Ing.

Aldo Mndez Burgoa

I-2017
1. Disea sistemas con tecnologa de
inteligencia artificial;
2. identificando el hardware con requerimiento
de inteligencia;
3. aplicando la programacin orientada a
agentes
4. y utilizando simulacin de estructuras de
inteligencia artificial.

2
En 1956, John McCarthy acu la expresin
"inteligencia artificial", y la defini como:
"...la ciencia e ingenio de hacer mquinas inteligentes,
especialmente programas de cmputo inteligentes"

John McCarthy
(Premio Turing
1971) 3
 Inteligencia Artificial = Inteligencia Computacional
Inteligencia exhibida por mquinas

Una
es Un Agente que
Mquina un
Racional percibe
Inteligente entorno
Flexible
(ideal)

realiza

Un
para la para
Objetivo
lograr posibilidad maximizar acciones
o
de xito
Tarea
http://ai.stanford.edu/
4
 Observar Analizar
Formar Equipos
Ver y analizar secuencia de video
Elaborar Resumen
Presentar y Leer

5
Cuatro pilares bsicos, segn
Nilsson:

1. Bsqueda del estado

2. Algoritmos genticos
3. Redes neuronales artificiales
4. Razonamiento mediante una
lgica formal

Nils John Nilsson

6
1. Bsqueda del estado requerido
en el conjunto de los estados
producidos por las acciones
posibles.

Nils John Nilsson

7
2. Algoritmos genticos (anlogo
al proceso de evolucin de las
cadenas de ADN).

Nils John Nilsson

8
3. Redes neuronales artificiales
(anlogo al funcionamiento
fsico del cerebro de animales y
humanos).

Nils John Nilsson

9
4. Razonamiento mediante una
lgica formal anlogo al
pensamiento abstracto humano.
Nils John Nilsson

10
 Red Neuronal. Un gran nmero de pequeos
elementos procesadores interconectados
trabajando en forma paralela.

11
 Mediante reglas aprendidas de la experiencia,
el ser humano se manifiesta mucho ms
eficaz que las computadoras en la resolucin
de problemas definidos de manera imprecisa,
ambiguos, o que requieren procesar gran
cantidad de informacin, el cerebro alcanza
estos objetivos, mediante miles de millones
(1011) de clulas simples e interconectadas
entre s, llamadas neuronas, localizadas en
un recinto determinado del cerebro.

12
 Originadas en el conocimiento de las redes
neuronales biolgicas, funcionan porque cada
neurona recibe una serie de entradas a travs de
interconexiones y emite una salida.

13
 Esta salida viene dada por tres funciones:

1. Propagacin

2. Activacin

3. Transferencia

14
 Esta salida viene dada por tres funciones:

1. Propagacin, en general consiste en el sumatorio

de cada entrada multiplicada por el peso de su
interconexin;

15
 Esta salida viene dada por tres funciones:

2. Activacin, que modifica a la anterior y que puede

no existir, siendo en este caso la salida la misma
funcin de propagacin;

16
 Esta salida viene dada por tres funciones:

3. Transferencia, que se aplica al valor devuelto por

la funcin de activacin. Se utiliza para acotar la
salida de la neurona y generalmente viene dada
por la interpretacin que queramos darle a dichas
salidas.

17
Principales componentes RNA:

1. Neurona o Unidad Procesadora

2. Red Neuronal Artificial

18
Principales componentes RNA:

1. Neurona o Unidad Procesadora

(X , f , Y)

Sobre un conjunto de N nodos

Nodos de Entrada: X N ;
Nodo de Salida: Y ;
Funcin de activacin: f

19
Principales componentes RNA:

2. Red Neuronal Artificial

(N;U)

U es un conjunto de unidades procesadoras

sobre N
Condicin: cada nodo Xi es nodo de entrada o
de salida de al menos una unidad procesadora
de U.

20
 Red neuronal Artificial

Funcin procesadora

21
Aprendizaje: caractersticas de las RNA,
aprender a partir de ciertos datos:

Elegida la arquitectura de red para un

determinado problema,

los pesos de las conexiones se ajustan para

codificar la informacin contenida en un
conjunto de datos de entrenamiento.

22
Aprendizaje. Categoras por tipo de informacin
disponible:

- Aprendizaje Supervisado (Relacin Entrada-

Salida)

- Aprendizaje No Supervisado (No existe

relacin Entrada-Salida, Red descubre
patrones y categoras)

23
- Aprendizaje No Supervisado:

1. Aprendizaje Hebbiano
2. Aprendizaje competitivo
3. Representacin de caractersticas

24
- Aprendizaje No Supervisado:

1. Aprendizaje Hebbiano: modificar

pesos de acuerdo con algn criterio
de correlacin entre las actividades
neuronales.

25
- Aprendizaje No Supervisado:

2. Aprendizaje competitivo: neuronas

diferentes se conectan con pesos
negativos (inhibitorios) que fuerzan
una competicin para ganar la
actividad neuronal, y

26
- Aprendizaje No Supervisado:

3. Representacin de caractersticas:
que concierne a la ordenacin
geomtrica de los vectores peso de
las unidades competitivas.

27
Machine Learning, disciplina cientfica de la IA,
que crea sistemas que aprenden
automticamente.

Aprender en este contexto quiere decir

identificar patrones complejos en millones de
datos. (e.g. Big Data)

28
Se trata de crear programas capaces de
generalizar comportamientos a partir de una
informacin no estructurada suministrada en
forma de ejemplos.

29
Se solapa con el de la estadstica, ambas se
basan en el anlisis de datos.

Sin embargo, el aprendizaje automtico se

centra ms en el estudio de la complejidad
computacional de los problemas.

30
Aplicaciones:
1. motores de bsqueda,
2. diagnsticos mdicos,
3. deteccin de fraude en el uso de tarjetas de
crdito,
4. anlisis del mercado de valores,
5. clasificacin de secuencias de ADN,
6. reconocimiento del habla y del lenguaje escrito,

7. juegos
8. y robtica

31
El aprendizaje automtico tiene como resultado
un modelo para resolver una tarea dada,
pueden ser:
1. Geomtricos
2. Probabilsticos (estadstica bayesiana)
3. Lgicos (rboles de decisin)
4. Agrupamiento
5. Gradiente

32
Atributo o caracterstica es un tipo de medida
realizada sobre cualquier instancia a medir.

Los atributos mapean el espacio de instancias a

un conjunto de valores o dominio de atributos.

33
Los valores del dominio pueden ser:

- nmeros como la frecuencia de aparicin de

las instancias,

- valores binarios

- o un conjunto cualquiera como el de meses,

estaciones o colores.

34
El perceptrn, dentro de las RNA por Frank
Rosenblatt , puede ser un tipo de RNA o una
NA.

(1928 - 1969)

(1928 - 1969)

35
 Rosenblatt rechaz el uso de la lgica
simblica aplicada a las RNA y defendi
mtodos probabilsticos.
Llam perceptrones, a redes capaces de
modificar los pesos de sus conexiones si las
respuestas de la red no eran las correctas y
demostr que estas redes se podan entrenar
para clasificar ciertos patrones en iguales o
distintos, por tanto que eran capaces del
reconocimiento de formas sencillas.

36
37
El procesamiento de seales es el procesamiento,
amplificacin e interpretacin de seales, pueden
ser:
1. Digitales: circuitos digitales, microprocesadores
y ordenadores.
2. Analgicas: capacitores, resistencias,
inductores, transistores o circuitos integrados,
filtros, tpicamente para voltaje, corriente, o
una carga elctrica.
3. Audio: sonidos.
4. Voz: voz humana
5. Video: movimientos en escenas
6. Matrices: Combinacin de las anteriores.

Caso: Tecnologa FPGA para el monitoreo y diagnstico de fallas en

maquinaria industrial.
38
 POA / AOP especializacin de POO / OOP

Paradigma que modela aplicaciones con un

conjunto de componentes llamados agentes.

39
 Los agentes se caracterizan por ser:

Autnomos (independientes)
Proactivos (tomar iniciativa)
Comunicacin (con otros agentes)

Siendo todos iguales, como tal no existe un

servidor y un cliente en la comunicacin

40
 Los sistemas multiagentes son utilizados por
la industria en:

los sistemas de misin critica,

aplicaciones industriales,
control de procesos,
diagnstico,
manufactura
y redes.

41
 Se han creado plataformas y frameworks
especficos.

Centrndose solo en la lgica de los

componentes y no en las caractersticas del
ambiente donde deben ser desplegadas.

Plataformas: Jade, .NET AOP, Aspect J.

42
43