Tema 7: Sesgo inductivo
|
|
- Elvira Vera Rojas
- hace 7 años
- Vistas:
Transcripción
1 Introducción a la Ingeniería del Conocimiento Curso Tema 7: Sesgo inductivo Miguel A. Gutiérrez Naranjo Dpto. de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla IIC CcIa Sesgo inductivo 7.1
2 Ampliación del espacio de hipótesis Qué ocurre si, a pesar de no haber ejemplos contradictorios, no hay ninguna hipótesis que cubra los ejemplos? Cielo Temperatura Humedad Viento Agua Previsión Hacer Deporte Soleado Templada Normal Fuerte Templada Cambio Sí Nublado Templada Normal Fuerte Templada Cambio Sí Lluvioso Templada Normal Fuerte Templada Cambio No La hipótesis más específica consistente con los dos primeros ejemplos es (?, T emplada, Normal, F uerte, T emplada, Cambio) y es demasiado general para el tercer ejemplo. IIC CcIa Sesgo inductivo 7.2
3 Un sistema insesgado (I) Solución: Proporcionar un espacio de hipótesis capaz de representar cualquier concepto, i.e. capaz de representar cualquier posible subconjunto de instancias de X. En nuestro ejemplo Hacer deporte: Hay 96 posibles ejemplos El espacio de hipótesis visto tenía 973 hipótesis El conjunto de las partes tiene 2 96 elementos (aprox ) IIC CcIa Sesgo inductivo 7.3
4 Un sistema insesgado (II) En el ejemplo Hacer deporte: Sea H el espacio de hipótesis visto en el tema anterior: Conjunciones de restricciones. Sea H el espacio de hipótesis que contiene cualquier concepto Cómo podemos representar H? Podemos representar H permitiendo todas las posibles conjunciones, disyunciones y negaciones de hipótesis de H. IIC CcIa Sesgo inductivo 7.4
5 Un sistema insesgado (III) Volvamos a nuestro ejemplo: Cielo Temperatura Humedad Viento Agua Previsión Hacer Deporte Soleado Templada Normal Fuerte Templada Cambio Sí Nublado Templada Normal Fuerte Templada Cambio Sí Lluvioso Templada Normal Fuerte Templada Cambio No Una hipótesis de H consistente con los ejemplos es: (Soleado,?,?,?,?,?) (Nublado,?,?,?,?,?) IIC CcIa Sesgo inductivo 7.5
6 Aumento de la expresividad Más expresividad = Menor capacidad de generalizar Propiedad fundamental de la inferencia inductiva: Un sistema de aprendizaje que no asuma conocimiento a priori sobre el concepto objetivo, no tiene base racional para clasificar instancias no observadas. IIC CcIa Sesgo inductivo 7.6
7 Inferencia inductiva Definición: Sean un conjunto de instancias X. una función de clasificación que toma valores booleanos c : X {0, 1}, un conjunto de hipótesis H y un conjunto de entrenamiento D = { x i, c(x i ) } i I Sea L un algoritmo de aprendizaje y x X. Denotamos por L H,D (x) la clasificación que el sistema L asigna a la instancia x después de estudiar el conjunto de entrenamiento D sobre el espacio de hipótesis H. Notaremos este paso de inferencia inductiva como (H D x) L H,D (x) IIC CcIa Sesgo inductivo 7.7
8 Ejemplo (I.a) Consideremos nuestro ejemplo con X las 96 instancias posibles de días, H la conjunción de restricciones sobre las instancias de los atributos, D este conjunto de entrenamiento Cielo Temperatura Humedad Viento Agua Previsión Hacer Deporte Soleado Templada Normal Fuerte Templada Sigue igual Sí Soleado Templada Alta Fuerte Templada Siguel igual Sí Lluvioso Fría Alta Fuerte Templada Cambio No Soleado Templada Alta Fuerte Fría Cambio Sí y L el algoritmo Find S. IIC CcIa Sesgo inductivo 7.8
9 Ejemplo (I.b) Si z es la instancia (Lluvioso, T emplada, N ormal, F uerte, T emplada, Cambio) entonces L H,D (z) = 0 ya que la salida del algoritmo es la hipótesis (Soleado, T emplada,?, F uerte,?,?) Podemos afirmar que L H,D (z) = c(z) para todo z? IIC CcIa Sesgo inductivo 7.9
10 Ejemplo (II.a) Con el mismo problema de aprendizaje, si L fuera el algoritmo de Eliminación de Candidatos, cuya salida es S: { <Sol., Templada,?, Fuerte,?,?>} <Sol.,?,?, Fuerte,?,?> <Sol., Templada,?,?,?,?> <?, Templada,?, Fuerte,?,?> G: { <Sol.,?,?,?,?,?>, <?, Templada,?,?,?,?>} IIC CcIa Sesgo inductivo 7.10
11 Ejemplo (II.b) Si z es la instancia entonces (Soleado,Templada,Normal,Fuerte,Fría,Cambio) L H,D (z) = 1 ya que todas las hipótesis del espacio de versiones clasifican z como positivo. Podemos afirmar que L H,D (z) = c(z) para todo z? IIC CcIa Sesgo inductivo 7.11
12 Sesgo inductivo (II) En general (H D x) L H,D (x) (H D x) L H,D (x) La información adicional B que nos garantiza ( x X)[(B H D x) L H,D (x)] es lo que llamamos sesgo inductivo. El sesgo inductivo de L es la menor cantidad de información B necesaria para que para cualquier espacio de hipótesis H y cualquier conjunto de entrenamiento D se verifique ( x X)[(B H D x) L H,D (x)] IIC CcIa Sesgo inductivo 7.12
13 Sesgo en Eliminación de candidatos Dados: Un conjunto de instancias X, un concepto c P(X), un conjunto de entrenamiento D c para ese concepto c y un conjunto H de hipótesis Si consideramos el espacio de versiones V S Dc,H computado por el algoritmo de Eliminación de candidatos, para todo x X definimos L H,D (x) de la siguiente manera: L H,D (x) = 1 si todas las hipótesis de V S Dc,H clasifican x como positivo. L H,D (x) = 0 si todas las hipótesis de V S Dc,H clasifican x como negativo. No definido, e.o.c. Sesgo inductivo: c H IIC CcIa Sesgo inductivo 7.13
14 Sistemas deductivos e inductivos IIC CcIa Sesgo inductivo 7.14
15 Tres sistemas de aprendizaje (I) Aprendizaje memorístico: Este sistema simplemente almacena cada ejemplo de entrenamiento observado en la memoria. Cuando le pedimos la clasificación de una nueva instancia, inspecciona la memoria y devuelve su clasificación si la encuentra y no definido si la instancia no ha sido observada. Sesgo inductivo: IIC CcIa Sesgo inductivo 7.15
16 Tres sistemas de aprendizaje (II) Eliminación de candidatos: Una nueva instancia es clasificada si y sólo si todas la hipótesis del espacio de versiones final coinciden en su clasificación y no clasifica en caso contrario. Sesgo inductivo: El concepto objetivo c debe pertenecer al conjunto H de hipótsis. IIC CcIa Sesgo inductivo 7.16
17 Tres sistemas de aprendizaje (III) Find S: Una vez encontrada la hipótesis más específica h, usamos esta hipótesis para clasificar nuevas instancias. Sesgo inductivo: c H Toda instancia que no podemos demostrar deductivamente su clasificación positiva, es negativa. IIC CcIa Sesgo inductivo 7.17
18 Bibliografía Mitchell, T. M. Machine Learning McGraw Hill, Capítulos II y III. IIC CcIa Sesgo inductivo 7.18
Tema AA-4: Sesgo inductivo
Razonamiento Automático Curso 2002 2003 Tema AA-4: Sesgo inductivo Miguel A. Gutiérrez Naranjo José A. Alonso Jiménez Dpto. de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla
Más detallesTema 4: Aprendizaje de conceptos
Inteligencia Artificial II Curso 2004 2005 Tema 4: Aprendizaje de conceptos José A. Alonso Jiménez Francisco Jesús Martín Mateos José Luis Ruiz Reina Dpto. de Ciencias de la Computación e Inteligencia
Más detallesTema 8: Árboles de decisión
Introducción a la Ingeniería del Conocimiento Curso 2004 2005 Tema 8: Árboles de decisión Miguel A. Gutiérrez Naranjo Dpto. de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla
Más detallesTema 13: Introducción a la Programación Lógica Inductiva
Razonamiento Automático Curso 2000 2001 Tema 13: Introducción a la Programación Lógica Inductiva José A. Alonso Jiménez Miguel A. Gutiérrez Naranjo Dpto. de Ciencias de la Computación e Inteligencia Artificial
Más detallesTema 7: Aprendizaje de árboles de decisión
Inteligencia Artificial 2 Curso 2002 03 Tema 7: Aprendizaje de árboles de decisión José A. Alonso Jiménez Miguel A. Gutiérrez Naranjo Francisco J. Martín Mateos José L. Ruiz Reina Dpto. de Ciencias de
Más detallesAprendizaje de conceptos. El aprendizaje como generalización
Aprendizaje de conceptos. El aprendizaje como generalización 1 Aprendizaje de conceptos Consideraremos el problema de inferir automáticamente la definición general de un concepto o clase a partir de un
Más detallesTema 3: Demostraciones proposicionales
Razonamiento Automático Curso 2000 200 Tema 3: Demostraciones proposicionales José A. Alonso Jiménez Miguel A. Gutiérrez Naranjo Dpto. de Ciencias de la Computación e Inteligencia Artificial Universidad
Más detallesTema 12: Arboles de decisión
Razonamiento Automático Curso 2000 2001 Tema 12: Arboles de decisión José A. Alonso Jiménez Miguel A. Gutiérrez Naranjo Dpto. de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla
Más detallesTema 4: Introducción al Aprendizaje Automático
Introducción a la Ingeniería del Conocimiento Curso 2004 2005 Tema 4: Introducción al Aprendizaje Automático Miguel A. Gutiérrez Naranjo Dpto. de Ciencias de la Computación e Inteligencia Artificial Universidad
Más detallesAprendizaje Automático Segundo Cuatrimestre de Árboles de Decisión
Aprendizaje Automático Segundo Cuatrimestre de 2015 Árboles de Decisión Aproximación de Funciones Ejemplo: Un amigo juega al tenis los sábados. Juega o no, dependiendo del estado del tiempo. Cielo: {Sol,
Más detallesProyecto 6. Árboles de decisión: Un árbol de decisión es un modelo de predicción utilizado en el ámbito de la inteligencia artificial.
Árboles de decisión: Un árbol de decisión es un modelo de predicción utilizado en el ámbito de la inteligencia artificial. Funcionamiento: Se realiza un test en cada nodo interno del árbol, a medida que
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 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 detallesPrimera aproximación al aprendizaje automático.
APRENDIZAJE Introducción al aprendizaje algorítmico José M. Sempere Departamento de Sistemas Informáticos y Computación Universidad Politécnica de Valencia Aprender: Tomar algo en la memoria [...] Adquirir
Más detallesAprendizaje Automatizado. Árboles de Clasificación
Aprendizaje Automatizado Árboles de Clasificación Árboles de Clasificación Estudiaremos un algoritmo para la creación del árbol. Selección de atributos comenzando en el nodo raíz. Proceso recursivo. Árboles
Más detallesTareas de la minería de datos: clasificación. CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR
Tareas de la minería de datos: clasificación CI-2352 Intr. a la minería de datos Prof. Braulio José Solano Rojas ECCI, UCR Tareas de la minería de datos: clasificación Clasificación (discriminación) Empareja
Más detallesConjuntos de Clasificadores (Ensemble Learning)
Aprendizaje Automático Segundo Cuatrimestre de 2016 Conjuntos de Clasificadores (Ensemble Learning) Gracias a Ramiro Gálvez por la ayuda y los materiales para esta clase. Bibliografía: S. Fortmann-Roe,
Más detallesAprendizaje Automático. Objetivos. Funciona? Notas
Introducción Las técnicas que hemos visto hasta ahora nos permiten crear sistemas que resuelven tareas que necesitan inteligencia La limitación de estos sistemas reside en que sólo resuelven los problemas
Más detallesTema 8: Aprendizaje de reglas
Inteligencia Artificial 2 Curso 2002 03 Tema 8: Aprendizaje de reglas José A. Alonso Jiménez Miguel A. Gutiérrez Naranjo Francisco J. Martín Mateos José L. Ruiz Reina Dpto. de Ciencias de la Computación
Más detallesInteligencia Artificial e Ingeniería del Conocimiento
Inteligencia Artificial e Ingeniería del Conocimiento Departamento de Ciencias de la Computación e Inteligencia Artificial Curso 2008/2009 Curso: 4 Cuatrimestre: 1 Tipo: Troncal Nº créditos: 4,5T + 4,5
Más detallesTema 2: Deducción natural proposicional
Lógica informática Curso 2004 05 Tema 2 Deducción natural proposicional José A. Alonso Jiménez Andrés Cordón Franco Grupo de Lógica Computacional Dpto. de Ciencias de la Computación e Inteligencia Artificial
Más detallesArboles de Decisión Representación de los árboles de decisión
Capítulo 10 Arboles de Decisión Resumen En este capítulo abordaremos la solución de problemas en el contexto del aprendizaje automático, ejemplificado con el algoritmo ID3 [13] (Inductive Dicotomizer).
Más detallesAprendizaje de Conceptos Introducción a los Árboles de Decisión
Aprendizaje de Conceptos Introducción a los Árboles de Decisión Miguel A. Gutiérrez Naranjo Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla 3 de abril, 2017
Más detallesTRABAJO PRÁCTICO III: Minería de datos. PARTE 01: Arboles de decisión (J48)
TRABAJO PRÁCTICO III: Minería de datos PARTE 01: Arboles de decisión (J48) Introducción: En este trabajo se implementa el primero de una serie de algoritmos que se presentarán durante la materia para realizar
Más detallesLa lógica de segundo orden: Sintaxis
La lógica de segundo orden: Sintaxis Dado: Vocabulario L Definición La lógica de segundo orden (LSO) sobre L es definida como la extensión de LPO que incluye las siguientes reglas: Si t 1,..., t k son
Más detallesMétodos avanzados de clasificación digital de imágenes satelitales para la identificación de usos y coberturas del suelo
El proyecto de investigación Métodos avanzados de clasificación digital de imágenes satelitales para la identificación de usos y coberturas del suelo Ph.D en geografía física fulgencio.canovas@ucuenca.edu.ec
Más detallesMASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 6: Árboles de decisión.
MASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 6: Árboles de decisión. 1 Objetivos del tema Conocer en qué consiste un árbol de decisión. Aprender los problemas que pueden
Más detallesTareas de la minería de datos: clasificación. PF-5028 Minería de datos Prof. Braulio José Solano Rojas UCR
Tareas de la minería de datos: clasificación PF-5028 Minería de datos Prof. Braulio José Solano Rojas UCR Tareas de la minería de datos: clasificación Clasificación (discriminación) Empareja o asocia datos
Más detallesJesús García Herrero CLASIFICADORES KNN II: APRENDIZAJE DE PROTOTIPOS
Jesús García Herrero CLASIFICADORES KNN II: APRENDIZAJE DE PROTOTIPOS En esta clase se completa el tema anterior de aprendizaje basados en instancias, enfatizando el aprendizaje de ejemplares. En particular,
Más detallesAprendizaje Automático para el Análisis de Datos GRADO EN ESTADÍSTICA Y EMPRESA. Ricardo Aler Mur
Aprendizaje Automático para el Análisis de Datos GRADO EN ESTADÍSTICA Y EMPRESA Ricardo Aler Mur MODELOS: ÁRBOLES DE DECISIÓN Y REGLAS Datos de entrada 91 71 75 81 Nublado 90 72 Nublado 70 75 80 75 70
Más detallesAprendizaje Automático: Arboles de Decisión.
Aprendizaje Automático: Arboles de Decisión. Dr. Alejandro Guerra Hernández Universidad Veracruzana Facultad de Física e Inteligencia Artificial Maestría en Inteligencia Artificial Sebastián Camacho No.
Más detallesCI5438. Inteligencia Artificial II Clase 4: Aprendizaje en Árboles. Cap 18.3: RN
CI5438. Inteligencia Artificial II Clase 4: Aprendizaje en Árboles de Decisión Cap 18.3: RN Universidad Simón Boĺıvar 5 de octubre de 2009 Árboles de Decisión Un árbol de decisión es un árbol de búsqueda
Más detallesAnálisis multivariante
Machine Learning 2016-17 1 Aprendizaje automatizado (ML) 2 3 Aprendizaje automatizado (ML) Definiciones Conjunto de herramientas para transformar datos en conocimiento. Conjunto de técnicas que permitan
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 detallesTema 2: Métodos de Deducción para la Lógica Proposicional
Tema 2: Métodos de Deducción para la Lógica Proposicional Dpto. Ciencias de la Computación Inteligencia Artificial Universidad de Sevilla Lógica y Computabilidad Curso 2010 11 LC, 2010 11 Métodos de Deducción
Más detallesInteligencia artificial
Inteligencia artificial APRENDIZAJE DE MÁQUINAS (MACHINE LEARNING) Aprendizaje Construcción o modificación de representaciones de lo que se experimenta R. Michalski Lograr cambios útiles en nuestras mentes.
Más detalles3. Árboles de decisión
3.1 Introducción Método para aproximación de funciones objetivo que tengan valores discretos (clasificación) Uno de los métodos mas extensamente usados para inferencia inductiva Capaz de aprender hipótesis
Más detallesIntrod. al Pens. Científico Nociones básicas de la lógica ClasesATodaHora.com.ar
ClasesATodaHora.com.ar > Exámenes > UBA - UBA XXI > Introd. al Pensamiento Científico Introd. al Pens. Científico Nociones básicas de la lógica ClasesATodaHora.com.ar Razonamientos: Conjunto de propiedades
Más detallesTema 4: (Tecnologías Informáticas) Curso Dpto. Ciencias de la Computación Inteligencia Artificial Universidad de Sevilla
Tema 4: Proposicional Dpto. Ciencias de la Computación Inteligencia Artificial Universidad de Sevilla Lógica Informática (Tecnologías Informáticas) Curso 2015 16 Contenido Los tableros semánticos proporcionan
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 detallesTema 2: Equivalencias y formas normales
Lógica informática Curso 2003 04 Tema 2: Equivalencias y formas normales José A. Alonso Jiménez Andrés Cordón Franco Dpto. de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla
Más detallesPROYECTO DOCENTE ASIGNATURA: "Aprendizaje Automático"
PROYECTO DOCENTE ASIGNATURA: "Aprendizaje Automático" Grupo: Aprendizaje Automático(937831) Titulacion: Máster Universitario en Lógica, Computación e Inteligencia Artificial Curso: 2015-2016 DATOS BÁSICOS
Más detallesTema 2: Métodos de Deducción para la Lógica Proposicional
Tema 2: Métodos de Deducción para la Lógica Proposicional Dpto. Ciencias de la Computación Inteligencia Artificial Universidad de Sevilla Lógica y Computabilidad Curso 2006 07 LC, 2006 07 Métodos de Deducción
Más detallesAprendizaje de Conceptos
Aprendizaje Automático Segundo Cuatrimestre de 2016 Aprendizaje de Conceptos Aprendiendo un Concepto...? Qué es un ave? 2 Aprendizaje de Conceptos Aprender un concepto: inducir una función booleana a partir
Más detallesLógica y Programación
Lógica y Programación Cálculo de Secuentes Antonia M. Chávez, Agustín Riscos, Carmen Graciani Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Definiciones Objetivo: Resolver
Más detallesTema 1: Introducción a la Inteligencia Artificial
Introducción a la Inteligencia Artificial Curso 2002 2003 Tema : Introducción a la Inteligencia Artificial José A. Alonso Jiménez Francisco J. Martín Mateos Dpto. de Ciencias de la Computación e Inteligencia
Más detallesLógica y Programación
Lógica y Programación Diagramas de Decisión Binarios J.-A. Alonso, F.-J. Martín-Mateos, J.-L. Ruiz-Reina Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Lógica y Programación
Más detallesTema 2: Lógica proposicional: Sintaxis y semántica
Razonamiento Automático Curso 200 2002 Tema 2: Lógica proposicional: Sintaxis y semántica José A. Alonso Jiménez Miguel A. Gutiérrez Naranjo Dpto. de Ciencias de la Computación e Inteligencia Artificial
Más detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Agentes que Aprenden Introducción Tipos de aprendizaje Aprendizaje cómo
Más detallesFundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos. - Sesión 11 -
Fundamentos y Aplicaciones Prácticas del Descubrimiento de Conocimiento en Bases de Datos - Sesión 11 - Juan Alfonso Lara Torralbo 1 Índice de contenidos Actividad. Resolución manual de clasificación bayesiana
Más detallesPráctica 2. TIPOS DE DATOS SIMPLES
Práctica 2. TIPOS DE DATOS SIMPLES 1 sesión Semana: 15 de octubre OBJETIVOS: Conocer los distintos tipos de datos simples y su correcta utilización en la construcción de algoritmos Formular expresiones
Más detallesCRITERIOS DE SELECCIÓN DE MODELOS
Inteligencia artificial y reconocimiento de patrones CRITERIOS DE SELECCIÓN DE MODELOS 1 Criterios para elegir un modelo Dos decisiones fundamentales: El tipo de modelo (árboles de decisión, redes neuronales,
Más detallesSeminario de Inteligencia Artificial Curso Tema 7: Abducción. Dpto. de Ciencias de la Computación e Inteligencia Artificial
Seminario de Inteligencia Artificial Curso 2002 03 Tema 7: Abducción Joaquín Borrego Díaz Dpto. de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla SIA 2002 03 CcIa Abducción
Más detallesTema 2: Inteligencia computacional y conocimiento
Razonamiento Automático Curso 999 2000 Tema 2: Inteligencia computacional y conocimiento José A. Alonso Jiménez Miguel A. Gutiérrez Naranjo Dpto. de Ciencias de la Computación e Inteligencia Artificial
Más detallesCientífico de datos o data scientist
Científico de datos o data scientist La demanda de científicos de datos se ha incrementado de manera constante en los últimos años, existe en el mercado una amplia oferta para los científicos de datos.
Más detallesTema 1: Sintaxis y Semántica de la Lógica Proposicional
Tema 1: Sintaxis y Semántica de la Lógica Proposicional Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Lógica y Computabilidad Curso 2010 11 LC, 2010 11 Lógica Proposicional
Más detallesTema 4: Representación del conocimiento mediante reglas
Introducción a la Ingeniería del Conocimiento Curso 2006 2007 Tema 4: Representación del conocimiento mediante reglas Miguel A. Gutiérrez Naranjo Dpto. de Ciencias de la Computación e Inteligencia Artificial
Más detallesTema 7: Razonamiento con incertidumbre
Inteligencia Artificial II Curso 2005 2006 Tema 7: Razonamiento con incertidumbre José L. Ruiz Reina Dpto. de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla IA-II 2005 2006
Más detallesMaestría en Ingeniería
Maestría en Ingeniería Curso de Ingeniería Web Sesión 4: Ontologías Fernando Barraza A. fbarraza@javerianacali.edu.co Sesión 4 Objetivo: Introducir los conceptos de Ontologías Temas: Conceptos básicos
Más detallesUNIVERSIDAD AUTÓNOMA DE CHIAPAS Facultad de Contaduría y Administración, Campus I
Programa descriptivo por unidad de competencia Programa educativo Licenciatura en Ingeniería en Desarrollo y Tecnologías de Software Modalidad Presencial Clave MA02 H S M Horas Unidad de Teoría Práctica
Más detallesGeneralización como búsqueda. El problema de aprendizaje por generalización puede verse como un problema de búsqueda:
Generalización como búsqueda El problema de aprendizaje por generalización puede verse como un problema de búsqueda: El lenguaje de generalización corresponde a un espacio de hipótesis (espacio de búsqueda)
Más detallesPROFESIONALES [PRESENCIAL]
SILABO POR ASIGNATURA 1. INFORMACION GENERAL Coordinador: SAQUICELA GALARZA VICTOR HUGO(victor.saquicela@ucuenca.edu.ec) Facultad(es): [FACULTAD DE INGENIERÍA] Escuela: [ESCUELA DE INFORMÁTICA] Carrera(s):
Más detallesARBOLES DE DECISION. Miguel Cárdenas-Montes. 1 Introducción. Objetivos: Entender como funcionan los algoritmos basados en árboles de decisión.
ARBOLES DE DECISION Miguel Cárdenas-Montes Los árboles de decisión son estructuras lógicas con amplia utilización en la toma de decisión, la predicción y la minería de datos. Objetivos: Entender como funcionan
Más detallesRECONOCIMIENTO DE PATRONES DRA. LETICIA FLORES PULIDO
RECONOCIMIENTO DE PATRONES DRA. LETICIA FLORES PULIDO 2 CONTENIDO TEMA1: INTRODUCCIÓN TEMA2: APRENDIZAJE MÁQUINA TEMA3: RECONOCIMIENTO DE PATRONES TEMA4: PROGRAMACIÓN EVOLUTIVA 3 TEMA 4 : PROGRAMACIÓN
Más detallesTema 1: Lógica y Computación Lógica Clásica Proposicional. Definición de Lógica
Tema 1: Lógica y Computación Lógica Clásica Proposicional Lógica y Métodos Avanzados de Razonamiento Docente: David Pearce Transparencias: David Pearce y Agustín Valverde 15 de octubre de 2008 Definición
Más detallesTema 2: Un poco de Historia
Introducción a la Inteligencia Artificial Curso 2006 2007 Tema 2: Un poco de Historia Miguel A. Gutiérrez Naranjo Dpto. de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla IIA
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 detallesInducción de Reglas Proposicionales
Inducción de Reglas Proposicionales Reglas de clasificación Carlos J. Alonso González Departamento de Informática Universidad de Valladolid Contenido 1. Motivación 2. Reglas de Clasificación 1. Reglas
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 detallesRudimentos 2: Lógica Matemática Profesor Ricardo Santander Baeza
Rudimentos 2: Lógica Matemática Profesor Ricardo Santander Baeza El capitulo Rudimentos sobre Lógica Matemática está destinado esencialmente a desarrollar técnicas, que permitan validar o refutar fórmulas
Más detallesHipótesis. Teoria del Aprendizaje Computacional
Teoria del Aprendizaje Computacional CI5438 - Inteligencia Artificial 2 Clase 7 Cap 18. Russel & Norvig: Inteligencia Artificial. Un enfoque estructurado El aprendiz inductivo se puede reinterpretar como
Más detallesAprendizaje Automatizado. Árboles de Clasificación
Aprendizaje Automatizado Árboles de Clasificación Árboles de Clasificación Entrada: Objetos caracterizables mediante propiedades. Salida: En árboles de decisión: una decisión (sí o no). En árboles de clasificación:
Más detallesGuía docente de la asignatura
Guía docente de la asignatura Asignatura Materia TÉCNICAS DE APRENDIZAJE AUTOMÁTICO COMPUTACIÓN Módulo Titulación GRADO EN INGENIERÍA INFORMÁTICA (463) Plan 463 Código 45209 Periodo de impartición 2º CUATRIMESTRE
Más detallesTema 2: Teoría de la Demostración
Tema 2: Teoría de la Demostración Conceptos: Estructura deductiva Teoría de la Demostración Sistemas axiomáticos: Kleene Fórmulas válidas Teorema de la Deducción Introducción a la T. de la Demostración
Más detallesSemana 14 [1/19] Polinomios. 8 de junio de Polinomios
Semana 14 [1/19] 8 de junio de 2007 División Semana 14 [2/19] Teorema de la División Al ser (K[x], +, ) un anillo, ocurre un fenómeno similar al de : Las divisiones deben considerar un posible resto. Teorema
Más detallesInteligencia Artificial
PLANIFICACIÓN 2012 Inteligencia Artificial INFORMACIÓN GENERAL Carrera Ingeniería en Informática Departamento Informática Plan de Estudios Plan 2006 Carácter Cuatrimestral Equipo Docente SIIO WEB DE LA
Más detallesTema 2: Un poco de Historia
Introducción a la Inteligencia Artificial Curso 2008 2009 Tema 2: Un poco de Historia Miguel A. Gutiérrez Naranjo Dpto. de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla IIA
Más detallesGUÍA DOCENTE PARTE ESPECÍFICA
1. DESCRIPCIÓN DE LA ASIGNATURA Grado: Ingeniería en Informática en Sistemas de Información Asignatura: Inteligencia Artificial (IA) Semestre: Primer Semestre Créditos totales: 6 Curso: Cuarto Línea: L1
Más detallesTEMA 1: LÓGICA. p p Operador conjunción. Se lee y y se representa por. Su tabla de verdad es: p q p q
TEMA 1: LÓGICA. Definición. La lógica es la ciencia que estudia el razonamiento formalmente válido. Para ello tiene un simbolismo que evita las imprecisiones del lenguaje humano y permite comprobar la
Más detallesInteligencia Artificial e Ingeniería del Conocimiento
Inteligencia Artificial e Ingeniería del Conocimiento I. A. Clásica Nuevos enfoques de la I. A. Agentes Inteligentes Aprendizaje Introducción Aprendizaje inductivo decisión Planteamiento conectivista.
Más detallesLógica Proposicional IIC1253. IIC1253 Lógica Proposicional 1/64
Lógica Proposicional IIC1253 IIC1253 Lógica Proposicional 1/64 Inicio de la Lógica Originalmente, la Lógica trataba con argumentos en el lenguaje natural. Ejemplo Es el siguiente argumento válido? Todos
Más detallesALGEBRA y ALGEBRA LINEAL. Primer Semestre CAPITULO I LOGICA Y CONJUNTOS.
ALGEBRA y ALGEBRA LINEAL 520142 Primer Semestre CAPITULO I LOGICA Y CONJUNTOS. DEPARTAMENTO DE INGENIERIA MATEMATICA Facultad de Ciencias Físicas y Matemáticas Universidad de Concepción 1 La lógica es
Más detallesAprendizaje Automático
id3 id3 como búsqueda Cuestiones Adicionales Regresión Lineal. Árboles y Reglas de Regresión Ingeniería Informática Fernando Fernández Rebollo y Daniel Borrajo Millán Grupo de Planificación y Aprendizaje
Más detallesSÍLABO DE SISTEMAS EXPERTOS
UNIVERSIDAD NACIONAL JOSÉ FAUSTINO SÁNCHEZ CARRIÓN FACULTAD DE INGENIERÍA INDUSTRIAL, SISTEMAS E INFORMÁTICA SÍLABO DE SISTEMAS EXPERTOS I. Datos Generales Departamento : Ingeniería de Sistemas, Informática
Más detallesEjercicios de Teoría de conjuntos
Ejercicios de Teoría de conjuntos José A. Alonso Jiménez Mario J. Pérez Jiménez Sevilla, Octubre de 1997 Dpto. de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla 1 Tema 1 :
Más detalles2. Los símbolos de la lógica proposicional.
Bloque I: El Saber Filosófico. Tema 4: La Lógica Formal. 1. Las proposiciones y sus tipos. Una proposición es una oración enunciativa, es decir, una oración que afirma o niega algo y que puede ser verdadera
Más detallesPalabras clave: In memory, Aprendizaje automático, árboles de decisión
Metodología para Procesos de Inteligencia de Negocios con mejoras en la Santiago Leonardo Morales Cardoso 1, Mario Raúl Morales Morales 2, Ramón Rizo Adelgher 3 1 Universidad Central del Ecuador, smorales@uce.edu.ec
Más detallesIng. Cruz Galdámez. Sistemas Expertos UDB. Inteligencia Artificial
Grupo 3 JOSE CARLOS BARAHONA BA980325 CARLOS JOSE CASTRO no me lo puedo OSCAR HERNANDEZ HM000003 Ing. Cruz Galdámez Sistemas Expertos UDB Inteligencia Artificial Una buena definición de IA es algo elusiva
Más detallesLÓGICA PROPOSICIONAL
LÓGICA PROPOSICIONAL QUE ES LA LÓGICA? El sentido ordinario de la palabra lógica se refiere a lo que es congruente, ordenado, bien estructurado. Lo ilógico es lo mismo que incongruente, desordenado, incoherente.
Más detallesUNIVERSIDAD AUTÓNOMA DE SINALOA FACULTAD DE ADMINISTRACIÓN AGROPECUARIA Y DESARROLLO RURAL (FAADER) LIC. EN INFORMÁTICA
UNIVERSIDAD AUTÓNOMA DE SINALOA FACULTAD DE ADMINISTRACIÓN AGROPECUARIA Y DESARROLLO RURAL (FAADER) LIC. EN INFORMÁTICA 1 Asignatura Propósito del curso: Clave: DATOS DE IDENTIFICACIÓN Matemáticas discretas
Más detallesAprendizaje Computacional. Eduardo Morales y Jesús González
Aprendizaje Computacional Eduardo Morales y Jesús González Objetivo General La capacidad de aprender se considera como una de los atributos distintivos del ser humano y ha sido una de las principales áreas
Más detallesLÓGICA DE PROPOSICIONAL Y PREDICADOS INGENIERÍA DE SISTEMAS
LÓGICA DE PROPOSICIONAL Y PREDICADOS INGENIERÍA DE SISTEMAS Patricia Zamora Villalobos John Alexander Coral Llanos Josué Maleaño Trejos Prof. Francisco Carrera Fecha de entrega: miércoles de setiembre
Más detallesTema 2: Lógica Computacional para la IA: Lógica Proposicional
Tema 2: Lógica Computacional para la IA: Lógica Proposicional Félix Lara Dpto. Ciencias de la Computación Inteligencia Artificial Universidad de Sevilla Seminario de Inteligencia Artificial, Curso 2005
Más detalles