Download K52/01 hasta la 22 - Página en Construcción

Resumen material lectura (en orden)
09/08/2017
06/04
K52/01 hasta la 22
[1.1] La inteligencia artificial como base de la ingeniería
IA como ciencia: trata de entender la naturaleza de la inteligencia.
IA como Ingenieria: construcción de artefactos que presenten conducta inteligente.
Las 3 cuestiones básicas de Nilsson:
1) ¿Se podrá entender la naturaleza de la inteligencia como se entiende la naturaleza de
la luz?
2)
3)
IA como ciencia
IA como ciencia trata del estudio del comportamiento inteligente, siendo su fin el
conseguir una teoría de la inteligencia que explique la conducta que se produce en seres
de natural inteligentes y que guie la creación de entes artificiales capaces de alcanzar
dicho proceder inteligente.
IA es una rama de la ciencia que esta muy relacionada con otras ramas de ciencia e
ingeniería.
IA como ingeniería
Se ocupa de los conceptos, la teoría y la practica de construir maquinas inteligentes.
Maquinas inteligentes: resuelven problemas coextensivos con los que los humanos son
tenidos por inteligentes.
Ejemplos de maquinas inteligentes:
 SBC (sistema basado en conocimientos)
 SE (sistema experto)
La construcción de maquinas inteligentes se denomina INCO. La misión es: adquirir,
conceptualizar, formalizar y usar grandes cantidades de conocimientos de alta calidad y
particulares de una tarea.
El IC es el ingeniero en conocimientos.
1
Resumen material lectura (en orden)
09/08/2017
[1.2.] La inteligencia artificial como base de la ingeniería
La INCO construye sistemas computacionales, primero adquiriendo los conocimientos de
distintas fuentes, y a educir los conocimientos de los expertos, para luego organizarlos en
una implementación efectiva.
Esto es la educción de conocimientos.
La INCO se define como el subcampo de la IA concerniente a la adquisición,
conceptualización, representación y aplicación de conocimientos, o como disciplina de la
ingenieria por la cual los conocimientos se integran dentro de un sistema computacional
para resolver problemas que requieren un nivel experto.
Problemas de construcción de SBC:



Adquisición de conocimientos
Representación de los conocimientos
Generación de inferencias
Requisitos para la solución de los problemas

requisito modular: Se deben poder realizar cambios fácilmente y de forma gradual
y modular.

requisito de programación
Los requisitos anteriores conducen al paradigma del lenguaje natural.
[1.3.] Los sistemas basados en conocimientos
[1.3.1] Terminologia y definiciones
Se definirá un SBC como un programa de IA, cuyas prestaciones dependen mas de la
presencia explicita de un cuerpo de conocimientos que de la posesión de ingeniosos
procedimientos computacionales.
Por SE se quiere decir los SBC cuyas prestaciones riuvalizan con los expertos humanos.
Experto: competencia y especialización.
Para que un SE pueda ser tenido verdaderamente como tal debería:
1. Aprender lo que los expertos humanos saben
2. Mantener y actualizar sus conocimientos (como hacen los expertos humanos)
3. Presentar las conclusiones como lo hacen los expertos humanos. (aclarando,
justificando y explicando)
Por lo cual, un SE debe:
Usar reglas heurísticas, reflexionar manipulando símbolos, interactuar con usuarios, etc
(pág. 13).
2
Resumen material lectura (en orden)
09/08/2017
[1.3.3] Sistemas convencionales frente a sistemas basados en conocimientos
En ingeniería, una heurística es un método basado en la experiencia que puede utilizarse
como ayuda para resolver problemas de diseño, desde calcular los recursos necesarios
hasta en planear las condiciones de operación de los sistemas. Mediante el uso de
heurísticas, es posible resolver más rápidamente problemas conocidos o similares a otros
conocidos.
tipo de problema que manejan
SW
tratamiento eficaz de datos
que conoce y opera
Datos y procedimientos
programación empleada
Procedimentales,
sofisticados, secuenciales,
rígidos.
mezclado en el código
modelo de solución del
problema
organización de los
conocimientos
2 niveles:
 datos
 programas
SBC
problemas que requieren
inteligencia
Conocimientos heurísticos y
se manipulan símbolos.
Declarativos, elementales,
flexibles y paralelos.
entidad denominada base
de conocimientos
3 niveles:
 datos (o hechos)
 reglas operativas (o
heurísticas)
 inferencia y control
Los 2 primeros forman la
base de conocimientos.
Motor de inferencias (maquiina deductiva): estructura de control que decide como usar los
conocimientos específicos del problema en curso de solución. Decide que regla aplicar y
como.
3
Resumen material lectura (en orden)
09/08/2017
1.3.3 Estructura de los SBC
Hay algunas pautas arquitectónicas también.
4
Resumen material lectura (en orden)
09/08/2017
K52/09 – libro “Ing sistemas expertos”, cap 1 hasta S.C.
1. La inteligencia artifical base de la ingeniería del conocimiento
La IA tiene como proposito reproducer las acciones de los seres vivos inteligentes en
dispositivos artificiales. También su objetivo es conseguir una teoría comprensiva de la
inteligencia como aparece en los animales y maquinas.
Dificultades esenciales:
1. los seres humanos no saben como realizan sus actividades intelectuales
2. Las computadoras no se enfrentan a tareas como lo hacen los seres humanos
Los SBC son el ejemplo mas paradigmático de maquinas inteligentes.
INCO  actividad de construir estos sistemas. Su misión es adquirir, formalizar,
representar y usar grandes conocimientos de la mas alta calidad y especificos de una
tarea.
Relación entre la IA y la INCO:
Experto: ayuda, competencia y especialización de una persona en un dominio
determinado.
INCO: conjunto de métodos para la construcción de SBC y SE
IC: informatico especialista en la construcción de SBC y SE
SBC: sistema informatico basado en el conocimiento publico.
SE: sistema basado en conocimiento que pretende emular a los expertos humanos.
5
Resumen material lectura (en orden)
09/08/2017
Tipos de conocimiento
1. Conocimiento Publico
Al alcance de toda la comunidad. Ej: receta de cocina.
2. Conocimiento privado
Interior a un experto, fruto del ejercicio de sus actividades y utilizado
implícitamente. Puede ser verbalizado. Ej: medico da un diagnostico.
3. Metaconocimientos
Lo mismo que conocimiento privado, pero NO se puede verbalizar ya que no es
fruto de acciones concientes. Ej: como eludir un vehiculo cuando se esta apunto
de chocar.
A su vez, estos conocimientos pueden ser:
1. Declarativos
Que son las cosas y describen el dominio de aplicación. No importa como se usen
esos conocimientos.
2. Procedimentales
Controlan el proceso de solución de un problema, centrándose en el uso de los
conocimientos y esquema de razonamientos usados para alcanzar la solución.
6
Resumen material lectura (en orden)
09/08/2017
K52/12 - Sistemas inteligentes, capitulo 5
[5.1.1] Introducción
Los SE son una clase de programa, capaces de resolver problemas que normalmente
requieren intervención humana especializada.
Son desarrollados con la ayuda de Expertos de Campo, que revelan información hacerca
de los procesos mentales que usan para resolver problemas.
El IC (el otro profesional que interviene) debe dar forma simbolica y manipulable a estos
conocimientos.
Los expertos usan reglas heurísticas para resolver sus problemas: métodos que
determinan que partes de su experiencia son aplicables. El IC debe descubrir estas
heurísticas y programarlas.
[5.1.2] Características de los sistemas expertos





Realizan inferencias sobre datos incompletos o inciertos
Explican y justifican lo que hacen
Adquieren nuevos conocimientos
Organizan su conocimiento
Saben decir si un problema esta dentro de su dominio
7
Resumen material lectura (en orden)
09/08/2017
[5.1.3] Arquitectura de un sistema experto
1. Base de conocimientos (BC)
La unión del conjunto de aserciones y el conjunto de reglas. Contiene una
formulación simbolica manipulable del área de conocimiento del cual el sistema es
experto. Suministra al MI información sobre la naturaleza del problema.
Una aserción A es la formulación simbolica de un hecho. Una regla R es una
relación explicita entre aserciones.
2. Base de datos (BD)
Datos sobre el problema particular.
3. Motor de Inferencia (MI)
Activa las reglas de inferencia contenidas en la BC. Le dice al TE las reglas que
motivaron una consulta al usuario.
2 principios de trabajo: Universo cerrado, Universo abierto
4. Trazador de explicaciones (TE)
Contiene justificación de consultas a usuario.
5. Trazador de consultas (TC)
Presenta al usuario las preguntas del sistema (reqs de información). Las
respuestas son guardadas en la MT.
6. Memoria de trabajo (MT)
BD temporal donde guarda infor deducida a partir de la BC y la MT (esta misma)
7. Manejador de comunicaciones
Deriva info del usuario a MT. Interpretar mensajes del ususario.
8
Resumen material lectura (en orden)
09/08/2017
Lo saque del apunte k52/09, pero preferí completar en vez de escribir de nuevo lo mismo.
9
Resumen material lectura (en orden)
09/08/2017
Universo cerrado: toda la info necesaria esta contenida en el sistema. Lo que no puede
demostrar lo asume falso.
No necesitaría la Traza de Consultas (pq no va a hacer ninguna) y el TE solo explica las
conclusiones.
En este principio, la BD no puede estar vacía.
Universo cerrado: la información no contenida en el sistema puede estar afuera, por lo
tanto, se la pregunta al usuario.
[5.1.4] Estrategias del motor de inferencia
Dos estrategias que usa el MI para realizar inferencia sobre la info que posee.
Ambos casos tienen datos iniciales y un objetivo a verificar.
(a) orientada por el objetivo (búsqueda hacia atrás – backward chaining)
Toma como origen de la inferencia al objetivo y a partir de este intenta contruir un árbol
hacia los datos.
(b) conocida como búsqueda hacia adelante (forward chaining)
Se quiere generar un conjunto a partir de los datos que incluya a la solución.
10
Resumen material lectura (en orden)
09/08/2017
K5HT1 – Introducción a los métodos de búsqueda
Métodos de busqueda sin información de dominio
Algoritmos que operan sin conocimiento (no hay nada que los guie). Su búsqueda es
exhaustiva.
Algoritmo primero en amplitud
Genera (barre) todas las posibilidades de un nivel antes de pasar al nivel siguiente. Los
genera de izquierda a derecha.
Se queda con el mejor, no con el primero (el mejor = menor cantidad de transiciones)
Algoritmo primero en profundidad
Se analiza una rama a la vez. (de ahí viene profundidad). Al contrario de primero en
amplitud, se queda con el primero que encuentra.
Necesita menos memoria que el otro, porque olvida las ramas que termino de recorrer.
Bidireccional
Se hacen dos búsquedas independientes:


Una del estado inicial para encontrar el final (top – bottom)
Una del estado final para encontrar el inicial (bottom – top)
Cada búsqueda puede usar cualquiera de los dos algoritmos anteriores, pero al menos
una de ellas debe hacer amplitud (para generar todas las posibilidades). El camino ideal
se encuentra cuando las dos búsquedas se unen.
Método de generación y prueba
Es un algoritmo primero en profundidad que se ejecuta muchas veces y se compara cada
solución, para quedarse con la mejor.
11
Resumen material lectura (en orden)
09/08/2017
Métodos de busqueda CON información de dominio (heurística)
Heuristica: se pueden esperar buenas (aunque no optimas) soluciones en menor tiempo.
Dos formas de incorporar conocimiento heuristico: (1) en las reglas, (2) con una función
heurística que evalúa grado de deseabildiad.
Clasificacion de los problemas (en cuanto a la gravedad de los errores)



Ignorables (ej, demostración de teoremas)
Recuperables (ej, un laberinto)
No recuperables (ej, un juego de ajedrez)
Clasificacion de los sistemas de producción
Monotono
No monótono
Parcialmente conmutativo
No parcialmente conmutativo
Conmutiativo
Método escalada
Se “escala” por el primer sucesor cuya función heurística sea mejor que el nodo actual.
Hijos no generados que son mejores que el primer sucesor, se perderan.
Puede (muy fácilmente) no llegar a una solución.
Escalada por máxima pendiente
Variante del anterior. Primero genera todos los hijos, y luego escala por el mejor (que sea
mayor o igual a su padre).
Este algoritmo (y el otro de escalada) funcionan siempre y cuando la función heurística
sea monótonamente creciente (o decreciente).
Busqueda el primero mejor
Es como el escalada por máxima pendiente, pero se mantiene una lista de abiertos
(ordenada), que le permite retroceso.
Algoritmo Beam Search
Es como busqueda el primero mejor, pero solo guarda en la lista de nodos abiertos los m
nodos mas prometedores.
12
Resumen material lectura (en orden)
09/08/2017
Algoritmo A*



f’ = g + h’
g: suma de los costos de los nodos precesores
h: estimación de lo que cuesta llegar a un nodo objetivo desde ese nodo.
Todos los demás nodos consideran solo el costo del propio nodo para sus decisiones.
Este toma en cuenta todo lo que hay detrás del nodo también.
Adecuado para hallar el camino de mínimo costo. Se dice que A* es un método completo
porque siempre encuentra la solución, si la hay.
h’ es una estimación!.
13
Resumen material lectura (en orden)
09/08/2017
13/04
K52/10 – Libro “Sistemas Expertos”, punto (1.5.11)
[1.5.11] Analisis de protocolos
Es un tipo de tecnica de educción similar a la observación de tareas. La diferencia con la
observación es que no transcurre tiempo entre el acto de pensar del experto y el acto de
reportarlo.
Se graban las sesiones. El experto debe pensar en voz alta. Se busca primer capturar y
después estudiar.
Etapas del análisis de protocolo
Paso 1: Grabacion del protocolo
Ocurren 3 subpasos:



El IC explica lo que espera del experto: que hacer y que debe evitar hacer.
Puesta en situación
Registro del protocolo (propiamente dicho)
Paso 2: Transcripcion



Se deberán indicar sobre la transcripción las observaciones del IC.
La transcripción debe estar segmentada en instrucciones (nosotros la dividimos
en renglones)
Se deberán anotar los silencios del experto de mas de 3 segundos.
14
Resumen material lectura (en orden)
09/08/2017
Paso 3: Codificacion
1) identificación de conceptos, características, valores y relaciones.
Los distintos elementos permiten definir los posibles estados del sistema.
Estado: cierta configuración de valores que afectan a las variables y relaciones
establecidas entre objetos.
2) Identificacion de la búsqueda
Debe verse el razonamiento del experto como una búsqueda en el espacio de estados
posibles del sistema. (ej: un árbol)
3) Identificacion de los operadores
Los operadores son los medios usados por el experto para generar nuevos estados,
permiten el paso entre estados.
En general aparecen expresados con verbos de acción, o a continuación de palabras
como: pues, entonces, por consiguiente, por tanto, lo que da, lo que implica, etc.
4) Identificacion de las inferencias
Se deben referenciar todas las reglas de producción utilizadas explícitamente por el
experto en el curso de su razonamiento. Tienen la forma:
Si [condiciones] Entonces [acciones]
La condición es una prueba aplicada sobre uno de los estados del problema, la acción es
uno o varios operadores.
5) Identificación de sinónimos, metacomentarios e incertidumbres



Sinonimos: frases que representan el mismo concepto
Metacomentarios: (frases sin sentido?)
Incertidumbres: se deben señalar los elementos que el experto utiliza asociándolas
a una nocion de incertidumbre.
La incertidumbre se expresa en general por condicionales o verbos como “parece”,
“debe”, etc. En estos casos, se debe pedir al experto que precise los coeficientes.
Paso 4: Interpretacion
Creo que nosotros construimos un árbol aca.
15
Resumen material lectura (en orden)
09/08/2017
Ventajas y limitaciones del análisis de protocolos
Es útil para extraer info sobre procedimientos que el experto utiliza pen la solución pero
que no puede explicar.
Tiene dos limitaciones:

Costo de utilización
exige aprox 10 veces mas tiempo que la duración de la grabación.

Incompletitud del método
Hay cosas que no capta (el experto no reporta), por ejemplo, la percepción
sensorial, los movimientos, el reconocimiento, etc.
16
Resumen material lectura (en orden)
09/08/2017
20/04
K52/15 – Libro “Sistemas Inteligentes”, Redes Neuronales
Artificiales
[2.1.2] Elementos de una red neuronal artifical (RNA)
Las RNA son modelos que intentan reproducir el comportamiento del cerebro.
3 tipos de neurona: (1) las que reciben estimulos externos, (2) unidades ocultas, (3) las de
salida que dan respuesta del sistema.
Cada neurona esta caracterizada en cualquier instante por un valior numérico
denominado valor o estado de activiacion, una función de activación (o transferencia)
que transforma la activación en una señal de salida
Dinamica de actualización de estados: (1) las neuronas evalúan la info según les va
llegando (modo asincrónico), (2) las neuronas están sincronizadas como dirigidas por un
reloj interno (modo sincronico)
La neurona artificial
Las ocultas no tienen contacto con el exterior.
Capa (o nivel): conjunto de neuronas cuyas entradas provienen de la misma fuente (que
puede ser otra capa de neuronas)
17
Resumen material lectura (en orden)
09/08/2017
Estado de activacion
Conexiones entre neuronas
Las conexiones que unen las neuronas tienen asociados un peso (w).
wij > 0
wij < 0
wij = 0
La interacción es excitadora, si la neurona i
esta activada, la neurona j recibirá una
señal de i que tendera activarla
La interacción es inhibidora
no hay conexion
Creo que lo que esta diciendo aca nada mas, es que una neurona n puede contribuir a la
excitación o inhibición de otra neurona n+1, o no afectarla en lo mas mínimo (wij = 0)
Función de transferencia o de activación
Cada unidad (neurona) Ui tiene asociada una función de activación o transferencia que
transforma la entrada neta de la neurona en una señal de salida.
Existe un valor denominado umbral de activación (tita), asociado a cada función de
transferencia. La salida de una neurona se activa cuando la entrada neta es mayor
que cierto valor umbral.
Tipos de funciones de activación (típicas, determinan tipos de neuronas):




Función escalon (para salidas binarias)
Función lineal y mixta (apropiada para señales analógicas)
Sigmoidal (apropiada para señales analógicas)
Función Gaussiana
Claro, lo que determina las funciónes de activación es la forma que tendrán las señales de
salida de una nuerona, son medio obvias según el nombre, están desarrolladas en la pág.
74.
Reglas de aprendizaje
En las neuronas reales el conocimiento se encuentra en la sinapsis. En las RNA, el
conocimiento esta expresado en los pesos de las conexiones de las neuronas. Se
aprende modificando estos valores de la red.
Estructura de una RNA
Se dice que una red esta totalmente conectada si todas las salidas desde un nivel llegan
a todos y cada uno de los nodos del nivel siguiente.
18
Resumen material lectura (en orden)
09/08/2017
Formas de conexión entre neuronas
Conexión autoconcurrente; la salida de un nodo también es entrada de si mismo.
Propagacion hacia adelante: cuando nunca la salida de una neurona es entrada de una
neurona en el mismo nivel o niveles anteriores.
Propagacion hacia atrás: no son de propagación hacia adelante. Las redes de
propagación hacia atrás que tienen lazos cerrados son sistemas recurrentes.
[2.2] Características de las redes neuronales
Son 4: (1) topología, (2) mecanismo de aprendizaje, (3) tipo de asociación entre info de
entrada y salida y (4) forma de representar esta información.
(2) Mecanismos de aprendizaje
El aprendizaje en RNA es el ajuste de los pesos. Es un paralelismo con las neuronas
reales, que crean, modifican y destruyen conexiones. Crear una conexión es poner un w
distinto de 0, modificarla es cambiar el w y destruirla es poner w=0.
Por lo tanto se puede afirmar que el proceso de aprendizaje a terminado cuando los
pesos permanecen estables.
Regla de aprendizaje de la red: cuales son los criterios para cambiar los pesos. Se
reconocen dos reglas, (1) aprendizaje supervisado, (2) no supervisado.
Otro cirerio es si puede aprender durante su funcionamiento habitual o si el aprendizaje
supone la desconexión de la red (online y offline).
Si es offline, habrá una fase de aprendizaje (entrenamiento) y una fase de operación o
funcionamiento. En las redes de aprendizaje offline los pesos permanecen fijos en la
fase de operación.
Redes de aprendizaje supervisado:
1. Por corrección de error: se ajustan los pesos en función de los valores obtenidos y
deseados.
2. Aprendizaje por refuerzo: solo se indica si la salida obtenida se ajusta a lo
deseado. Es mas lento que la anterior.
3. Aprendizaje estocástico: cambios aleatorios en los valores de los pesos.
19
Resumen material lectura (en orden)
09/08/2017
Redes con aprendizaje no supervisado
No requieren influencia externa para ajustar los pesos: son capaces de autoorganizarse.
1) Aprendizaje Hebbiano
Consiste en el ajuste de los pesos de las conexiones de acuerdo con la correlacion de los
valores de actiacion de dos neuronas conectadas.
Es una regla de aprendizaje no supervisado, la mod de los pesos se realizan en función
de los estados (salidas) de las neuronas obtenidos tras la presentación de cierto estimulo,
sin tener en cuenta si se deseaba obtener o no esos estados de activacio.
Este aprendizaje lo usa hoppfield.
2) Aprendizaje Competitivo y operativo
Las neuronas (o grupo de neuronas) compiten entre ellas. Cuando se presenta una
entrada a la red, solo una (o un determinado subgrupo) se activa para dar la salida.
La competencia entre neuronas es en todos los niveles, hay conexiones de inhibición con
las neuronas vecinas. Si el aprendizaje es cooperativo, estas conexiones vecinas serán
de excitación (signo positivo)
El objetivo de este aprendizaje es categorizar (clusterizar) los datos que se introducen en
la red.
El aprendizaje afecta solo a las neuronas ganadoras.
20
Resumen material lectura (en orden)
09/08/2017
[2.3.1] Perceptron


Utiliza aprendizaje supervisado.
Solo puede resolver problemas de orden 1 (linealmente separables).
Osea, claro, vos pones las posibles entradas en un plano. Si podes crear una línea
imaginaria que clasifique todas las entradas en una categoría y todas las otras en otra
categoría, la podes hacer con el perceptron.
Por ejemplo, esto seria un XOR. (0,0) y (1,1) deberían devolver cero, y los otros dos uno,
pero es imposible trazar una línea que divida los dos espacios.
[2.3.2] La red Backpropagation
Se puede aplicar en modelos de redes con mas de dos capas de neuronas. Una
característica importante de este algoritmo es la representación interna del conocimiento
que es capaz de organizar en las capas ocultas para lograr cualquier correspondencia
entre entradas y salidas.
Consiste en un aprendizaje de un conjunto predefinido de entrada-salida dados como
ejemplo, empleando un ciclo de propagación-adaptacion de dos fases:

Se aplica patrón de entrada que genera una salida, se compara con la salida
esperada y se obtiene un error

Este error es transmitido hacia atrás, a todas las neuronas q contribuyeron
directamente con la salida, recibiendo el porcentaje de error aproximado a la
participación de la neurona intermedia en la salida original.
Estructura
Existen n neuronas en capa de entrada, m neuronas en capa de salida y por lo menos
una capa oculta.
Cada neurona (salvo la de entrada) recibe entrada de todas las neuronas de la capa
previa, y genera salida a todas las neuronas de la caba siguiente (salvo las de salida). No
hay conexiones hacia atrás, feedback, laterales o autoconcurrentes.
21
Resumen material lectura (en orden)
09/08/2017
Consideraciones
Un problema de este algoritmo de entrenamiento es que busca minimizar la función de
error pudiendo caer en un mínimo local o algún punto estacionario sin llegar a encontrar el
mínimo global.
Dimensiones
No hay reglas concretas para numero de capas o de patrones de entrenamiento. En
general son 3, pero mas capas ocultas pueden agilizar el aprendizaje, aunque mas capas
significa mayor costo de procesamiento.
[2.4] El modelo de Hopfield
Arquitectura
Red monocapa con N neuronas con valores de salida binarios.
Cada neurona se encuentra conectadas a todas las demás, pero no con ella misma. Los
pesos entre pares de neronas son simetricos.
Funcionamiento
Es autoasociativa, por eso puede almacenar varias informaciones (patrones) diferentes
en su red.
Si la entrada coincide con algo que la red sabe, lo devuelve. Si no coincide, devuelve lo
mas parecido que ella conozca.
Aprendizaje
Tiene un mecanismo de aprendizaje OFFLINE. Utiliza un aprendizaje no supervisado tipo
Hebbiano.
Limitaciones


Las redes tienen capacidad máxima de patrones almacenados
Los patrones de entrenamiento deben ser ortogonales (deben ser suficientemente
diferentes)
22
Resumen material lectura (en orden)
09/08/2017
[2.5] El modelo de Kohonen
Arquitectura
Se trata de una red de dos capas con N neuronas de entrada y M de salida. Todas se
conectan mediante conexiones hacia adelante.
Las neuronas de salida tienen conexiones laterales inhibidoras implícitas, porque aunque
no están conectadas, influyen entre ellas. Mientras mas lejanas estén, menor es la
influencia entre dos neuronas.
Funcionamiento
Es una red de tipo cometitivo.
Aprendizaje
Es de tipo OFFLINE también. Aprendizaje no supervisado competitivo.
Las neuronas de la capa de salida compiten por activarse y solo una de ellas permanece
activa ante una entrada determinada. Los pesos de las conexiones se ajustan en función
de la neurona que haya resultado vencedora.
Limitaciones de las redes competitivas (como kohonen)

Se debe tener cuidad en elegir patrones de entrenamiento que no sean ni muy
rapidos (pueden converger mal), ni demasiado precisos (Son muy lentos).

Las clases de aprendizaje no deben estar muy juntas.

Un tercer problema (gracioso) es que el peso inicial de una neuerona se encuentre
muy lejos de cualquier vector de entrada y que jamás gane ninguna competición.
Esto será “la muerte” de la neurona.
23
Resumen material lectura (en orden)
09/08/2017
04/05
K52/11 – Libro “Sistemas Inteligentes”, algoritmos genéticos
[3.1] Introducción
Un AG simula la evolución de una población de individuos mediante un proceso iterativo
aplicado sobre un conjunto de estrucuras.
Cada estructura se compone de características que definen la aptitud del individuo en
un entorno.
La población de estructuras evoluciona de generación en generación mediante la
recombinación de sus integrantes, la mutacion de características al azar y la selección
de las estructuras mas aptas.
Aptitud de un individuo: que tan buena es la solución que presenta a un determinado
problema.
El objetivo del AG es encontrar esta “buena” solución al problema.
24
Resumen material lectura (en orden)
09/08/2017
[3.1.1] Algoritmo simple
Se requieren dos elementos: (1) representación de soluciones candidatas en individuos
de una población, y (2) función que mide aptitud de individuos.
La primer generación se creara de forma aleatoria. Las siguientes se crearan a partir de la
generación anterior, con las operaciones: (1) selección, (2) cruza y (3) mutacion.
El algoritmo continua hasta que ocurre la condición de paro (ej: se genera un individuo
excepcional, cota max de evaluaciones o generaciones, etc.)
El operador de mutación es considerado secundario, los otros dos son principales.
Operadores
(1) Selección: proceso por el cual “sobreviven” los individuos que representen una mejor
aptitud. Se asigna a un individuo una cantidad de copias de si mismo de acuerdo a la
(función de) aptitud para mejorar sus chances de reproducirse.
A veces los individuos sobreviven directamente, y otros participan indirectamente
contribuyendo su material genético.
La proporción de población que es reemplazada en cada generación se denomina salto
generacional.
(2) Cruza: toma 2 indiviudos sobrevivientes y recombina alguna de sus características
(material genético) y produce 2 nuevos individuos para la prox generacion.
La selección impone un sesgo en la búsqueda de la cruza, porque siempre hay
dominancia de los individuos mas aptos (obvio), esto hace que no sea 100%
probabilístico. Por esto existe la mutacion.
(3) Mutacion: toma “unos pocos” individuos generados por la cruza y altera algunas de las
características tomadas al azar.
Evita la perdida de alelos y contribuye a la creación de nuevos.
25
Resumen material lectura (en orden)
09/08/2017
En el ejemplo, las características son llamadas genes y sus valores son llamados alelos.
3.1,3 Sistemas Naturales y Sistemas Artificiales
(terminología, esto lo he visto en exámenes)
26
Resumen material lectura (en orden)
09/08/2017
3.1.4 Aplicaciones
Son atractivos por:



Utilizan poca info especifica del problema
Son extensibles (es fácil darles nueva info)
otras cosas..
Tienen básicamente dos campos de aplicación: (1) los problemas de optimización, (2) la
simulación de ambientes donde el objetivo es maximizar los beneficios acumulados en
función del tiempo.
3.2.1 Variantes del operador Seleccion
Existen dos tipos de métodos usados: los proporcionales y los que se basan en orden.
Los proporcionales otorgan peso a los indiviudos basándose en su aptitud con respecto al
resto. Los de orden arman una tabla ordenada por aptitud y los selecciona de acuerdo a
su ubicación.
Selección por ruleta: Se particiona una ruleta en n posiciones de igual probabilidad
(ranuras). A cada individuo se le asigna una cantidad de ranuras proporcional a su aptitud.
Se gira la ruleta tantas veces como individuos se necesiten.
Selección con control sobre el número esperado.
Se hace para cada individuo i: 𝑐𝑖 =
𝑎𝑝𝑡𝑖𝑡𝑢𝑑 𝑑𝑒 𝑖
𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑎𝑝𝑡𝑖𝑡𝑢𝑑𝑒𝑠
Cada individuo recibe siempre una cantidad de copias iguales a la parte entera de Ci, mas
una copia adicional con probabilidad igual a la parte decimal de Ci. (ej: si es 7,8 recibe 7
copias y tiene 80% de chances de 1 mas).
27
Resumen material lectura (en orden)
09/08/2017
Selección elitista: no aparecia en el pdf, pero recuerdo que lo mencionaron.
Los dos métodos anteriores no garantizan la preservación de los mejores inviduos
(porque podrían perderse/cambiarse en el cruce). Elitista preserva los mejores m
invididuos de la generación actual a la siguiente generación.
(osea que no seria un método de selección? va, se seleccionan, pero no se cruzan).
Selección por ranking
Convergencia prematura: los muy buenos dominan rápido la población, antes de explotar
todas las posibilidades.
En ranking, cada individuo recibe una cantidad de copias que solo dependen de su
ubicación dentro de la tabla. Se distribuye la cantidad de copias en forma lineal.
Selección torneo
No aparece en el apunte, pero si en el pdf!
Esta basado en los torneos medievales. El mas fuerte se salvaba del sablazo y quedaba,
y el mas débil no. Agarro individuos de a pares y voy filtrando.
3.2.1 Variantes del operador cruza
Los individuos son en general, representados por estructuras de longitud fija (es fácil
pensar en una cadena de caracteres).
Lo que hace el operador cruza, es tomar 2 individuos, e intercambiar segmentos de sus
estructuras para producir 2 individuos nuevos (hijos).
Sin embargo, dependiendo de la cruza que se utilice, no necesariamente se generaran 2
hijos de 2 padres.
Cruza simple
Se elige una posición dentro de la estructura (punto de cruza), y se intercambian entre
los dos individuos los segmentos separados por ese punto.
Cruza multipunto
La cruza simple es un caso particular de la cruza multipunto, donde la cantidad de los
puntos que dividen los segmentos n = 1.
28
Resumen material lectura (en orden)
09/08/2017
Cruza binomial
En el PDF esta explicado distinto que en el apunte. La del PDF es mas fácil, ya que no
habla de probabilidades, sino que son segmentos precisos. El apunte considera que
existen probabilidades en cada posición de heredar del padre o heredar de la madre.
1) Mascara complemento
La mascara define que pedazo tomo de cada padre hacia cada hijo. Los hijos serán
complementarios entre ellos (opuestos en los pedazos que los forman, ya que sus
mascaras son opuestas)
2) Mascara doble
Se usa una mascara para el hijo1 y otra mascara para el hijo2, no necesariamente
complementarias.
3) Azar
Este es como dice el apunte. Cada posición tiene una probabilidad de heredar del padre o
de la madre (1 – Ppadre = Pmadre). Un solo hijo de la unión.
3.2.1 Variantes del operador mutacion
La probabilidad de mutacion puede ser constante durante toda la búsqueda o puede ser
adaptativa.
Simple
Se elige un gen de forma aleatoria y se muta con probabilidad (baja). La probabilidad de
mutacion se mantiene constante en todas las generaciones.
Adaptativa por convergencia
Aumenta la probabilidad de mutacion cuando la población se hace muy homogénea. (es
lo que decía antes por convergencia). Disminuye cuando hay mas diversidad.
Adaptativa por temperatura (ascendente / descendente)
No depende de la calidad de la población (como el anterior) sino en la cantidad de
generaciones.
En temperatura ascendente, la prob de mutacion aumenta con cada generación hasta un
máximo y a partir de ahí se mantiene constante. Es importante la existencia de una cota
máxima, sino es un bolonqui.
En temperatura descendente, es lo contrario. Se comienza con mucha probabilidad de
mutacion, pero esta prob va bajando. Debe existir una cota inferior mayor a cero.
29
Resumen material lectura (en orden)
09/08/2017
El apunte continua, pero son temas que no aparecen en el pdf. Los leo si tengo
tiempo o luego me parecen necesarios.
K52/01 a partir de la 22: ciclo de vida de la INCO
Metodología de construcción de sistemas basados en conocimiento
Especificacion de requisitos:
Punto de vista
Respecto a las propiedades del sistema
que especifican
Respecto a su importancia relativa
Respecto al carácter de cada requisito
Pueden ser:
 Funcionales
 No funcionales (estructurales)
 Esenciales
Que debe realizar el sistema para que
sea aceptable

Deseables o derivados
Derivadas de las especificaciones
esenciales.

Implícitos
Subproducto de la practica perspicaz de
la ingeniería software (no inco,
software)
Cerrados
Bien definidos y estables.


Abiertos
No se entienden y son dinamicos.
Cada vez mas se ve que los requisitos no siempre fueron claros. Esto provoca que no
exista un producto final y siempre se cuente con un prototipo. Esto hace que el sistema
sea perfectible. El perfeccionamiento requerido hace que el mantenimiento sea de
máxima importancia.
Época: ciclo completo, desde la fase de análisis a la fase de desarrollo del
perfeccionamiento.
Métodologia ideal incorpora un ciclo de vida en 3 dimensiones, porque el espiral plano no
da cuenta del mantenimiento perfectivo. Es decir, la incorporación sistemática de nuevos
conocimientos que se producen en el propio SBC.
El eje indica la calidad de adquisición de conocimientos.
30
Resumen material lectura (en orden)
09/08/2017
31
Resumen material lectura (en orden)
09/08/2017
Metodología ideal
A la izq aparece que factores amenazan el éxito, a la derecha los que lo promueven.
32