Springer-Verlag, Berlin, 1991, pp.
174-192.
[Mira et al., 95] Mira J., Delgado A.E., Boticario J.G. y Dez J. "Aspectos
Bsicos de la Inteligencia Artificial". Sanz y Torres. Madrid, 1995.
[Mitchell, 78] Mitchell, T. M., "Version spaces: An approach to concept
learning". Tech. Report STAN-CS-78-711, HPP-79-2. Stanford, CA:
Stanford University. Department of Computer Science, 1978.
[Mitchell, 80] Mitchell, T.M., "The need for biases in learning
generalizations". Tech. Rep. CBM-TR-117. Dept. of Computer Science,
Rutgers University, NJ, 1980.
[Mitchell, 82] Mitchell, T.M., "Generalization as Search", Artificial
Intelligence, Vol. 18, No. 2, March 1982, pp. 202-226.
[Mitchell, 84] Mitchell, T.M., "Toward combining empirical and analytic
methods for learning heuristics". In: Elithorn, A., and Banerji, R. (Eds.),
Human and Artificial Intelligence. Earlbaum, 1984.
[Mitchell et al., 83] Mitchell, T. M., Utgoff, P. E., and Banerji, R.
B., "Learning by Experimentation: Acquiring and Refining ProblemSolving Heuristics". Machine Learning: an Artificial Intelligence Approach.
Michalski, R. S., Carbonell, J. G. & Mitchell, T. M. (Eds.), Tioga, 1983, pp.
163-190.
[Mitchell et al., 86] Mitchell, T.M., Keller, R.M., and Kedar-Cabelli,
S.T., "Explanation-based Learning: A unified view". Machine
Learning, 1 (1986), pp. 47-80.
[Mitchell et al., 91] Mitchell, T.M., Allen, J., Chalasani, P., Cheng, J.,
Etzioni, O., Ringuette, M., and Schlimmer, J., "THEO: A framework for
self-improving systems". In: VanLehn, K. (Ed.),Architectures for
Intelligence, Erlbaum, Hillsdale, NJ, 1991.
[Mitchell et al., 94] Mitchell, T.M., Caruana, R., Freigat, D., McDermott,
J., and Zabowski, D., "Experience with a learning personal assistant".
Communications of the ACM 37, 80-91, 1994.
[Mooney et al., 89] R.J. Mooney, Shavlik, J.W., Towell, G.G., and A.
Gove, "An experimental comparison of simbolic and connectionist
learning algorithms". In Proceedings of the Eleventh International Joint
Conference on Artificial Intelligence, pp. 775-780, Morgan Kaufmann,
August, 1989.
[Moor, 87 Moor, J.H., "Turing Test", In: Shapiro, S.C. (Ed.), Encyclopedia
of Artificial Intelligence, Vol II. J. Wiley & Sons, New York, 1987, pp. 11261130.
[Moore, 82] Moore, R.C., "The role of logic in knowledge representation
and commonsense reasoning". In: Proceedings of the AAAI-82 (American
Association for Artificial Intelligence), Pittsburgh, PA, pp. 428-433, 1982.
[Moore, 94] Moore, J., Invited Lecture, National Conference of the AAAI,
1994.
[Nagao et al., 85] Nagao M., Tsujii, J., and Nakamura, J., "The japonese
government project for machine translation". In J. Slocum, ed., Machine
Translation Systems, Cambridge University Press, UK, 1985.
[Navinchandra, 91] Navinchandra, D., "A design scenario". Exploration
and Innovation in Design: Towards a Computational Model, SpringerVerlag, New York, NY, 1991.
[Neapolitan, 90] Neapolitan, R.E., "Probabilistic Reasoning in Expert
Systems: Theory and Algorithms". Wiley-Interscience, New York, 1990.
[Newell, 73] Newell, A., "Production systems: models of control
structure". in W. Chase, ed., Visual Information Processing, Academic
Press, Inc., New York, 1973.
[Newell, 81] Newell, A., "The Knowledge Level". AI Magazine, summer
(1981) 1-20.
[Newell, 90] Newell, A., "Unified Theories of Cognition". Cambridge,
MA: Harvard University Press, 1990.
[Newell & Simon, 56] Newell, A., and Simon, H.A., "The Logic Theory
Machine". IRE Trans. Information Theory, 2 (1956) 61-79.
[Newell & Simon, 72] Newell, A., and Simon, H.A., "Human Problem
Solving". Prentice-Hall, Englewood Cliffs, NJ, 1972.
[Newell et al., 60] Newell, A., Shaw, J.C., and Simon, H.A., "Report on a
General Problem-Solving Program". In: Proceedings of the International
Conference on Information Processing, UNESCO House, Paris, 1960, pp.
256-264.
[Nilsson, 80] Nilsson, N.J., "Principles of Artificial Intelligence". Tioga,
Palo Alto, CA, 1980. Traduccin espaola: Principios de Inteligencia
Artificial. Daz de Santos, Madrid, 1987.
[Nilsson, 89] Nilsson, N.J., "Action networks". In Proceedings of the
Rochester planning workshop: From formal systems to practical systems.
Rochester, N.Y., University of Rochester, 1989.
[Nirenburg et al., 87] Nirenburg, S., Raskin, V., and Tucker, A., "The
structure of interlingua in TRANSLATOR". In S. Nirenburg, ed., Machine
Translation, Cambridge University Press, UK, 1987.
[OHara & Shadbolt, 93] OHara, K., and Shadbolt, N.,, "AI models
as a variety of psychological explanation". In Proceedings of the IJCAI-93,
Chambery, France, 1993.
[Omlin & Giles, 95] Omnis, C.W., and Giles, C.L., "Extraction of rules
from discrete-time recurrent neural networks". Technical Report CS-TR3465 and UMIACS-TR-95-54, University of Maryland, College Park, MD
20742 (Aso published in Neural Networks), 1995.
[Otero, 91] Otero, R.P., "MEDTOOL. Una Herramienta para el Desarrollo
de Sistemas Expertos". Tesis Doctoral, Universidad de Santiago, 1991.
[Otero & Mira, 88] Otero, R.P., and Mira, J., "MEDTOOL: A teachable
medical expert system development tool". Proceedings of Third
International Symposium on Knowledge Engineering, Madrid, 1988, pp.
191-200.
[Pauker et al., 76] Pauker, S.G., Gorry, G.A., Kassirer, J.P., and
Schwartz, W.B., "Towards the simulation of clinical condition. Taking a
present illness by computer". American Journal of Medicine,60 (1976)
981-996.
[Pazos, 87] Pazos J. "Inteligencia Artificial". Paraninfo, Madrid, 1987.
[Pearl, 84] Pearl, J., "Heuristics: Intelligent search strategies for
computer problem solving". Addison-Wesley Publishing, 1984.