Determinar la incertidumbre al momento de desarrollar aplicativos en inteligencia artificial, haciendo uso de estructuras probabilísticas..
|
|
- Luz Molina Olivera
- hace 7 años
- Vistas:
Transcripción
1 Sistemas expertos e inteligencia artificial, Guia 5 1 Facultad : Ingeniería Escuela : Computación Asignatura: Sistemas expertos e Inteligencia Artificial Tema: RAZONAMIENTO CON INCERTIDUMBRE. Objetivo Determinar la incertidumbre al momento de desarrollar aplicativos en inteligencia artificial, haciendo uso de estructuras probabilísticas.. Introducción Manejo de Incertidumbre. En situaciones reales, no siempre es posible contar con toda la información. Inclusive la información disponible puede ser incorrecta, incompleta o cambiar muy rápidamente. Todo esto da lugar a diferentes formas de inconsistencias e incertidumbre. Diversos métodos han sido desarrol ados para evaluar los grados de certeza o de verdad de las conclusiones. Uno de los más generalizados consiste en asignar coeficiente de certeza o de confianza a los hechos que intervienen en las en las condiciones y en la conclusión de una regla. Los principales modelos desarrol ados son: Modelo estadístico probabilístico. Modelo aproximado. Modelo de lógica difusa. Razonamiento Estadístico Probabilístico. La técnica más antigua y mejor definida para manejar la incertidumbre es la Regla de Bayes, la misma que está basada en la teoría clásica de la probabilidad Las hipótesis son más o menos probables dependiendo de las posibilidades de los hechos o evidencias que las sostiene La probabilidades se calculan en base a la fórmula general de la probabilidad condicionada de Bayes o algunas transformaciones de la misma
2 Sistemas expertos e Inteligencia artificial,guia 5 2 El procedimiento para el modelo probabilístico es el siguiente. El factor de un conjunto de condiciones unidas por el operador lógico Y (AND), es igual al producto de cada una de las evidencias que intervienen. El factor de un conjunto de condiciones unidas por el operador lógico O(OR) es igual al complementario del producto de los complementarios de cada una de las evidencias que intervienen. Para el cálculo del coeficiente de la regla se aplica la Regla de Bayes: Donde, P es la probabilidad, C son las conclusiones o resultados, H son los hechos o evidencias, i es una variable que va de 1 al número de conclusiones posibles. Para aplicar esta fórmula, las conclusiones deben ser excluyentes y completas. A pesar que el método de Bayes es mucho más desarrollado que otros métodos para manejar incertidumbre, no deja de tener ciertas dificultadas prácticas: 1. Requiere de una gran cantidad de datos probabilísticos para construir una base de conocimientos. Por ejemplo, si un sistema de diagnostico posee p conclusiones detectables y que características observables, requiere un mínimo de (p * q + p) valores probabilísticos, asumiendo que: todas las conclusiones son mutuamente excluyentes, las características son condicionalmente independientes para cada conclusión, y que todas las características son valores verdaderos. Caso contrario, se requeriría de un número significativamente mayor que el indicado. 2. Los tamaños de la muestra para obtener las probabilidades condicionales deben ser lo suficientemente grandes, como para que las probabilidades obtenidas sean exactas y significativas. 3. A menudo las relaciones entre la hipótesis y la evidencia son importante para determinar la forma en que la incertidumbre será manejada. Al reducirse estas asociacione a simples números, remueve información relevante que podría utilizarse para razonar con éxito acerca de las incertidumbres. 4. La reducción de dichas asociaciones a números también elimina la posibilidad de utilizar este conocimiento en otras tareas. Inferencia Aproximada Debido a la limitación que se tiene en la mayoría de los casos prácticos de no disponer de un gran cantidad de datos históricos, obligó al desarrol o de un método de inferencia aproximado, que en general proporcione resultados exactos aún cuando estén basados en datos limitados. A este se lo denominó el formalismo del factor de certeza. Los resultados son más o menos ciertos en función de la certeza o falsedad de los hechos y conocimientos utilizados. Los factores de certeza que van asociados a los predicados, por lo general pueden ir de 0 a 100. El procedimiento a seguir en el modelo aproximado es el siguiente:
3 Sistemas expertos e inteligencia artificial, Guia 5 3 El factor de un conjunto de condiciones unidas por el operador lógico Y (AND) es igual al mínimo de los factores que intervienen. El factor de un conjunto de condiciones unidas por el operador lógico O (OR) es igual al máximo de los factores que intervienen. El factor de certeza de una conclusión es igual al producto del factor de certeza de las condiciones por el de la regla. Para el cálculo del coeficiente resultante de la totalidad de reglas que se han encadenado en la deducción de un hecho, se aplican la siguiente relación: El formalismo del factor de certeza es uno de los más populares en los sistemas basados en conocimiento, debido a los siguientes puntos: 1. Es un modelo computacional simple que permite a los expertos estimar la confianza en las conclusiones derivadas. 2. Permite expresar el grado de creencias en cada hipótesis, permitiendo la expresión del efecto de múltiples fuentes de evidencias. 3. Permite la captura de conocimiento en una regla, excluyendo la cuantificación de la incertidumbre. 4. La asignación de valores de certeza es simple aunque subjetiva. No se requiere base estadística, simplemente se solicita al experto su estimación. También han sido puntualizados ciertas dificultades asociadas a los factores de certeza: 1. Los valores de certeza no pueden representar en forma eficiente y natural ciertas dependencias entre estimaciones de incertidumbre. 2. El valor del factor de certeza asociado a una regla es independiente de la fuerza de la asociación entre las premisas y las conclusiones. A medida que mayor conocimiento sea descubierto y añadido o retirado de una base de conocimiento, obligará a que los valores de certeza del conocimiento existente tenga que variar. Esto hará que los cambios involucrados en la base de conocimiento sean bastantes complejos. Conjunto Difusos En la teoría estándar de conjuntos, un objeto es miembro del conjunto o no lo es. No existen posibilidades intermedias. En la lógica difusa se generaliza este concepto, permitiendo que las funciones características de confianza asuman valores reales, dentro del intervalo (Totalmente FALSO = 0; totalmente VERDADERO = 1). Estos valores indican el grado o nivel de pertenencia del objeto dentro del conjunto difuso. La teoría de los conjuntos difusos permite que un elemento sea parcialmente miembro de un determinado conjunto. Por ejemplo, considérese un conjunto universal U que contiene: U = { Rojo, Verde, Azul, Amarillo, Blanco, Negro }
4 Sistemas expertos e inteligencia artificial,guia 5 4 Un subconjunto difuso R de U, puede ser descrito como: R = { 1,0/Rojo, 0,9/Verde, 1,0/Azul, 0,2/Amarillo, 0,4/Blanco, 0,0/Negro } Donde los valores indicados representan el grado de pertenencia de cada color al subconjunto difuso R. Como el color negro tiene un grado de pertenencia igual a cero, bien podría ser eliminado del subconjunto: R = { 1,0/Rojo, 0,9/Verde, 1,0/Azul, 0,2/Amarillo, 0,4/Blanco } Operaciones con Conjuntos Difusos A continuación se definen algunas de las operaciones más comunes que se pueden aplicar a los conjuntos difusos. Unión. Si A y B son conjuntos difusos del universo U, la unión de A y B, se define como: A B = {MAX (p A(x), p B(x)) x U} Donde, pa(x) y pb(x) son los grados de pertenencia del elemento x en el conjunto A y B, respectivamente. Intersección. La intersección de los conjuntos difusos A y B, se define como: Complemento. A B = {MIN (p A(x), p B(x)) x U} El complemento de un conjunto difuso, está definido por la diferencia que cada grado de pertenencia del elemento x tiene con respecto al valor unitario: Normalización. A C = {(1 - p A(x)) x U} La normalización divide el grado de pertenencia de cada elemento de un determinado conjunto difuso, por el máximo valor de pertenencia que exista en dicho conjunto. Esta operación asegura que al menos un miembro tendrá un grado de pertenencia igual a 1. NORM(A) = {(p A(x)/(MAX(p A(y)) x, y U}
5 Sistemas expertos e inteligencia artificial Guia 5 5 Dilatación. Este operador incrementa el grado de pertenencia de cada elemento del conjunto difuso, tomando la raíz cuadrada de cada valor. Mientras menor sea el grado de pertenencia, mayor será el incremento. Concentración. DIL (A) = { p A(x) x U} Este operador es lo opuesto de la dilatación. Reduce el grado de pertenencia, elevando al cuadrado cada valor. Mientras menor sea el grado de pertenencia, mayor será la reducción. Intensificación. CON (A) = { p A(x) 2 x U} Este operador reduce el grado de pertenencia de los elementos que tengan un valor menor que 0,5 e incrementa el grado de pertenencia de los elementos que tengan in valor mayor que 0,5. Variables Lingüísticas Los conjuntos difusos nos proporcionan bloques constructivos para resolver problemas complejos e imprecisos del mundo real. Por ejemplo, la variable lingüística en una herramienta poderosa para procesar lenguaje natural impreciso y difuso. Se constituye en un puente entre el mundo numérico preciso y la forma difusa en que los humanos nos expresamos. Las variables lingüísticas son similares a las variables numéricas ya que tienen ciertos valores asociados a el as. Pero, a diferencia de las variables numéricas, los valores de las variables lingüísticas no son números sino expresiones del lenguaje natural que describen alguna cantidad abstracta de interés. Estas expresiones del lenguaje natural son los nombres de conjuntos difusos que consisten de valores numéricos. A estos conjuntos difusos, se los l ama también restricciones difusas.
6 Sistemas expertos e inteligencia artificial Guia 5 6 Para aclarar estos conceptos, asumamos que el conjunto universo contiene los números enteros del 1 al 10. En esta base podríamos describir las restricciones difusas bajo, medio y alto, como sigue: bajo: { 1,0/1, 0,8/2, 0,4/3, 0,1/4, 0,0/5 } medio: { 0,1/2, 0,4/3, 0,8/4, 1,0/5, 0,8/6, 0,4/7, 0,1/8 } alto: { 0,0/5, 0,1/6, 0,4/7, 0,8/8, 1,0/10 } Nótese que las definiciones de las restricciones difusas son subjetivas, dependen de los gustos de cada persona y de la comprensión que ésta tenga del término que desea describir. Otro concepto importante es el de los modificadores (hedges). Éstos son operadores que actúan sobre las restricciones difusas y están representados por términos complejos del lenguaje natural. Algunos de los más conocidos son Muchos de los fenómenos que no son representables mediante algoritmos lógicos o matemáticos y que tampoco siguen algún modelo de distribución estadística, pueden representarse con lógica difusa. EJEMPLO: Premisa: X es bajo Implicación: Y es más pequeño que X Conclusión: Y es muy bajo
7 Sistemas expertos e inteligencia artificial Guia 5 7 La definición del conjunto difuso bajo, dada anteriormente, puede ser utilizada para diseñar la restricción difusa muy bajo. Esto se puede lograr aplicando el operador de concentración definido anteriormente, para incrementar la restricción del grado de pertenencia de los elementos del conjunto difuso inicial: muy bajo = CON (bajo) muy bajo = { 1,0/1, 0,64/2, 0,16/3, 0,01/4, 0,0/5 } De esta manera, combinando los operadores dados, es posible definir una amplia variedad de cercos. No se olvide que estas definiciones son subjetivas y se pueden dar otras diferentes a las que aquí se proponen: Materiales y equipo Guía de Laboratorio Nº 5. Computadora con programa: o Visual Studio 2005 o Dev - C++ Dispositivo de Almacenamiento (USB).
8 Sistemas expertos e Inteligencia artificial, Guia 5 8 Procedimiento Desarroll e un programa en C# o en C++ para lo siguiente, Elaborar un programa para generar un árbol hacia adelante para el problema de la anomalía de Sussman, siguiendo una estrategia de anchura y profundidad y calcula el número de nodos que es necesario expandir en cada una de las dos estrategias de búsqueda. Surge al deshacer operadores que hansido aplicados previamente mediante STRIPS recursivo Ejemplo A A B C B C» Objetivo w: On(A,B)^On(B,C)» Supongamos que se escoge On(A,B) Retiramos C de A, al tablero Entonces movemos A sobre B Para alcanzar el otro literal On(B,C) Deshacer el movimiento anterior On(A,B)!» Supongamos que se escoge 1º On(B,C) C Movemos B sobre C Para alcanzar el otro literal On(A,B) Deshacer el movimiento anterior On(B,C)!» Conclusión: no hay un plan que minimice el número de operadores a emplear B A Investigación complementaria. Investigar la parte de agentes (Reconocimiento de patrones) Algoritmo genéticos. Bibliografía.
9 Siste mas expertos e inteligencia artificial Guia 5 9 Hoja de cotejo: 6 Guía 5: Razonamiento con incertidumbre. Alumno: Máquina No: GL: Fecha: Docente: EVALUACION % Nota CONOCIMIENTO 40 APLICACIÓN DEL CONOCIMIENTO 40 ACTITUD 20 TOTAL 100%
Métodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Agentes que razonan bajo incertidumbre Introducción Repaso de probabilidad
Más detallesIndique la respuesta correcta (d=ninguna de las anteriores, e=todas las anteriores)
Parcial 4. Indique la respuesta correcta (d=ninguna de las anteriores, e=todas las anteriores) 1. Inteligencia es: a. La capacidad para combinar información. c. El proceso que permite elaborar conocimiento.
Más detallesLÓGICA Y CONJUNTOS DIFUSOS
CPÍTULO 2 LÓGIC Y CONJUNTOS DIFUSOS 2.1 Introducción La lógica difusa es una metodología que proporciona una manera simple de obtener una conclusión a partir de información de entrada vaga, ambigua, imprecisa,
Más detallesSolución al parcial 14
Solución al parcial 14 Marque V(erdadero) o F(also) según considere la proposición. 1. La lógica difusa es la emulación del razonamiento aproximado que realizan las máquinas. F: Las máquinas no realizan
Más detallesSubTemas. Tema 1.4 Razonamiento Aproximado. Tópicos
SubTemas 1.1 Introducción al control difuso 1.2 Teoría de conjuntos difusos 1.3 Representación del conocimiento 1.4 Razonamiento aproximado 1.5 Sistemas de inferencia difusos Tema 1.4 Razonamiento Aproximado
Más detallesFormulación del problema de la ruta más corta en programación lineal
Formulación del problema de la ruta más corta en programación lineal En esta sección se describen dos formulaciones de programación lineal para el problema de la ruta más corta. Las formulaciones son generales,
Más detallesLOGICA DIFUSA. Dámaso López Aragón
LOGICA DIFUSA Dámaso López Aragón Introducción La lógica difusa tiene su origen en la década de los 60, en la Universidad de Berkeley - California, la cual fue desarrollada por Lofti Zadeth a través de
Más detallesApellidos:... Nombre:...
Apellidos:....................................... Nombre:........................................ Introducción a la Inteligencia Artificial 1 er Parcial de Teoría 12 Noviembre 2004 Ejercicio 1: Responder
Más detallesUNIVERSIDAD AUTÓNOMA DE CHIAPAS FACULTAD DE INGENIERÍA CAMPUS I PROBABILIDAD Y ESTADÍSTICA
UNIVERSIDAD AUTÓNOMA DE CHIAPAS FACULTAD DE INGENIERÍA CAMPUS I PROBABILIDAD Y ESTADÍSTICA NIVEL: LICENCIATURA CRÉDITOS: 9 CLAVE: ICAD24.500919 HORAS TEORÍA: 4.5 SEMESTRE: CUARTO HORAS PRÁCTICA: 0 REQUISITOS:
Más detallesUNIVERSIDAD AUTÓNOMA DE CHIAPAS FACULTAD DE INGENIERÍA CAMPUS I PROBABILIDAD Y ESTADISTICA
UNIVERSIDAD AUTÓNOMA DE CHIAPAS FACULTAD DE INGENIERÍA CAMPUS I PROBABILIDAD Y ESTADISTICA NIVEL : LICENCIATURA CRÉDITOS : 7 CLAVE : ICAE13001731 HORAS TEORÍA : 3 SEMESTRE : QUINTO HORAS PRÁCTICA : 1 REQUISITOS
Más detallesGuía docente MÉTODOS ESTADÍSTICOS PARA LA EMPRESA
1. Introducción Guía docente MÉTODOS ESTADÍSTICOS PARA LA EMPRESA Los análisis económicos y empresariales se efectúan sobre la base de la toma de decisiones, las cuales se toman a partir de la información
Más detallesmatemáticas como herramientas para solución de problemas en ingeniería. PS Probabilidad y Estadística Clave de la materia: Cuatrimestre: 4
PS0401 - Probabilidad y Estadística DES: Ingeniería Programa(s) Educativo(s): Ingeniería de Software Tipo de materia: Obligatoria Clave de la materia: PS0401 Cuatrimestre: 4 UNIVERSIDAD AUTÓNOMA DE Área
Más detallesRazonamiento bajo incertidumbre
Inteligencia en Redes de Comunicaciones Razonamiento bajo incertidumbre Julio Villena Román jvillena@it.uc3m.es Razonamiento humano En el razonamiento humano hay que trabajar con la incertidumbre: la información
Más detallesCONTENIDO. 1.- Introducción a la Inteligencia Artificial (IA) 2.- Lógica de predicados. 3.- Búsqueda de soluciones
CONTENIDO 1.- Introducción a la Inteligencia Artificial (IA) 2.- Lógica de predicados 3.- Búsqueda de soluciones 4.- Lenguajes de IA e Introducción a Sistemas Expertos 1.- Introducción a la Inteligencia
Más detallesFecha de elaboración: 2003 Fecha de última actualización: F1232 Probabilidad y Estadística 1/9
Programa elaborado por: PROGRAMA DE ESTUDIO PROBABILIDAD Y ESTADÍSTICA Programa Educativo: Área de Formación : Licenciatura en Física Integral Profesional Horas teóricas: 4 Horas prácticas: 0 Total de
Más detallesTÉCNICO SUPERIOR UNIVERSITARIO EN TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIÓN
TÉCNICO SUPERIOR UNIVERSITARIO EN TECNOLOGÍAS DE LA INFORMACIÓN Y COMUNICACIÓN HOJA DE ASIGNATURA CON DESGLOSE DE UNIDADES TEMÁTICAS 1. Nombre de la asignatura Desarrollo de Habilidades De Pensamiento
Más detallesESTADÍSTICA CICLO 6 CAPACITACIÓN 2000
INTRODUCCIÓN La estadística día a día esta ocupando un lugar importante en nuestra sociedad colaborando así al progreso humano y su bienestar. Aunque en sus comienzos era aplicada únicamente a asuntos
Más detallesTÉCNICO SUPERIOR UNIVERSITARIO EN PROCESOS INDUSTRIALES ÁREA SISTEMAS DE GESTIÓN DE LA CALIDAD EN COMPETENCIAS PROFESIONALES
TÉCNICO SUPERIOR UNIVERSITARIO EN PROCESOS INDUSTRIALES ÁREA SISTEMAS DE GESTIÓN DE LA CALIDAD EN COMPETENCIAS PROFESIONALES ASIGNATURA DE PROBABILIDAD Y ESTADÍSTICA 1. Competencias Plantear y solucionar
Más detallesTema: Análisis Semántico
Compiladores. Guía 7 1 Facultad: Ingeniería Escuela: Computación Asignatura: Compiladores Tema: Análisis Semántico Contenido En esta guía se desarrollará una tabla de símbolos y se asociará al analizador
Más detallesCOMPETENCIA MATEMÁTICA 2º CURSO DE EDUCACIÓN SECUNDARIA OBLIGATORIA
2º CURSO DE EDUCACIÓN SECUNDARIA OBLIGATORIA 1. DESCRIPCIÓN DE LA COMPETENCIA La competencia matemática consiste en la habilidad para utilizar y relacionar los números, sus operaciones básicas, los símbolos
Más detallesINFORMATICA TECNICATURA DE NIVEL SUPERIOR ALGUNOS EJERCICIOS DE SELECCIÓN E ITERACION
INFORMATICA TECNICATURA DE NIVEL SUPERIOR ALGUNOS EJERCICIOS DE SELECCIÓN E ITERACION DIIAGRAMAS DE FLUJO Un diagrama de flujo es un dibujo que utiliza símbolos estándar de diagramación de algoritmos para
Más detallesCapítulo 2. disponibles las habilidades de los expertos a los no expertos. Estos programas tratan de
Capítulo 2 Sistemas Expertos y Lógica Difusa 2.1 Sistemas Expertos Los sistemas expertos son programas computacionales diseñados para tener disponibles las habilidades de los expertos a los no expertos.
Más detallesInteligencia Artificial
Inteligencia Artificial Inteligencia, concepto Es la capacidad para aprender o comprender. Suele ser sinónimo de intelecto (entendimiento), pero se diferencia de éste por hacer hincapié en las habilidades
Más detallesTema: Tipos Abstractos de Datos (TAD s) en C#.
Programación II. Guía No. 12 1 Facultad: Ingeniería Escuela: Computación Asignatura: Programación II Tema: Tipos Abstractos de Datos (TAD s) en C#. Objetivos Comprender el concepto Tipo Abstracto de Datos
Más detallesCapítulo 4. Lógica matemática. Continuar
Capítulo 4. Lógica matemática Continuar Introducción La lógica estudia la forma del razonamiento, es una disciplina que por medio de reglas y técnicas determina si un teorema es falso o verdadero, además
Más detallesConjuntos Los conjuntos se emplean en muchas áreas de las matemáticas, de modo que es importante una comprensión de los conjuntos y de su notación.
NÚMEROS REALES Conjuntos Los conjuntos se emplean en muchas áreas de las matemáticas, de modo que es importante una comprensión de los conjuntos y de su notación. Un conjunto es una colección bien definida
Más detallesInteligencia Artificial II Razonamiento Bayesiano
Inteligencia Artificial II Razonamiento Bayesiano Dr. Alejandro Guerra-Hernández Universidad Veracruzana Centro de Investigación en Inteligencia Artificial mailto:aguerra@uv.mx http://www.uv.mx/personal/aguerra
Más detallesUNIVERSIDAD AUTÓNOMA DEL ESTADO DE HIDALGO
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE HIDALGO Instituto de Ciencias Básicas e Ingeniería SISTEMAS BASADOS EN CONOCIMIENTO Ing. Henry Patricio Paz Arias Maestría en Ciencias Computacionales Sistemas Basados
Más detallesDesde hace algún tiempo los problemas más recurrentes con los que se enfrenta la industria
3 Sistemas Expertos 3.1 Introducción Desde hace algún tiempo los problemas más recurrentes con los que se enfrenta la industria son la falta de personas capacitadas en campos muy específicos y el elevado
Más detallesPROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2009 DIURNO INGENIERÌA EN SISTEMAS ASIGNATURA
PROGRAMA DETALLADO VIGENCIA TURNO UNIVERSIDAD NACIONAL EXPERIMENTAL POLITÉCNICA DE LA FUERZA ARMADA 2009 DIURNO INGENIERÌA EN SISTEMAS SEMESTRE ASIGNATURA 8vo TEORÍA DE DECISIONES CÓDIGO HORAS MAT-31314
Más detallesUNIVERSIDAD DE GUADALAJARA PROGRAMA DE ASIGNATURA MT106
UNIVERSIDAD DE GUADALAJARA PROGRAMA DE ASIGNATURA NOMBRE DE MATERIA CÓDIGO DE MATERIA DEPARTAMENTO ÁREA DE FORMACIÓN LOGICA Y CONJUNTOS MT106 CIENCIAS BIOLOGICAS BÁSICA COMUN CENTRO UNIVERSITARIO CENTRO
Más detallesÁrea: INFORMÁTICA. Saber- Saber: Identificar DFD como herramienta para escribir los algoritmos de forma lógica.
Guía No: 2 Subdirección de Educación Departamento de Educación Contratada Colegio CAFAM Bellavista CED GUIA DE APRENDIZAJE Docente: Luz del Carmen Barrera Área: INFORMÁTICA Fecha: II BIMESTRE 2014 Grado:
Más detallesTema: CREACIÓN DE FORMULAS Y FUNCIONES EN MICROSOFT EXCEL 2013.
Empremática, Guía 5 1 Facultad : Ingeniería Escuela : Computación Asignatura: Empremática Tema: CREACIÓN DE FORMULAS Y FUNCIONES EN MICROSOFT EXCEL 2013. Objetivos Identificar los diferentes tipos de fórmulas
Más detallesAPRENDIZAJE PROBABILÍSTICO NAIVE BAYES
1 APRENDIZAJE PROBABILÍSTICO NAIVE BAYES Bases de Datos Masivas 9 de Noviembre de 2016 2 Razonamiento Probabilístico Es una herramienta de aprendizaje estadístico. Se trata de razonar en un contexto incierto;
Más detallesTema 4. Probabilidad Condicionada
Tema 4. Probabilidad Condicionada Presentación y Objetivos. En este tema se dan reglas para actualizar una probabilidad determinada en situaciones en las que se dispone de información adicional. Para ello
Más detallesFacultad de Ingeniería y Tecnología Informática Técnico en Programación de Computadoras Plan de Estudios 2014 Año 2014 Programa Analítico Lógica (1)
1. OBJETIVOS: 1- OBJETIVOS GENERALES: El objetivo principal de esta asignatura es introducir al alumno en el estudio de los sistemas finitos, conforme a los avances en la era de las computadoras. Se pretende
Más detallesSECUENCIA DIDÁCTICA. Nombre de curso: Probabilidad y Estadística Clave de curso: MAT0802A21. Módulo II Competencia de Módulo:
SECUENCIA DIDÁCTICA Nombre de curso: Probabilidad y Estadística Clave de curso: MAT0802A21 Antecedente: Ninguno Clave de antecedente: Ninguna Módulo II Competencia de Módulo: Desarrollar programas de cómputo
Más detallesGUÍAS. Módulo de Pensamiento científico Ciencias físicas SABER PRO
Módulo de Pensamiento científico Módulo Pensamiento científico Este módulo evalúa el pensamiento científico que desarrollan los estudiantes a lo largo de sus carreras universitarias. El pensamiento científico
Más detallesSesión 9. Razonamiento con imprecisión. Año académico 2014/15. Profesores: Sascha Ossowski, Alberto Fernández y Holger Billhardt
Sesión 9 Razonamiento con imprecisión Año académico 2014/15 Profesores: Sascha Ossowski, Alberto Fernández y Holger Billhardt 1 Índice Introducción Conjuntos borrosos Operaciones con conjuntos borrosos
Más detallesLABORATORIO No. 0. Cálculo de errores en las mediciones. 0.1 Introducción
LABORATORIO No. 0 Cálculo de errores en las mediciones 0.1 Introducción Es bien sabido que la especificación de una magnitud físicamente medible requiere cuando menos de dos elementos: Un número y una
Más detallesSesión 9. Razonamiento con imprecisión. Semestre de otoño Profesores: Sascha Ossowski, Alberto Fernández y Holger Billhardt
Sesión 9 Razonamiento con imprecisión Semestre de otoño 2013 Profesores: Sascha Ossowski, Alberto Fernández y Holger Billhardt 1 Índice Introducción Conjuntos borrosos Operaciones con conjuntos borrosos
Más detallesProyecto docente de la asignatura
Proyecto docente de la asignatura Asignatura MATEMÁTICAS Y COMPUTACIÓN Materia MATEMÁTICAS Módulo FORMACIÓN BÁSICA Titulación GRADO EN INGENIERÍA FORESTAL: INDUSTRIAS FORESTALES Plan 462 Código 45123 Periodo
Más detallesBúsqueda en línea y Búsqueda multiagente
Búsqueda en línea y Búsqueda multiagente Ingeniería Informática, 4º Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani 1 Tema 2: Agentes basados en Búsqueda Resumen: 2. Agentes basados
Más detallesUNIDAD 12: ESTADISTICA. OBJETIVOS
UNIDAD 12: ESTADISTICA. OBJETIVOS Conocer y manejar los términos básicos del lenguaje de la estadística descriptiva elemental. Conocer y manejar distintas técnicas de organización de datos estadísticos
Más detallesLÓGICA DIFUSA. Conjuntos difusos Blanca A. Vargas Govea Noviembre 2, 2012 Inteligencia Computacional
LÓGICA DIFUSA Conjuntos difusos Blanca A. Vargas Govea vargasgovea@itesm.mx Noviembre 2, 2012 Inteligencia Computacional Sistemas de inferencia difusa 2 Observacio nes Inferencia difusa Fusificación Definir
Más detallesUNIVERSIDAD DE ORIENTE NÚCLEOS NUEVA ESPARTA-SUCRE COMISIÓN DE CURRICULA PROGRAMA ANALÍTICO DE LA ASIGNATURA
UNIVERSIDAD DE ORIENTE NÚCLEOS NUEVA ESPARTA-SUCRE COMISIÓN DE CURRICULA PROGRAMA ANALÍTICO DE LA ASIGNATURA NOMBRE DE LA ASIGNATURA INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL ESCUELA Hotelería y Turismo-Nva.
Más detallesTÉCNICO SUPERIOR UNIVERSITARIO EN ENERGÍAS RENOVABLES ÁREA CALIDAD Y AHORRO DE ENERGÍA EN COMPETENCIAS PROFESIONALES
TÉCNICO SUPERIOR UNIVERSITARIO EN ENERGÍAS RENOVABLES ÁREA CALIDAD Y AHORRO DE ENERGÍA EN COMPETENCIAS PROFESIONALES ASIGNATURA DE PROBABILIDAD Y ESTADÍSTICA 1. Competencias Plantear y solucionar problemas
Más detallesTecnologías de Sistemas Inteligentes (IA95 022) Razonamiento Aproximado mediante Lógica Difusa
Razonamiento Aproximado mediante Lógica Difusa c M. Valenzuela 1996, 1997, 2006 (23 de febrero de 2006) Este apunte está basado en (Driankov, Hellendoorn, y Reinfrank, 1996, capítulo 2) y (Klir y Yuan,
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática - Curso 2 Pablo Candela Departamento de Matemáticas (despacho 212) Universidad Autónoma de Madrid pablo.candela@uam.es Introducción 1 / 8 Organización
Más detallesENRIC RUIZ MORILLAS ESTADÍSTICA APLICADA A EXPERIMENTOS Y MEDICIONES
ENRIC RUIZ MORILLAS ESTADÍSTICA APLICADA A EXPERIMENTOS Y MEDICIONES Índice 1. Experimento y medición...1 2. Frecuencia y probabilidad...3 3. Características teóricas de las variables aleatorias...25 4.
Más detallesTALLER DE MATEMÁTICAS 1º E.S.O.
CONTENIDOS MÍNIMOS TALLER DE MATEMÁTICAS 1º E.S.O. A continuación se da una estimación de dichos contenidos mínimos: 1. Calcular expresiones numéricas con números enteros, con y sin paréntesis, respetando
Más detallesEvaluación Nacional Revisión del intento 1
LOGICA MATEMATICA Perfil Salir Evaluación Nacional Revisión del intento 1 Finalizar revisión Comenzado el sábado, 15 de junio de 2013, 15:59 Completado el sábado, 15 de junio de 2013, 16:35 Tiempo empleado
Más detallesUNIVERSIDAD AUTÓNOMA DE BUCARAMANGA Vicerrectoría Académica Departamento de Matemáticas y Ciencias Naturales
UNIVERSIDAD AUTÓNOMA DE BUCARAMANGA Vicerrectoría Académica Departamento de Matemáticas y Ciencias Naturales GUÌA DE CÀTEDRA DE ESTADISTICA GENERAL Fecha de actualización: junio 02 de 2015 1. Identificación
Más detallesDiseño y simulación de un algoritmo basado en lógica difusa para el despacho de ascensores en un edificio
Diseño y simulación de un algoritmo basado en lógica difusa para el despacho de ascensores en un edificio PROYECTO FIN DE CARRERA Ingeniería de Telecomunicación Autor: Guillermo Iglesias García Director:
Más detallesAprendizaje Automatizado
Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto
Más detallesMATEMÁTICAS 2º ESO. Criterios de evaluación
MATEMÁTICAS 2º ESO Criterios de evaluación 1. Utilizar estrategias y técnicas de resolución de problemas, tales como el análisis del enunciado, el ensayo y error sistemático, la división del problema en
Más detallesEstadística I. Unidad II: Introducción a la probabilidad
Estadística I Unidad II: Introducción a la probabilidad Conceptos claves Experimento Evento Espacio muestral Evento simple Eventos mutuamente excluyentes Los administradores (y también los futuros ingenieros
Más detallesTaller de Matemáticas de los cursos 1º, 2º y 3º ESO
Taller de Matemáticas de los cursos 1º, 2º y 3º ESO 1. Criterios de evaluación 2. Contenidos mínimos 3. Procedimientos e instrumentos de evaluación. 4. Criterios de calificación que se van a aplicar. Página
Más detallesResolución de ecuaciones no lineales y Método de Bisección
Resolución de ecuaciones no lineales y Método de Bisección Recordemos algunas ecuaciones 1) Resolver [ ] [ ] Sol: 2) Resolver la siguiente ecuación literal para la variable ; Sol: 3) Resolver Solución:
Más detallesÁrboles de Decisión Árboles de Sintaxis
Árboles de Decisión Árboles de Sintaxis Estructuras de Datos Andrea Rueda Pontificia Universidad Javeriana Departamento de Ingeniería de Sistemas Árboles de Decisión Árbol de Decisión Forma gráfica de
Más detallesCompetencia Matemática
Instituto Nacional para la Evaluación de la Educación Dirección de Proyectos Internacionales y Especiales Competencia matemática en PISA Jornadas bajacalifornianas en materia de Evaluación Educativa 2011
Más detallesMinisterio de Educación Pública Dirección de Gestión y Evaluación de la Calidad Departamento de Evaluación Académica y Certificación.
Matemáticas Distribución de ítems para la prueba nacional Modalidad Académica (Diurnos Nocturnos) Convocatorias 016 ESTIMADO DOCENTE: En la modalidad de colegios académico, la Prueba de Bachillerato 016
Más detalles2. Conceptos Básicos de Probabilidad. ESTADÍSTICA Esp. Paola G. Herrera S.
2. Conceptos Básicos de Probabilidad ESTADÍSTICA Esp. Paola G. Herrera S. Introducción La probabilidad es la rama de las matemáticas que estudia los fenómenos con incertidumbre. Es un mecanismo por medio
Más detallesTitulación(es) Titulación Centro Curso Periodo Grado en Física FACULTAT DE FÍSICA 3 Primer cuatrimestre
FICHA IDENTIFICATIVA Datos de la Asignatura Código 34252 Nombre Laboratorio de Electromagnetismo Ciclo Grado Créditos ECTS 5.0 Curso académico 2012-2013 Titulación(es) Titulación Centro Curso Periodo 1105
Más detallesEstratégias generales de análisis y diseño de algorítmos
Estratégias generales de análisis y diseño de algorítmos comp-420 Ayudantes Hugo Eduardo Dueñas heduenas@cimat.mx (ordinaria) Alberto José Ramirez Valadez alberto@cimat.mx (ordinaria) Mandar tareas (programas)
Más detallesINTRODUCCION A LA INTELIGENCIA ARTIFICIAL
INTRODUCCION A LA INTELIGENCIA ARTIFICIAL MODULO 3- REPRESENTACION DEL CONOCIMIENTO Referencias: Inteligencia Artificial Russell and Norvig Cap.6,7,8, 9,10.. Artificial Intellingence Nils Nilsson Chap.
Más detallesPrograma de estudios por competencias Inteligencia Artificial I
Programa de estudios por competencias Inteligencia Artificial I 1. Identificación del curso Programa educativo: Licenciatura en Ingeniería en Computación Unidad de aprendizaje: Inteligencia Artificial
Más detallesBases Formales de la Computación: Redes de Bayes (segunda parte)
Bases Formales de la Computación: Redes de Bayes (segunda parte) Departamento de Ciencias e Ingeniería de la Computación Pontificia Universidad Javeriana Cali Periodo 2008-2 Razonamiento en Redes de Bayes
Más detallesCarrera: Ingeniería Civil CIM 0531
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos: Probabilidad y Estadística Ingeniería Civil CIM 0531 3 2 8 2.- HISTORIA DEL PROGRAMA
Más detallesProbabilidad es una manera de indicar la posibilidad de ocurrencia de un evento futuro
Probabilidad es una manera de indicar la posibilidad de ocurrencia de un evento futuro La probabilidad nos proporciona un modelo teórico para la generación de los datos experimentales Medidas de la Posibilidad
Más detallesFundamentos de Inteligencia Artificial
Área de Ingeniería Telemática Universidade de Vigo Fundamentos de Inteligencia Artificial Manuel Ramos Cabrer (Curso 2010/11) Objetivos Introducción a la disciplina de la Inteligencia Artificial desde
Más detallesRAZONAMIENTO LÓGICO LECCIÓN 1: ANÁLISIS DEL LENGUAJE ORDINARIO. La lógica se puede clasificar como:
La lógica se puede clasificar como: 1. Lógica tradicional o no formal. 2. Lógica simbólica o formal. En la lógica tradicional o no formal se consideran procesos psicológicos del pensamiento y los métodos
Más detallesEstándares de evaluación en la materia de MATEMÁTICAS de 1º de ESO. Curso 2016/2017.
Estándares de evaluación en la materia de MATEMÁTICAS de 1º de ESO. Curso 2016/2017. Bloque 1. Procesos, métodos y actitudes en matemáticas. Los criterios correspondientes a este bloque son los marcador
Más detallesCarrera: SCB Participantes. Representantes de la academia de sistemas y computación de los Institutos Tecnológicos.
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Matemáticas para computación Ingeniería en Sistemas Computacionales SCB - 0422
Más detallesRepresentación del conocimiento. Lógica y representación del conocimiento.
Representación del conocimiento Lógica y representación del conocimiento. Contenidos 1. Papel de la lógica en la representación del conocimiento. 2. Principios de Ingeniería de Conocimiento en Lógica de
Más detallesCOMPETENCIA MATEMÁTICA
COMPETENCIA MATEMÁTICA EN PISA 2018 COMPETENCIA MATEMÁTICA Para el Estudio PISA, la Competencia Matemática se define como: La capacidad de un individuo de formular, emplear e interpretar las matemáticas
Más detallesIntensificación en "Lenguajes e Inteligencia Artificial"
Ingeniería Informática - ETS Informática Métodos y Técnicas Informáticas específicas. Comportamientos humanos que se quieren simular/emular: IA: Vertiente "cognitiva" : Razonamiento, Intelecto,. RF: Vertiente
Más detallesDESIGUALDADES. AXIOMA 1.- Tricotomía de los números reales. Si a y b son números reales entonces se cumple una y solo una de las relaciones
DESIGUALDADES 4.1.- AXIOMAS DE ORDEN. Cualquier conjunto o Campo de números que satisface los siguientes 4 Axiomas se dice que es un conjunto de números ORDENADO. El conjunto o Campo de los números reales
Más detallesTema 4: Gramáticas independientes del contexto. Teoría de autómatas y lenguajes formales I
Tema 4: Gramáticas independientes del contexto Teoría de autómatas y lenguajes formales I Bibliografía Hopcroft, J. E., Motwani, R., y Ullman, J. D. Introducción a la Teoría de Autómatas, Lenguajes y Computación.
Más detallesCRITERIOS DE EVALUACIÓN MATEMÁTICAS 2º DE ESO CURSO 16/17 UNIDAD 1 NÚMEROS ENTEROS
CRITERIOS DE EVALUACIÓN MATEMÁTICAS 2º DE ESO CURSO 16/17 UNIDAD 1 NÚMEROS ENTEROS Emplear el algoritmo del cálculo del máximo común divisor y el mínimo común múltiplo de varios números. Reconocer los
Más detallesEn general, se considera válido un razonamiento cuando sus premisas ofrecen soporte suficiente a su conclusión.
Se llama razonamiento lógico al proceso mental de realizar una inferencia de una conclusión a partir de un conjunto de premisas. La conclusión puede no ser una consecuencia lógica de las premisas y aun
Más detallesControl con Lógica Difusa
Teoría de Control con Lógica Difusa Teoría Dr. Fernando Ornelas Tellez Universidad Michoacana de San Nicolás de Hidalgo Facultad de Ingeniería Eléctrica Morelia, Michoacan Dr. Fernando Ornelas Tellez UMSNH-FIE
Más detallesMATEMATICAS Y ESTADÍSTICA PROGRAMA ADMINISTRACIÓN DE EMPRESAS CURSO EST 1031 ESTADISTICA II AD TIPO DE CURSO
1 UNIVERSIDAD DEL NORTE DIVISIÓN DE CIENCIAS BÁSICAS DEPARTAMENTO DE MATEMÁTICAS Y ESTADÍSTICA 1. IDENTIFICACION DIVISION CIENCIAS BÁSICAS DEPARTAMENTO MATEMATICAS Y ESTADÍSTICA PROGRAMA ADMINISTRACIÓN
Más detallesM.C. Mariano Larios G. 3 de diciembre de 2009
3 de diciembre de 2009 Tabla de criterios Criterios Porcentajes Exámenes 30 % Participación en clase Tareas 20 % Exposiciones 10 % Simulaciones Trabajos de investigación y/o de intervención Prácticas
Más detalles4 horas. 96 horas. Competencias Especificas: Construye algoritmos analizando su complejidad mediante técnicas y métodos documentados.
IS0303 - MATEMÁTICAS DISCRETAS UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA FACULTAD DE INGENIERÍA PROGRAMA DEL CURSO: Matemáticas Discretas DES: Ingeniería Programa(s) Educativo(s): Ingeniería de Software Tipo de
Más detallesFICHAS REPASO 3º ESO. Para restar números enteros, se suma al minuendo el opuesto del sustraendo y después se aplican las reglas de la suma.
FICHAS REPASO º ESO OPERACIONES CON NÚMEROS ENTEROS El valor absoluto de un número entero es el número natural que resulta al prescindir del signo. Por ejemplo, el valor absoluto de es y el valor absoluto
Más detallesLos S.P. uno de los mecanismos de representación del conocimiento más populares y ampliamente empleados.
Los S.P. uno de los mecanismos de representación del conocimiento más populares y ampliamente empleados. Las Reglas de Producción son reglas del tipo Si- Entonces. Su popularidad es parcialmente debido
Más detallesTEMA 1: SISTEMAS MODELADOS POR ECUACIONES DIFERENCIALES EN INGENIERÍA QUÍMICA. CLASIFICACIÓN. GENERALIDADES.
TEMA 1: SISTEMAS MODELADOS POR ECUACIONES DIFERENCIALES EN INGENIERÍA QUÍMICA. CLASIFICACIÓN. GENERALIDADES. 1. INTRODUCCIÓN. PLANTEAMIENTO DE PROBLEMAS EN INGENIERÍA QUÍMICA 2. PROBLEMAS EXPRESADOS MEDIANTE
Más detallesInteligencia Artificial
I.T. en Informática de Sistemas, 3º Curso académico: 2009/2010 Profesores: Sascha Ossowski y Ramón Hermoso 1 Tema 2: Búsqueda Resumen: 2. Búsqueda 2.1. Agentes de resolución de problemas 2.2. Búsqueda
Más detallesANÁLISIS CUANTITATIVO. SISTEMAS EXPERTOS. Jorge Estévez Grupo ER
ANÁLISIS CUANTITATIVO. SISTEMAS EXPERTOS Jorge Estévez Grupo ER "Un sistema experto es visto como la incorporación en un ordenador de un componente basado en el conocimiento, que se obtiene a partir de
Más detallesPROGRAMA ANALÍTICO ALGEBRA I (MAT 100)
1. IDENTIFICACION PROGRAMA ANALÍTICO ALGEBRA I (MAT 100) Asignatura ALGEBRA I Código de asignatura(sigla) MAT 100 Semestre I Prerrequisitos NINGUNO Horas semanal (HS) HT 4 HP 2 LAB 0 THS 6 Créditos (CR)
Más detallesBLOQUE III: SENTIDO ESTADÍSTICO COMO OBJETO DE ENSEÑANZA/APRENDIZAJE. MODULO 6: Probabilidad MODULO 7: Estadística
BLOQUE III: SENTIDO ESTADÍSTICO COMO OBJETO DE ENSEÑANZA/APRENDIZAJE. MODULO 6: Probabilidad MODULO 7: Estadística 1 MODULO 6: Probabilidad 6.1. La probabilidad cuando se considera como contenido en Primaria
Más detallesIncertidumbre y conocimiento
Incertidumbre y conocimiento SI síntoma(p,dolor-de-muelas) ENTONCES enfermedad(p,caries) Expresa esta regla un conocimiento correcto? Quizás sería mejor un conocimiento más exhaustivo: SI sintoma(p,dolor-de-muelas)
Más detallesControl borroso de la fuerza del efector de un Brazo Robot
Control borroso de la fuerza del efector de un Brazo Robot Bautista Blasco, Susana: subautis@fdi.ucm.es Garmendia Salvador, Luis: lgarmend@fdi.ucm.es Departamento de Ingeniería del Software e Inteligencia
Más detallesRepresentación de números en la recta real. Intervalos
Representación de números en la recta real. Intervalos I. Los números reales En matemáticas los números reales se componen de dos grandes grupos: los números racionales (Q) y los irracionales (I). A su
Más detallesLas redes semánticas intentan trasladar esa afirmación a un formalismo Una red semántica será un grafo donde:
Redes Semánticas Redes semánticas La lógica como lenguaje de representación tiene dificultades prácticas Son necesarios mecanismos mas intuitivos y fáciles de usar La psicología cognitiva afirma: La representación
Más detallesTema: Arboles en C#. Objetivos Específicos. Materiales y Equipo. Introducción Teórica. Definición de Árbol Binario. Programación IV. Guía No.
Programación IV. Guía No. 7 1 Facultad: Ingeniería Escuela: Computación Asignatura: Programación IV Tema: Arboles en C#. Objetivos Específicos Definir el concepto de la estructura de datos Árbol. Implementar
Más detallesAnálisis de Datos y Métodos Cuantitativos para la Toma de Decisiones 7ma versión MGM
Universidad Católica del Norte Escuela de Negocios Mineros Magíster en Gestión Minera Análisis de Datos y Métodos Cuantitativos para la Toma de Decisiones 7ma versión MGM Antofagasta, Junio de 2014 Freddy
Más detallesGUÍA DOCENTE. Matemáticas II
GUÍA DOCENTE Matemáticas II 34787 I.- DATOS INICIALES DE IDENTIFICACIÓN Nombre de la asignatura: Matemáticas II Número de créditos ECTS: 6 Unidad temporal: Segundo cuatrimestre, primer curso Materia: Matemáticas
Más detallesModelo posibilista: Objetivos. Conjuntos difusos. Conjuntos difusos/lógica difusa. Notas
: Objetivos Introducción Intentamos representar la imprecisión del lenguaje Los expertos expresan su conocimiento como apreciaciones cualitativas Dos elementos: Variables definidas sobre un dominio (Universo
Más detalles