Aprendizaje de reglas: Programación Lógica Inductiva
|
|
- Patricia Cano Escobar
- hace 6 años
- Vistas:
Transcripción
1 Introducción a la Ingeniería del Conocimiento Aprendizaje de reglas: Programación Lógica Inductiva Miguel A. Gutiérrez Naranjo Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla IIC RGNC Aprendizaje de... 1
2 Qué es el Aprendizaje Automático? Any change in a system that allows it to perform better the second time on repetition of the same task or on another task drawn from the same population (Simon, 1983). El Aprendizaje Automático estudia cómo construir programas que mejoren automáticamente con la experiencia. Por qué estudiar Aprendizaje Automático? Recientes avances en la teoría y los algoritmos. Crecimiento desbordante de datos en línea (on line). Se dispone de máquinas suficientemente potentes. Interés por parte de la industria. IIC RGNC Aprendizaje de... 2
3 Algunos ejemplos (I) Minería de datos (Data mining): Uso de datos históricos para mejora de decisiones: Datos médicos Decisiones médicas Conducción autónoma de vehículos: Aprenden a conducirse en autopistas en función de la información visual que reciben. Reconocimiento del habla. Juegos Programas que se modifican a sí mismos según las costumbres del usuario: IIC RGNC Aprendizaje de... 3
4 Un problema de minería de datos Dados: Datos de 9714 pacientes, describiendo datos sobre embarazo y alumbramiento. Con 215 características de cada paciente. Objetivo: Aprender a predecir clases de pacientes con alto riesgo de cesárea. Una de las 18 reglas aprendidas: Si la madre es primeriza, los ultrasonidos en el segundo trimestre dan resultados anormales, etc... Entonces será necesaria cesárea IIC RGNC Aprendizaje de... 4
5 Análisis del riesgo en un crédito Reglas aprendidas a partir de la síntesis de datos: Primera regla: Si bancos con deudas > 2 y Reincidencias > 1, entonces Aceptar= No Sí... Segunda regla: Si Bancos con deudas = 0 y Ingresos > , entonces Aceptar= IIC RGNC Aprendizaje de... 5
6 Hacia dónde vamos (I) Hoy: La punta del iceberg Redes neuronales Arboles de decisión Programación lógica inductiva Regresión... Aplicados a bases de datos bien estructuradas Interés por parte de la industria IIC RGNC Aprendizaje de... 6
7 Hacia dónde vamos (II) Oportunidades para el futuro: Aprendizaje a partir de datos de varias fuentes simultáneas: Bases de datos internas, web,... Aprendizaje por experimentación activa Aprendizaje de decisiones en lugar de predicciones Aprendizaje acumulativo de larga duración Lenguajes de programación con aprendizaje incorporado? IIC RGNC Aprendizaje de... 7
8 Disciplinas relacionadas Inteligencia Artificial Métodos bayesianos Teoría de la complejidad Ingeniería del conocimiento Teoría de la información Filosofía Psicología y neurobiología... Estadística IIC RGNC Aprendizaje de... 8
9 Problema de aprendizaje Aprendizaje: Mejora de alguna tarea mediante la experiencia Tarea (T ): Lo que se debe aprender Experiencia (E): La que se tiene en relación a lo que se debe aprender Rendimiento (R): Medida de la calidad de lo aprendido Se dice que un sistema aprende de la experiencia, si el rendimiento R de la tarea T aprendida crece al crecer E. IIC RGNC Aprendizaje de... 9
10 Problema de aprendizaje Qué experiencia? Qué debe aprender? Cómo representamos el conocimiento? Qué algoritmo usaremos para aprenderlo? Cómo se mide la mejora? IIC RGNC Aprendizaje de... 10
11 Ejemplos Una forma de aprender a jugar al ajedrez (de mejorar nuestro juego), es jugar contra nosotros mismos. Normalmente la forma de saber si hemos aprendido es jugar contra otros. Caracterización de este problema de aprendizaje T : Jugar al ajedrez E: Conjunto de partidas jugadas contra uno mismo R: Porcentaje de partidas ganadas contra otro jugador IIC RGNC Aprendizaje de... 11
12 Ejemplos Una forma de que un sistema aprenda a reconocer palabras en un texto manuscrito, puede ser a partir de una base de datos con imágenes de palabras manuscritas y sus correspondientes transcripciones. La forma de saber si el sistema ha aprendido a reconocer palabras, será darle un texto manuscrito y ver cuantas transcripciones correctas hace. Caracterización de este problema de aprendizaje T : Reconocer palabras manuscritas E: Base de datos de palabras con sus transcripciones R: Porcentaje de palabras reconocidas IIC RGNC Aprendizaje de... 12
13 Ejemplos Se puede enseñar a un vehículo a conducir automáticamente, guiándose por lo que ve (usando sensores de visión), y suministrándole una base de datos en la que se hayan registrado las imágenes tomadas mientras un conductor humano conducía el vehículo, junto con las correspondientes acciones que hizo. Caracterización de este problema de aprendizaje T : Conducir un vehículo E: Base de datos de imágenes, y las acciones correspondientes, registradas durante conducción por parte de un conductor humano R: Distancia recorrida sin comenter ningún error IIC RGNC Aprendizaje de... 13
14 Qué estudiar en A. A.? Qué algoritmos pueden aproximar funciones correctamente? Cómo influye el número de ejemplos en la exactitud? Cómo influye la complejidad de la representación de las hipótesis? Cómo influye el ruido? Cuáles son los límites teóricos del aprendizaje? Cómo puede ayudar el conocimiento a priori? Qué esquemas del aprendizaje biológico podemos adoptar? Cómo pueden los sistemas alterar su propia representación? IIC RGNC Aprendizaje de... 14
15 Un ejemplo: Los trenes de Ryszard Michalski Buscamos una explicación que nos permita distinguir entre los trenes que van al este y los trenes que van al oeste. 1. TRAINS GOING EAST 2. TRAINS GOING WEST IIC RGNC Aprendizaje de... 15
16 Ejemplos Ejemplos positivos eastbound(east1). eastbound(east2). eastbound(east3). eastbound(east4). eastbound(east5). Ejemplos negativos eastbound(west6). eastbound(west7). eastbound(east8). eastbound(west9). eastbound(west10). Espacio y sistemas de búsqueda Conocimiento básico Tren 1: short(car_12). load(car_11,rectangle,3). wheels(car_11,2) Tren 2:... IIC RGNC Aprendizaje de... 16
17 Sesión [theory] [Rule 1] [Pos cover = 5 Neg cover = 0] eastbound(a) :- has_car(a,b), short(b), closed(b). [pos-neg] [5] [Training set performance] Actual Pred Accuracy = 1.0 [Training set summary] [[5,0,0,5]] [time taken] [0.13] IIC RGNC Aprendizaje de... 17
18 Qué es un concepto? Un concepto es el conjunto de todas sus instancias (G. Leibnitz) La Humanidad es el conjunto de todos los hombres. La sociedad andaluza es el conjunto de habitantes de Andalucía. La relación mayor que definida sobre el conjunto de los números reales es el conjunto de pares (x, y) tales que x es mayor que y. IIC RGNC Aprendizaje de... 18
19 Aprendizaje de conceptos Para conocer un conjuntos tenemos dos tipos de definiciones: Extensiva: Enumerando uno tras otro sus elementos Vocales = {a, e, i, o,u} Intensiva: Dando una propiedad que tengan todos aquellos y sólo aquellos elementos del conjunto P ares N = {n N m N(n = 2 m)} IIC RGNC Aprendizaje de... 19
20 Gráficamente U E + E H 1 H 3 H 4 H 2 IIC RGNC Aprendizaje de... 20
21 Un ejemplo E + = {2, 4, 6, 8} E = {11, 17} H 1 =E + H 2 = N E H 3 = {n N n es par } H 4 = {n N n 10} IIC RGNC Aprendizaje de... 21
22 Dos problemas Sólo conocemos una cantidad finita de instancias (positivas y negativas) del concepto. Cómo podemos obtener conocimiento general? Abducción Cómo podemos estar seguros de nuestro conocimiento? Justificación IIC RGNC Aprendizaje de... 22
23 Abducción (Peirce y Polya) Charles S. Peirce: La abducción es el proceso de formar hipótesis explicativas. La abducción es la única operación lógica que introduce nuevas ideas. The surprising fact C is observed. But if A were true, C would be a matter of course. Hence, there is reason to suspect that A is true. G. Polya contrasta dos tipos de argumentos: El silogismo demostrativo, en donde de A B y B falso, concluimos A El silogismo heurístico en donde de A B y B verdadero, se sigue que A es más creíble. IIC RGNC Aprendizaje de... 23
24 Reglas de inferencia (C. S. Peirce) DEDUCCIÓN Regla: Todas las judías de esta bolsa son blancas Premisa: Estas judías proceden de esta bolsa Conclusión: Estas judías son blancas INDUCCIÓN Premisa: Estas judías proceden de esta bolsa Conclusión: Estas judías son blancas Regla: Todas las judías de esta bolsa son blancas ABDUCCIÓN Regla: Todas las judías de esta bolsa son blancas Conclusión: Estas judías son blancas Premisa: Estas judías proceden de esta bolsa IIC RGNC Aprendizaje de... 24
25 Justificación David Hume, en sutreatise on Human Nature defendió que la idea de ley causal es algo que existe sólo en la mente y no hay necesidad lógica inherente a las leyes causales. Kark R. Popper apuntó el hecho de que las hipótesis científicas no pueden ser verificadas de manera conclusiva. Sólo pueden ser falsificadas de manera conclusiva. R. Carnap desarrolló teorías estadísticas para confirmar hipótesis científicas expresadas en lógica de primer orden. IIC RGNC Aprendizaje de... 25
26 Aprendizaje de conceptos El aprendizaje de conceptos estudia cómo conseguir la definición de una categoría a partir de ejemplos positivos y negativos de esa categoría. El aprendizaje de conceptos estudia cómo inferir automáticamente una función general sobre el conjunto de ejemplos que tome valores booleanos y caracterice los ejemplos conocidos. f : Ejemplos {0, 1} Dos objetivos: Compresión de la información Capacidad predictiva IIC RGNC Aprendizaje de... 26
27 Ejemplo Problema: Un amigo nuestro practica deportes acuáticos. Unos días los practica y otros no. Nos gustaría saber si hoy va a ir a practicarlos o no. o o o O o o o Universo: Conjunto de todos los dias posibles Objetivo: Conjunto de todos los dias que practica deporte Función objetivo: Función característica del conjunto objetivo Hacer deporte : Días {0, 1} IIC RGNC Aprendizaje de... 27
28 El problema de la representación Cómo representamos un día? Pares atributo valor Selección de atributos: Cielo, Temperatura, Humedad, Viento Agua, Previsión Selección de valores: Cielo: Soleado, lluvioso. Viento: Fuerte, débil, sin viento. Temperatura: Alta, templada, fría. Agua: Caliente, templada, fría. Humedad: Alta, normal, baja. Previsión: Cambio, Sigue igual. IIC RGNC Aprendizaje de... 28
29 Ejemplo 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 Cuándo hacemos deporte? Podemos definir el concepto Hacer Deporte? IIC RGNC Aprendizaje de... 29
30 El problema del aprendizaje de conceptos (I) (Inf.) Dados: Un universo o conjunto de instancias X (Días posibles, cada uno descrito por los atributos Cielo, Temperatura, Humedad, Viento, Agua y Previsión). Una función de clasificación definida sobre X desconocida: c : X Clasif donde Clasif es el conjunto de posibles clasificaciones que tiene una instancia. En nuestro ejemplo podemos considerar Clasif={Sí, No} o Clasif = {0, 1} IIC RGNC Aprendizaje de... 30
31 El problema del aprendizaje de conceptos (Inf.) Un conjunto de entrenamiento (conocido) D = {(x 1, c(x 1 )), (x 2, c(x 2 )),..., (x n, c(x n ))} formado por pares (x i, c(x i )) donde x i X y c(x i ) es la clasificación de la instancia x i por la función c. Encontrar: Una función objetivo h : X Clasif tal que si (x i, c(x i )) D entonces h(x i ) = c(x i ) IIC RGNC Aprendizaje de... 31
32 Hipótesis La Hipótesis del Aprendizaje Inductivo: Cualquier hipótesis que aproxime la función objetivo sobre un conjunto suficientemente grande de ejemplos de entrenamiento también aproximará la función objetivo sobre el resto de los ejemplos. IIC RGNC Aprendizaje de... 32
33 El problema de la representación Seguimos con nuestro ejemplo Muchas representaciones posibles Pares valor atributo Hiṕotesis: Conjunción de restricciones sobre las instancias de los atributos Cada restricción puede ser: Un valor específico (p. e. Agua = Templada) Cualquier valor (p. e. Agua =?) No se permite ningún valor (p. e. Agua = ) IIC RGNC Aprendizaje de... 33
34 El problema de la representación Podemos considerar que los días para hacer deporte son aquellos en los que Cielo = Soleado y Temperatura = Da igual y Humedad = Da igual y Viento = Fuerte y Agua = Da igual y Previsión = Sigue igual O con una representación más compacta (Soleado,?,?,Fuerte,?,Sigue igual) IIC RGNC Aprendizaje de... 34
35 Programación Lógica Inductiva Programación Lógica Inductiva Aprendizaje Automático Formación de hipótesis a partir de observaciones Síntesis de nuevos conocimientos a partir de la experiencia Programación Lógica Representación formal Orientación semántica Técnicas IIC RGNC Aprendizaje de... 35
36 Desarrollo reciente Los sistemas de ILP han sido usados con éxito en una gran variedad de dominios, incluyendo Ecología Ingeniería Biología molecular Procesamiento del lenguaje natural Control del tráfico... IIC RGNC Aprendizaje de... 36
37 El problema de la representación (I) Pares atributo valor (Lógica proposicional) Hiṕotesis: Disyunción de conjunciones de pares atributo valor Como conjunto de reglas (Cielo=Soleado Humedad=Normal) (Cielo=Nublado) (Cielo=Lluvioso Viento=Débil) Si Cielo=Soleado y Humedad=Normal entonces Hacer deporte Si Cielo=Nublado entonces Hacer deporte Si Cielo=Lluvioso y Viento=Débil entonces Hacer deporte IIC RGNC Aprendizaje de... 37
38 El problema de la representación (II) Como árbol de decisión Cielo Soleado Nublado Lluvioso Humedad Si Viento Alta Normal Fuerte Debil No Si No Si IIC RGNC Aprendizaje de... 38
39 Limitaciones Limitaciones: Una representación formal limitada (lenguaje de pares atributo valor equivalente al de la lógica proposicional) Dificultad del manejo del conocimiento base IIC RGNC Aprendizaje de... 39
40 Programación Lógica Inductiva (I) Dados B Conocimiento básico D Conjunto de entrenamiento, con D = { x i, c(x i ) } n i H Espacio de hipótesis... tales que... B D ( i {1,..., n})[b x i, c(x i ) ] Encontrar h H tal que B D h ( i {1,..., n})[b H x i, c(x i ) ] IIC RGNC Aprendizaje de... 40
41 Ejemplos de ILP (I) Representación estándar: Ejemplos: Atomos cerrados de la relación hija(x,y). Conocimiento base: Definiciones de las relaciones progenitor(x,y) y mujer(x) (Atomos cerrados o definiciones de predicados). Conjunto de entrenamiento hija(maria,ana) hija(eva,tomas) hija(tomas,ana) hija(eva,ana) Conocimniento base progenitor(ana,maria) mujer(ana) progenitor(tomas,eva) mujer(maria) progenitor(ana,tomas) mujer(eva) Hipótesis inducida: hija(x,y) mujer(x), progenitor(y,x) IIC RGNC Aprendizaje de... 41
42 Ejemplos de ILP (II) H 0 = { camino(x,y) enlace(x,y) camino(x,y) enlace(x,z),camino(z,y) IIC RGNC Aprendizaje de... 42
43 Ejemplos de ILP (III) E = {par(0), par(s(s(0))), par(s(s(s(s(0))))),...} E = {par(s(0)), par(s(s(s(0)))), par(s(s(s(s(s(0)))))),...} Hipótesis: H 0 = { par(0) par(s(s(x))) par(x) IIC RGNC Aprendizaje de... 43
44 Métodos (I) Ascendente: Comenzamos por una hipótesis demasiado específica, i.e., que no cubre todos los ejemplos positivos y por tanto, debe ser generalizada. Técnicas: Resolución inversa (CIGOL) Menor generalización (Golem)... IIC RGNC Aprendizaje de... 44
45 Métodos (II) Descendente: Comenzamos por una hipótesis demasiado general, i.e., que cubre alguno de los ejemplos negativos y por tanto, debe ser especializada. Técnicas: Inferencia de modelos (MIS) Método extensional (Foil)... IIC RGNC Aprendizaje de... 45
46 CIGOL (S. Muggleton y W. Buntine, 1988) Sistema interactivo Método ascendente Basado en resolución inversa Entrada Salida Ejemplos Conocimiento base Respuestas a preguntas Cláusulas de Horn IIC RGNC Aprendizaje de... 46
47 Resolución C 1 q A C 2 p q, B C p A, B IIC RGNC Aprendizaje de... 47
48 Operadores en CIGOL (I) C 1 q A C p A, B C 2 p q, B Absorción: q A q A p A, B p q, B Identificación: p A, B q A p q, B p q, B IIC RGNC Aprendizaje de... 48
49 Operadores en CIGOL (II) W operadores C 1 [p r, A, B] q A, B [p A, B] B 1 p A, B C [r A] p A, q [q A, C] B 2 p A, C [q r, A, C] C 2 q A, C Intra construcción: Inter construcción: p A, B p A, C q A, B p A, q q A, C p A, B q A, C p r, A, B r A q r, A, C IIC RGNC Aprendizaje de... 49
50 Operadores en CIGOL (III) El operador de truncamiento {L 1 } {L} {L 2 } σ 1 τ 1 τ 2 σ 2 IIC RGNC Aprendizaje de... 50
51 Ejemplos con CIGOL (I) Concatenación de listas?- cigol. OPERADORES!- conc([s],[t],[s,t]). Truncamiento... I know: conc([s],[t],[s,t]).!- conc([],[a],[a]). Truncamiento... Is conc(a,[b],[c D]) always true? n. Superado el tiempo límite ms. para Absorción I know: conc([],[a],[a]). conc([s],[t],[s,t]). not(conc(a,[b],[c D])). IIC RGNC Aprendizaje de... 51
52 Ejemplos con CIGOL (II)!- conc([],[1,2],[1,2]). Truncamiento... L 1 =conc([],[a],[a]) Is conc([],[a B],[A B]) always true? y. L 2 =conc([],[1,2],[1,2]) I know: conc([],[a B],[A B]). conc([s],[t],[s,t]). not(conc(a,[b],[c D])).!- conc([1],[2,3],[1,2,3]). Truncamiento... L 1 =conc([s],[t],[s,t]) L 2 =conc([1],[2,3],[1,2,3]) IIC RGNC Aprendizaje de... 52
53 Ejemplos con CIGOL (III) Is conc([a],[b C],[A,B C]) always true? y. Absorción... conc([],[a B],[A B]) conc([a],[b C],[A,B C]) conc([],[a 1 B 1 ],[A 1 B 1 ]) conc([a 2 B 2 ],C 2,[A 2 D 2 ]):- conc(b 2,C 2,D 2 ) τ 1 = { A1 B B 1 C } conc([a],[b C],[A,B C]) τ 2 = A 2 A B 2 [] C 2 [B C] D 2 [B C] New clauses:[(conc([a B],C,[A D]):- conc(b,c,d)] cover new facts: conc([a,b],[c D],[A,B,C D])]... Are new clauses always true: y. IIC RGNC Aprendizaje de... 53
54 Ejemplos con CIGOL (IV)... I know: conc([],[a B],[A B]). conc([a B],C,[A D]):- conc(b,c,d). not(conc(a,[b],[c D])).!- conc([],[],[]). Truncamiento... Is conc([],a,a) always true? y.... I know: conc([],a,a). conc([a B],C,[A D]):- conc(b,c,d) not(conc(a,[b],[c D])). IIC RGNC Aprendizaje de... 54
55 Golem (S. Muggleton y C. Feng, 1990) La menor generalización general Plotkin (1970) y Reynolds (1970) dotan al conjunto de términos de un lenguaje de estructura de retículo mediante la relación de θ subsunción. Un concepto C subsume a otro D si D C La cláusula C 1 θ subsume a la cláusula C 2 si existe una sustitución θ tal que C 1 θ C 2 Forman retículo, i.e., dadas C 1 y C 2 existe un único inf(c 1, C 2 ) y un único sup(c 1, C 2 ) que llamaremos menor generalización general de C 1 y C 2. IIC RGNC Aprendizaje de... 55
56 Golem (mgg) Menor generalización general (mgg): mgg(f(t 1,..., t n ), g(s 1,..., s n )) = mgg(p(t 1,..., t n ), q(s 1,..., s n )) = Sea ψ : TERM TERM VAR f(mgg(t 1, s 1 ),..., mgg(t n, s n )) ψ(f(t 1,..., t n ), g(s 1,..., s n )) p(mgg(t 1, s 1 ),..., mgg(t n, s n )) No definida Si f = g e.o.c. Si p = q e.o.c. mgg(c 1, C 2 ) = {mgg(l 1, l 2 ) : l 1 C 1, l 2 C 2 } IIC RGNC Aprendizaje de... 56
57 Menor generalización (I) Ejemplo 1: expr(una,mujer) expr(una,niña) } = expr(una,x) Ejemplo 2: expr(el,hombre) masc(el), masc(hombre) expr(un,niño) masc(un), masc(niño) } = expr(x,y) masc(x), masc(y) IIC RGNC Aprendizaje de... 57
58 Menor generalización (II) Ejemplo 3: T O + O masc(el) fem(la) expr(el,niño) expr(el,mujer) masc(un) fem(una) expr(una,mujer) expr(una,niño) masc(niño) fem(niña) expr(el,hombre) expr(un,niña) masc(hombre) fem(mujer) H 0 = { expr(x,y) masc(x), masc(y) expr(x,y) fem(x), fem(y) IIC RGNC Aprendizaje de... 58
59 Ejemplos con Golem (I.a) Lógica proposicional Lenguaje: Dos símbolos proposicionales: p y q Cinco conectivas:,,, y. Definición: 1. p es una fórmula. 2. q es una fórmula. 3. Si F es una fórmula, también ( F ). 4. Si F y G son fórmulas, entonces también lo son (F G), (F G), (F G) y (F G). IIC RGNC Aprendizaje de... 59
60 Ejemplos con Golem (I.b) Ejemplos f([q,, [, q]]). f([p,, q]). f([, p]). f([q,, p]). f([[, p],, [, q]]). f([p,, q]). f(q). f([q,, p]). f([[, p],, [p,, q]]). f([p,, [, p]]). O + f([, [, p]]). f([q,, p]). f([[, q],, [p,, q]]). f([p,, [, p]]). f([p,, q]). f(p). f([, q]). f([p,, q]). f([q,, p]). f([, ]). f([q,, ]). f([,, p]). f([,, q]). f([q, q, p]). f([p,, ]). f([p, p, q]). f([, p, p]). f([p,, ]). f([,, q]). O f([p,, ]). f([,, p]). f([,, ]). f([p, p, [p,, q]]). f([, p, [, p]]). f([[, q],, [p,, ]]). Respuesta: f(q). f(p). f([, A]) : f(a). f([a,, B]) : f([, A]), f(b). f([a,, B]) : f([, A]), f(b). f([a,, B]) : f([, A]), f(b). f([a,, B]) : f(a), f(b). IIC RGNC Aprendizaje de... 60
61 Ejemplos con Golem (II.a) Lenguaje natural Lenguaje Ocho determinantes (d): el, la, los, las, un, una, unos, unas. Ocho nombres comunes (n): hombre, hombres, mujer, mujeres, niño, niños, niña, niñas. Ocho adjetivos (a): moreno, morena, morenos, morenas, rubio, rubia, rubios, rubias. Ocho nombres propios (np): Pepe, Paco, Antonio, Eduardo, María, Ana, Rosa, Julia. Conocomiento base (Clasificación): cl(paco,[np,m,s]) cl(rubias,[a,f,p]) IIC RGNC Aprendizaje de... 61
62 Ejemplos con Golem (II.b) Ejemplos: Estructura: (np), (d)+(n), (d)+(n)+(a) O + : O : Respuesta: sn([la,niña,morena]) sn([una,niños,moreno]) sn([la, mujer]). sn([una, mujer]). sn([a, niña]) : cl(a, [d, f, s]). sn([a]) : cl(a, [np, B, s]). sn([a, B]) : cl(a, [d, m, s]), cl(b, [n, m, s]). sn([a, B]) : cl(a, [d, C, p]), cl(b, [n, C, p]). sn([a, B, C]) : cl(a, [d, D, E]), cl(b, [n, D, E]), cl(c, [a, D, E]). IIC RGNC Aprendizaje de... 62
63 Aplicación con Golem (I) Predicción de la estructura secundaria de las proteinas (OUCL en cooperación con Imperial Cancer Research Fund) Dada la estructura primaria de una proteina (secuencia de aminoácidos), Encontrar la estructura secundaria Predecir si los residuos individuales formaán una hélice levógira Ejemplos: 12 proteinas no homólogas (1612 residuos) Conocimiento base: Propiedades físicas y químicas de los residuos individuales y su posición relativa dentro de la proteina Sistema: GOLEM 21 cláusula producidas, cada una de unos 15 literales Su precisión sobre un test independiente fue del 82 %, mientras que la precisión del mejor método convencional fue del 73 % IIC RGNC Aprendizaje de... 63
64 Aplicación con Golem (II) Predicción y Comparación de la acción de fármacos Ejemplos: 44 fármacos que se ajustan a la plantilla A Conocimiento base: Propiedades químicas de los sustituyentes Sistema ILP: GOLEM Las cláusulas inducidas fueron consideradas como una teoría novedosa por los químicos La correlación entre el resultado de la predicción y la acción real de los fármacos estudiados fue mejor que la alcanzada por métodos de regresión. IIC RGNC Aprendizaje de... 64
65 Aplicación con Golem (III) Clasificación biológica de la calidad del agua de un río Dada una lista de indicadores biológicos tomados en distintas muestras de agua y sus niveles de abundancia, clasificarlos en una de las cinco clases B1a, B1b, B2, B3, B4. Ejemplos: 300 muestras de la cuenca superior de un río de Gran Bretaña, clasificados por expertos. Conocimiento base: Relaciones entre los niveles de abundancia. Sistemas: GOLEM, CLAUDIEN Reglas descubiertas interesantes (según evaluación experta): b1b(x) ancilidae(x, A), gammaridae(x, B),..., greater than(d, B). IIC RGNC Aprendizaje de... 65
66 Invención de predicados (I) Derivadas de potencias de una variable Conocimiento base: Para toda potencia de una variable x, x m, existe un único monomio en esa variable, ax b, que representa la derivada de dicha potencia respecto de la variable. Ejemplos: Hipótesis: d x 2 dx = 2x d x 5 d x m dx = mxm 1 dx = 5x4 IIC RGNC Aprendizaje de... 66
67 Invención de predicados (I)?- cigol. OPERADORES!- deriv([1,x,2],[2,x,1]). Truncamiento... I know: deriv([1,a,2],[2,a,1]).!- deriv([1,x,5],[5,x,4]). Truncamiento... L 1 =deriv([1,x,2],[2,x,1]) L 2 =deriv([1,x,5],[5,x,4]) Is deriv([1,a,b],[b,a,c]) always true? n. Intra construcción deriv([1,x,2],[2,x,1]) deriv([1,x,5],[5,x,4]) IIC RGNC Aprendizaje de... 67
68 Invención de predicados (II) p116(2,1) deriv([1,a,b],[b,a,c]):-p116(b,c) p116(5,4) ɛ τ 1 τ 2 ɛ deriv([1,x,2],[2,x,1]) deriv([1,x,5],[5,x,4] deriv([1,a,b],[b,a,c]:- p116(b,c). p116(2,1). p116(5,4). What shall I call p116? menos 1... I know: deriv([1,a,b],[b,a,c]:- menos 1(B,C). menos 1(2,1). menos 1(5,4). not(deriv([1,a,b],[b,a,c])). IIC RGNC Aprendizaje de... 68
69 KDD El Descubrimiento de conocimiento en bases de datos es el proceso de identificar en los datos estructuras válidas, novedosas, potencialmente útiles y en última instancia comprensibles (U. Fayyad) IIC RGNC Aprendizaje de... 69
70 KDD: Fases Dominio de la aplicación Conocimiento de la aplicación Objetivos del proceso Creación de la base de datos Preproceso y limpieza de datos Reducción de variables y datos Elección del modelo resultante: Resumen, clasificación, regresión,... Minería de datos (Aprendizaje, ILP,...) Interpretación Uso del conocimiento adquirido IIC RGNC Aprendizaje de... 70
71 Bibliografía Lavrač, N. y Džeroski, S. Inductive Logic Programming Techniques and Applications Ellis Horwood Ltd., 1994 Nienhuys Cheng, S-H. y De Wolf, R. Foundations of Inductive Logic Programming Springer Verlag, 1997 Lavrač, N. y Džeroski, S. Relational Data Mining Springer., Network of Excellence in Inductive Logic Programming ILPnet2 ILPnet2/ Otros enlaces IIC RGNC Aprendizaje de... 71
72 Bibliografía Mitchell, T. M. Machine Learning McGraw Hill, Capítulo II. Lecturas recomendadas Markov, Z Machine Learning Course Bratko, I. PROLOG Programming for Artificial Intelligence Tercera Edición. Addison Wesley, Capítulo XVIII Langley, P Elements of Machine Learning Morgan Kaufmann Publishers, Capítulo I IIC RGNC Aprendizaje de... 72
73 Bibliografía Mitchell, T. M. Machine Learning McGraw Hill, Capítulo II. M. Anthony y N. Biggs Computational Learning Theory Cambridge University Press, Capítulo I. Lecturas recomendadas A.Aliseda Llera Seeking Explanations: Abduction in Logic, Philosophy os Science and Artificial Intelligence ILLC Dissertation Series, Capítulo I P. Flach Conjectures. An inquiry concerning the logic of induction ITK Dissertation series, Capítulo II M.A. Gutiérrez Naranjo Operadores de generalización para el aprendizaje clausal Tesis doctoral, Capítulo II IIC RGNC Aprendizaje de... 73
Tema AA 1: Introducción a al Aprendizaje Automático
Razonamiento Automático Curso 200 2002 Tema AA : Introducción a al Aprendizaje Automático José A. Alonso Jiménez Miguel A. Gutiérrez Naranjo Dpto. de Ciencias de la Computación e Inteligencia Artificial
Más detallesTema 10: Introducción a Aleph
Introducción a la Ingeniería del Conocimiento Curso 2004 2005 Tema 10: Introducción a Aleph Miguel A. Gutiérrez Naranjo Dpto. de Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla
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 detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Objetivos Estudiar algunas de las metodologías de Inteligencia Artificial,
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 detallesExtracción Automática de Conocimiento en Bases de Datos e Ingeniería del Software
Extracción Automática de Conocimiento en Bases de Datos e Ingeniería del Software Mª. José Ramírez Quintana José Hernández Orallo Programa: Programación Declarativa e Ingeniería de la Programación Objetivos
Más detallesInteligencia en Redes de Comunicaciones. Razonamiento lógico. Julio Villena Román.
Inteligencia en Redes de Comunicaciones Razonamiento lógico Julio Villena Román jvillena@it.uc3m.es Índice La programación lógica Lógica de predicados de primer orden Sistemas inferenciales IRC 2009 -
Más detallesOPTATIVA I: MINERIA DE DATOS
UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: 08MSU007H Clave: 08USU4053W FACULTAD DE INGENIERÍA PROGRAMA DEL CURSO: OPTATIVA I: MINERIA DE DATOS DES: Programa(s) Educativo(s): Tipo de materia: Clave de la
Más detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Contenido Lógica proposicional Lógica de predicados Inferencia en lógica
Más detallesDES: Programa(s) Educativo(s): Tipo de materia: Clave de la materia: Semestre:
: : lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. lemas propios de la. 12 6 lemas propios de la. 12 6 lemas propios de la.
Más detallesLógica proposicional. Ivan Olmos Pineda
Lógica proposicional Ivan Olmos Pineda Introducción Originalmente, la lógica trataba con argumentos en el lenguaje natural es el siguiente argumento válido? Todos los hombres son mortales Sócrates es hombre
Más detallesPROGRAMA ANALÍTICO DE ASIGNATURA
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE HIDALGO COORDINACIÓN DE DOCENCIA DIRECCIÓN DE PLANEACIÓN Y DESARROLLO EDUCATIVO _ 1.- DATOS GENERALES 1.1 INSTITUTO: CIENCIAS BÁSICAS E INGENIERÍA PROGRAMA ANALÍTICO
Más detallesAprendizaje basado en ejemplos.
Aprendizaje basado en ejemplos. In whitch we describe agents that can improve their behavior through diligent study of their own experiences. Porqué queremos que un agente aprenda? Si es posible un mejor
Más detallesAlgoritmos. Medios de expresión de un algoritmo. Diagrama de flujo
Algoritmos En general, no hay una definición formal de algoritmo. Muchos autores los señalan como listas de instrucciones para resolver un problema abstracto, es decir, que un número finito de pasos convierten
Más detallesEjercicios de Lógica Proposicional *
Ejercicios de Lógica Proposicional * FernandoRVelazquezQ@gmail.com Notación. El lenguaje proposicional que hemos definido, aquel que utiliza los cinco conectivos,,, y, se denota como L {,,,, }. Los términos
Más detallesUNIVERSIDAD LIBRE PROGRAMAS ANALÍTICOS SECCIONAL: PEREIRA FACULTAD: INGENIERIAS. PROGRAMA ACADÉMICO: Ingeniería de Sistemas
PROGRAMAS ANALÍTICOS SECCIONAL: PEREIRA FACULTAD: INGENIERIAS PROGRAMA ACADÉMICO: Ingeniería de Sistemas JORNADA: DIURNA 1.- INFORMACION DEL DOCENTE E-mail institucional: E-mail personal: 2.- ESTUDIOS
Más detallesMINERIA DE DATOS Y Descubrimiento del Conocimiento
MINERIA DE DATOS Y Descubrimiento del Conocimiento UNA APLICACIÓN EN DATOS AGROPECUARIOS INTA EEA Corrientes Maximiliano Silva La información Herramienta estratégica para el desarrollo de: Sociedad 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 detallesALGORITMO ID3. Objetivo
ALGORITMO ID3 Desarrollado por J. Ross Quinlan en 1983. ID3 significa Induction Decision Trees. Pertenece a la familia TDIDT (Top- Down Induction of Decision Trees). Objetivo Construir un árbol de decisión
Más detalles: Algorítmica y Estructura de Datos I
FACULTAD POLITÉCNICA DIRECCIÓN ACADÉMICA PROGRAMA DE ESTUDIO I. IDENTIFICACIÓN Carrera : Ingeniería de Sistemas CARGA HORARIA (Horas reloj) Asignatura : Algorítmica y Estructura de Datos I Carga Horaria
Más detallesAmpliación Matemática Discreta. Justo Peralta López
Justo Peralta López UNIVERSIDAD DE ALMERíA DEPARTAMENTO DE ÁGEBRA Y ANÁLISIS MATEMÁTICO 1 Introducción 2 Definición semántica de las proposiciones 3 Diagrama de valores de certeza 4 Evaluación de fórmulas.
Más detallesExtracción Automática de Conocimiento en Bases de Datos e Ingeniería del Software
Extracción Automática de Conocimiento en Bases de Datos e Ingeniería del Software http://www.dsic.upv.es/~jorallo/docent/doctorat/index.html José Hernández Orallo jorallo@dsic.upv.es Mª. José Ramírez Quintana
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 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 detallesMétodos de Búsqueda para juegos humano-maquina. PROF: Lic. Ana María Huayna D.
Métodos de Búsqueda para juegos humano-maquina PROF: Lic. Ana María Huayna D. Tópicos 1. Introducción 2. Juegos 3. Estrategias de Juego 4. Algoritmo Minimax 5. Algoritmo Poda Alfa-Beta 1.- Introducción
Más detallesMatemáticas Básicas para Computación
Matemáticas Básicas para Computación MATEMÁTICAS BÁSICAS PARA COMPUTACIÓN 1 Sesión No. 6 Nombre: Álgebra Booleana Objetivo Durante la sesión el participante identificará las principales características
Más detallesAnálisis Inteligente de Datos: Introducción
Análisis Inteligente de Datos: cvalle@inf.utfsm.cl Departamento de Informática - Universidad Técnica Federico Santa María Santiago, Marzo 2009 Temario 1 Temario 1 Preguntas Relevantes Por qué análisis
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE CIENCIAS CARRERA DE MATEMÁTICO CONJUNTOS Y LÓGICA
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE CIENCIAS CARRERA DE MATEMÁTICO CONJUNTOS Y LÓGICA SEMESTRE: Segundo a cuarto CLAVE: 0271 HORAS A LA SEMANA/SEMESTRE TEÓRICAS PRÁCTICAS CRÉDITOS 5/80
Más detallesLógica y Programación
Lógica y Programación Cláusulas y formas clausales Antonia M. Chávez, Agustín Riscos, Carmen Graciani Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Cláusulas y formas
Más detallesIntroducción: Proposiciones, argumentos e inferencias. Inferencias deductivas e inductivas. Deducción: Inferencias transitivas (Silogismos lineales)
Tema 2.- Deducción. Psicología del Pensamiento, Guión del Tema 2 Prof.: Eduardo Madrid Bloque 1: Razonamiento y variedades del pensamiento. Introducción: Proposiciones, argumentos e inferencias. Inferencias
Más detallesInteligencia Artificial II: Conocimiento, Razonamiento y Planeación. Presentación del Curso.
Inteligencia Artificial II: Conocimiento, Razonamiento y Planeación. Presentación del Curso. Dr. Alejandro Guerra-Hernández Departamento de Inteligencia Artificial Universidad Veracruzana Facultad de Física
Más detallesReflexiones sobre el proceso de investigación y la relación profesor tutor alumno de investigación
Back to basics Reflexiones sobre el proceso de y la relación profesor tutor alumno de José Luis Roldán Salgueiro Departamento de Administración de Empresas y Marketing Universidad de Sevilla Esquema El
Más detallesTema 2: Diseño y Construccion de Sistemas de Ayuda a la Decision
Tema 2: Diseño y Construccion de Sistemas de Ayuda a la Decision Procesos de desarrollo de SAD Hay dos formas de desarrollar SAD: Programar un SAD a medida: se puede emplear un lenguaje convencional como
Más detallesPRESENTACIÓN SOFTWARE. Área de Recursos Educativos Digitales ENLACES
PRESENTACIÓN SOFTWARE Área de Recursos Educativos Digitales ENLACES THE BEST OF EDMARK Descripción del producto Colección de software que promueve el desarrollo de habilidades de razonamiento y de resolución
Más detallesAsignaturas antecedentes y subsecuentes
PROGRAMA DE ESTUDIOS Sistemas Operativos I Área a la que pertenece: Área Sustantiva Profesional Horas teóricas: 3 Horas prácticas: 2 Créditos: 8 Clave: F0168 Asignaturas antecedentes y subsecuentes PRESENTACIÓN
Más detallesCoordinación de Matemática I (MAT021) 1 er Semestre de 2013 Semana 1: Lunes 11 Viernes 16 de Marzo. Contenidos
Coordinación de Matemática I (MAT021) 1 er Semestre de 2013 Semana 1: Lunes 11 Viernes 16 de Marzo Complementos Contenidos Clase 1: Elementos de lógica: Conectivos, tablas de verdad, tautologías y contingencias.
Más detallesDesde los programas más simples escritos en un lenguaje de programación suelen realizar tres tareas en forma secuencial.
Tipos de Datos Desde los programas más simples escritos en un lenguaje de programación suelen realizar tres tareas en forma secuencial. Entrada de datos Procesamientos de datos Salida de resultados Los
Más detallesSistemas Expertos Unidad 2. Prof. Francklin Rivas Echeverría Universidad de Los Andes Laboratorio de Sistemas Inteligentes
Sistemas Expertos Unidad 2 Prof. Francklin Rivas Echeverría Universidad de Los Andes Laboratorio de Sistemas Inteligentes 2005 Sistemas basados en conocimiento Los Sistemas basados en conocimiento constituyen
Más detallesLógica Proposicional. Sergio Stive Solano Sabié. Marzo de 2012
Lógica Proposicional Sergio Stive Solano Sabié Marzo de 2012 Lógica Proposicional Sergio Stive Solano Sabié Marzo de 2012 Proposiciones Definición 1.1 Una proposición (o declaración) es una oración declarativa
Más detallesConceptos Básicos de Inferencia
Conceptos Básicos de Inferencia Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Inferencia Estadística Cuando obtenemos una muestra, conocemos
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 detallesFilosofía de la Ciencia en el siglo XX
La Nueva Filosofía de la ciencia Filosofía de la Ciencia en el siglo XX 1920 Empirismo lógico 1930 Racionalismo Crítico 1960 Lakatos PIC 1960 Kuhn Historicismo 1980 CTS 1960 Feyerabend Pluralismo Concepción
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 detallesPROGRAMACIÓN DIDÁCTICA
PROGRAMACIÓN DIDÁCTICA Materia Período FBPI Tramo II Ámbito Científico-Tecnológico Bloque I Números racionales, decimales y potencias. Créditos 3 (30 horas) Bloque II Proporcionalidad Créditos 2 (20 horas)
Más detallesAprendizaje automático
Aprendizaje automático Machine Learning 1 Aprendizaje automático Definición de aprendizaje Primer problema: desconocemos los mecanismos que rigen el aprendizaje humano Por esto las definiciones hacen hincapié
Más detallesGuía docente de la asignatura
Guía docente de la asignatura Asignatura Materia Módulo Titulación TÉCNICAS DE APRENDIZAJE AUTOMÁTICO COMPUTACIÓN TECNOLOGÍAS ESPECÍFICAS GRADO EN INGENIERÍA INFORMÁTICA Plan 545 Código 46932 Periodo de
Más detallesPROBABILIDAD Y ESTADÍSTICA
PROBABILIDAD Y ESTADÍSTICA I. DATOS GENERALES Unidad Académica: Departamento de Suelos Programa Educativo: Ingeniería en Recursos Naturales Renovables Nivel educativo: Licenciatura Eje curricular: Ingeniería
Más detallesFilosofía de la ciencia: inducción y deducción. Metodología I. Los clásicos Prof. Lorena Umaña
Filosofía de la ciencia: inducción y deducción Metodología I. Los clásicos Prof. Lorena Umaña Filosofía de la ciencia: noción de argumento La filosofía de la ciencia debe considerarse como una de las corrientes
Más detallesTema 2: Representación de problemas como espacios de estados
Tema 2: Representación de problemas como espacios de estados José Luis Ruiz Reina José Antonio Alonso Franciso J. Martín Mateos Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad
Más detallesANX-PR/CL/ GUÍA DE APRENDIZAJE. ASIGNATURA Estadistica. CURSO ACADÉMICO - SEMESTRE Primer semestre
ANX-PR/CL/001-01 GUÍA DE APRENDIZAJE ASIGNATURA Estadistica CURSO ACADÉMICO - SEMESTRE 2016-17 - Primer semestre GA_05IQ_55001012_1S_2016-17 Datos Descriptivos Nombre de la Asignatura Titulación Centro
Más detallesClasificador (Classifier) Aprendizaje Automatizado. Atributos. Clases. Conceptos. conceptos.
Aprendizaje Automatizado Clasificadores y construcción de conceptos usando aprendizaje automatizado Aprendizaje con Version Spaces Clasificador (Classifier) Brindan modelos para capturar la formación de
Más detalles10.4 Sistemas de ecuaciones lineales
Programa Inmersión, Verano 2016 Notas escritas por Dr. M Notas del cursos. Basadas en los prontuarios de MATE 001 y MATE 02 Clase #11: martes, 14 de junio de 2016. 10.4 Sistemas de ecuaciones lineales
Más detallesMención en Computación
Mención en Computación Competencias Idea general sobre lo que es computación Aprender SOBRE lenguajes de programación, diseño y procesamiento Aprender SOBRE la eficiencia y complejidad de algoritmos (
Más detalles3. OBJETIVOS ESPECÍFICOS (De formación académica): Como resultado de cada capítulo el estudiante estará en capacidad de:
MATERIA Lógica y Argumentación. CÓDIGO 08273 PRERREQUISITOS: Ninguno. PROGRAMAS: Todos los programas de pregrado. PERÍODO ACADÉMICO: 162-2 (Segundo semestre de 2016) INTENSIDAD HORARIA: 4 horas semanales
Más detallesBLOQUE I: GEOMETRÍA PLANA Y FIGURAS GEOMÉTRICAS. Ecuaciones y sistemas. 2 (20 horas) Funciones y gráficas. 2 (20 horas) Estadística y probabilidad
PROGRAMACIÓN DIDÁCTICA Materia IV Período FBPI Tramo II Ámbito Científico-Tecnológico Bloque I Geometría plana y figuras geométricas Créditos 3 (30 horas) Bloque II Créditos Ecuaciones y sistemas 2 (20
Más detallesLOS CONTENIDOS DE MATEMÁTICAS EN LOS BACHILLERATOS ITALIANOS
LOS CONTENIDOS DE MATEMÁTICAS EN LOS BACHILLERATOS ITALIANOS LOS CONTENIDOS DEL BIENIO (1º Y 2º AÑO) PROGRAMA A (PARA LOS INDERIZZOS CLÁSICO, LINGÜÍSTICO, SOCIO-PSICO-PEDAGÓGICO Y ARTÍSTICO, 4 horas semanales)
Más detallesPROGRAMA DE ESTUDIOS
PROGRAMA DE ESTUDIOS Nombre: ESTADÍSTICA DESCRIPTIVA Carrera: Ingeniería Ambiental, Ecología y Biología Créditos: 6 Horas Teóricas a la semana: 2 Horas Prácticas a la semana: 2 PRESENTACION La necesidad
Más detallesÍNDICE PRIMERA PARTE METODOLOGÍA JURÍDICA
ÍNDICE INTRODUCCIÓN... 15 PRIMERA PARTE METODOLOGÍA JURÍDICA INTRODUCCIÓN... 21 CAPÍTULO I. LA APLICACIÓN DEL DERECHO. CASOS FÁCILES, CASOS DIFÍCILES Y JUSTIFICACIÓN DE LA RESPUESTA... 25 1. INTRODUCCIÓN...
Más detallesLICENCIATURA EN MATEMÁTICA. Práctico N 1 Lenguaje de la lógica. proposicional VICTOR GALARZA ROJAS 1 5 / 0 5 /
Práctico N 1 Lenguaje de la lógica LICENCIATURA EN MATEMÁTICA proposicional VICTOR GALARZA ROJAS 1 5 / 0 5 / 2 0 1 0 PRÁCTICO N 1 1. Fundamentación: fundamentar la expresión Por lo tanto del siguiente
Más detallesAplicaciones empresariales
KDD y Data Minig Descubrimiento de Conocimiento en Bases de Datos Se define como la extracción no trivial de información implícita, desconocida, y potencialmente útil de los datos. La palabra descubrimiento
Más detallesFÍSICA Y QUÍMICA 3º ESO. OBJETIVOS, CONTENIDOS Y CRITERIOS DE EVALUACIÓN 1ª Evaluación: Unidad 1. La medida y el método científico.
FÍSICA Y QUÍMICA 3º ESO. OBJETIVOS, CONTENIDOS Y CRITERIOS DE EVALUACIÓN 1ª Evaluación: Unidad 1. La medida y el método científico. OBJETIVOS 1. Reconocer las etapas del trabajo científico y elaborar informes
Más detallesTema 2. Introducción a la Estadística Bayesiana
2-1 Tema 2 Introducción a la Estadística Bayesiana El teorema de Bayes Ejemplo Interpretación Ejemplo: influencia de la distribución a priori Ejemplo: densidad de flujo Probabilidad bayesiana Ejemplo:
Más detallesVisión global del KDD
Visión global del KDD Series Temporales Máster en Computación Universitat Politècnica de Catalunya Dra. Alicia Troncoso Lora 1 Introducción Desarrollo tecnológico Almacenamiento masivo de información Aprovechamiento
Más detallesÍndice Proposiciones y Conectores Lógicos Tablas de Verdad Lógica de Predicados Inducción
Curso 0: Matemáticas y sus Aplicaciones Tema 5. Lógica y Formalismo Matemático Leandro Marín Dpto. de Matemática Aplicada Universidad de Murcia 2012 1 Proposiciones y Conectores Lógicos 2 Tablas de Verdad
Más detallesUNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA SUR. Ingeniería Aplicada TEÓRICA SERIACIÓN 100% DE OPTATIVAS DISCIPLINARIAS
UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA SUR DEPARTAMENTO ACADÉMICO DE SIS COMPUTACIONALES INGENIERÍA EN TECNOLOGÍA COMPUTACIONAL ASIGNATURA Algoritmo Genéticos ÁREA DE Ingeniería Aplicada CONOCIMIENTO
Más detallesSelección de fuentes de datos y calidad de datos
Selección de fuentes de datos y calidad de datos ESCUELA COMPLUTENSE DE VERANO 2014 MINERIA DE DATOS CON SAS E INTELIGENCIA DE NEGOCIO Juan F. Dorado José María Santiago . Valores atípicos. Valores faltantes.
Más detallesLógica Matemática, Sistemas Formales, Cláusulas de Horn
Lógica Matemática, Sistemas Formales, Cláusulas de Horn Lic. José Manuel Alvarado La lógica se ocupa de las argumentaciones válidas. Las argumentaciones ocurren cuando se quiere justificar una proposición
Más detallesIntroducción a la Lógica
Tema 0 Introducción a la Lógica En cualquier disciplina científica se necesita distinguir entre argumentos válidos y no válidos. Para ello, se utilizan, a menudo sin saberlo, las reglas de la lógica. Aquí
Más detallesMATEMÁTICAS BÁSICAS. 23 de febrero de Universidad Nacional de Colombia MATEMÁTICAS BÁSICAS
23 de febrero de 2009 Parte I Lógica Proposiciones Considere las siguientes frases Páseme el lápiz. 2 + 3 = 5 1 2 + 1 3 = 2 5 Qué hora es? En Bogotá todos los días llueve Yo estoy mintiendo Maradona fue
Más detallesCómo escribir un artículo investigativo
Cómo escribir un artículo investigativo Prof. Fabio A. González O. Ph.D. Seminario de Investigación I Maestría en Ingeniería--Ingeniería de Sistemas y Computación Depto. Ing. de Sistemas e Industrial Universidad
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 detallesForma lógica de enunciados
Forma lógica de enunciados Marisol Miguel Cárdenas Lenguaje natural y lenguaje formal El lenguaje natural es aquel que utilizamos cotidianamente. Surge históricamente dentro de la sociedad y es aprendido
Más detallesInteligencia artificial
Inteligencia artificial Proceso de Lenguaje Natural Qué es el Lenguaje? Qué es el Lenguaje Natural? Procesamiento del lenguaje Natural (PLN) Aplicaciones PLN Niveles del Lenguaje Arquitectura de un sistema
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 detallesIngeniería en Informática
Departamento de Informática Universidad Carlos III de Madrid Ingeniería en Informática Aprendizaje Automático Junio 2007 Normas generales del examen El tiempo para realizar el examen es de 3 horas No se
Más detalles1. Computadores y programación
1. Computadores y programación Informática y computadora (RAE) Informática (Ciencia de la computación) Conjunto de conocimientos científicos y técnicos que hacen posible el tratamiento automático de la
Más detallesUNIVERSIDAD ALAS PERUANAS FACULTAD DE CIENCIAS DE LA COMUNICACIÓN SILABO POR COMPETENCIA
UNIVERSIDAD ALAS PERUANAS FACULTAD DE CIENCIAS DE LA COMUNICACIÓN SILABO POR COMPETENCIA I. DATOS INFORMATIVOS 1.1 Asignatura : Estadística para el Comunicador Social 1.2 Código : 1001-1023 1.3 Pre-requisito
Más detallesGUÍA DOCENTE DE LA ASIGNATURA
GUÍA DOCENTE DE LA ASIGNATURA G655 - Introducción a los Sistemas Inteligentes Grado en Ingeniería Informática Obligatoria. Curso Grado en Matemáticas Optativa. Curso Curso Académico 2014-2015 1 1. DATOS
Más detallesUNIDAD 8 LA FILOSOFÍA EMPIRISTA
UNIDAD 8 LA FILOSOFÍA EMPIRISTA ÍNDICE EMPIRISMO LA NUEVA CIENCIA Y SU INFLUENCIA EN LA FILOSOFÍA THOMAS HOBBES (1588 1679) FILOSOFÍA POLÍTICA JOHN LOCKE (1632 1704) FILOSOFÍA POLÍTICA GEORGE BERKELEY
Más detallesESCUELA: UNIVERSIDAD DEL ISTMO
1.-IDENTIFICACIÓN ESCUELA: UNIVERSIDAD DEL ISTMO CLAVE: 3041 GRADO: ING. EN COMPUTACIÓN, CUARTO SEMESTRE TIPO DE TEÓRICA/PRÁCTICA ANTECEDENTE CURRICULAR: 3033.- OBJETIVO GENERAL Proporcionar al alumno
Más detallesTema 3: Sistema inicial de representación y razonamiento
Razonamiento Automático Curso 999 2000 Tema 3: Sistema inicial de representación y razonamiento José A. Alonso Jiménez Miguel A. Gutiérrez Naranjo Dpto. de Ciencias de la Computación e Inteligencia Artificial
Más detallesPROGRAMA DE LABORATORIO SECCIÓN: ÁREA A LA QUE PERTENECE: POS-REQUISITO: AUXILIAR:
UNIVERSIDAD DE SAN CARLOS DE GUATEMALA FACULTAD DE INGENIERÍA ESCUELA DE CIENCIAS PROGRAMA DE LABORATORIO CÓDIGO: 777 CRÉDITOS: 4 NOMBRE CURSO: ESCUELA: PRE-REQUISITO: Organización de Lenguajes y Compiladores
Más detallesCálculo en varias variables
Cálculo en varias variables Dpto. Matemática Aplicada Universidad de Málaga Resumen Límites y continuidad Funciones de varias variables Límites y continuidad en varias variables 1 Límites y continuidad
Más detallesLógicas para la inteligencia natural y artificial
1er día virtual de la comunidad de Inteligencia Artificial Lógicas para la inteligencia natural y artificial México DF, 18 de junio de 2015 Contenido La lógica humana: comprender y razonar sobre lo natural
Más detalles2 OBJETIVOS TERMINALES: Al finalizar el curso el estudiante estará en capacidad de:
MATERIA: Ecuaciones Diferenciales CÓDIGO: 08278 REQUISITOS: Cálculo en Varias Variables (08275) PROGRAMAS: Ingeniería Industrial, Ingeniería Telemática, Química PERIODO ACADÉMICO: 2016-2 INTENSIDAD SEMANAL:
Más detalles3 LA EVOLUCIÓN DEL CONCEPTO DE INNOVACIÓN Y SU RELACIÓN CON EL DESARROLLO EMPRESARIAL... 59
ÍNDICE 1 PLANTEAMIENTO... 27 1.1 INTRODUCCIÓN... 28 1.2 OBJETIVOS DE LA TESIS... 29 1.2.1 OBJETIVO GENERAL... 30 1.2.2 OBJETIVOS ESPECÍFICOS... 31 1.3 HIPÓTESIS..31 1.4 ESTRUCTURA DE LA TESIS... 32 2 SOCIEDAD
Más detalles6. CONTRIBUCIÓN A LA FORMACIÓN PROFESIONAL Y FORMACIÓN GENERAL Esta disciplina contribuye al logro de los siguientes resultados de la carrera:
Universidad Católica San Pablo Facultad de Ingeniería y Computación Programa Profesional de Ciencia de la Computación SILABO CS360. Computación Bioinspirada (Electivo) 2012-2 1. DATOS GENERALES 1.1 CARRERA
Más detallesTema 9: Cálculo Deductivo
Facultad de Informática Grado en Ingeniería Informática Lógica PARTE 2: LÓGICA DE PRIMER ORDEN Tema 9: Cálculo Deductivo Profesor: Javier Bajo jbajo@fi.upm.es Madrid, España 24/10/2012 Introducción a la
Más detallesGuía Particular de Asignatura DATOS BÁSICOS DE LA ASIGNATURA DATOS BÁSICOS DE LOS PROFESORES DATOS ESPECÍFICOS DE LA ASIGNATURA
Guía Particular de Asignatura DATOS BÁSICOS DE LA ASIGNATURA NOMBRE: Robótica CÓDIGO: TIPO Optativa AÑO DE PLAN DE ESTUDIOS: 2004 CRÉDITOS: Totales Teóricos Prácticos L.R.U. 6 4.5 1.5 E.C.T.S. 3 1.65 CURSO:
Más detallesLógica. Matemática discreta. Matemática discreta. Lógica
Lógica Matemática discreta Lógica: rama de las matemáticas instrumento para representar el lenguaje natural proporciona un mecanismo de deducción 2 y de predicados Razonamientos Cálculo proposicional Cálculo
Más detallesInterpretación y Argumentación Jurídica
Interpretación y Argumentación Jurídica INTERPRETACIÓN Y ARGUMENTACIÓN JURÍDICA 1 Sesión No. 10 Nombre: La Argumentación Jurídica Contextualización Como ya se ha visto, un argumento es una afirmación que
Más detallesIngeniería en Industrias Alimentarias
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Diseños Experimentales Ingeniería en Industrias Alimentarias ALD-1007 (Créditos) SATCA: 2 3 5 2.- PRESENTACIÓN Caracterización
Más detallesPENDIENTES DE MATEMÁTICAS DE 3º ESO (CURSO )
PENDIENTES DE MATEMÁTICAS DE 3º ESO (CURSO 2015-2016) CRITERIOS E INDICADORES Se detallan a continuación los criterios de evaluación junto con sus indicadores de contenidos asociados. Criterio 1: Identificar
Más detallesLenguajes y Gramáticas
Lenguajes y Gramáticas Teoría de Lenguajes Fernando Naranjo Introduccion Se desarrollan lenguajes de programación basados en el principio de gramática formal. Se crean maquinas cada vez mas sofisticadas
Más detallesEDUCACIÓN SECUNDARIA
EDUCACIÓN SECUNDARIA Estimulación del Pensamiento Abstracto. Domínguez Torrejón, I. Madrid. ICCE. 2003. Agilización de Procesos Intelectuales para el desarrollo de funciones superiores del Lenguaje, la
Más detallesJava para no Programadores
Java para no Programadores Programa de Estudio Java para no Programadores Aprende a programar con una de las tecnologías más utilizadas en el mercado de IT. Este curso está orientado a quienes no tienen
Más detallesTeoría de Lenguajes. Clase Teórica 7 Autómatas de Pila y Lenguajes Independientes del Contexto Primer cuartimestre 2014
Teoría de Lenguajes Clase Teórica 7 Autómatas de Pila y Lenguajes Independientes del Contexto Primer cuartimestre 2014 aterial compilado por el Profesor Julio Jacobo, a lo largo de distintas ediciones
Más detallesPARCIAL DE INTELIGENCIA ARTIFICIAL
PARCIAL DE INTELIGENCIA ARTIFICIAL Marque con una cruz las respuestas correctas (no se aceptan tachaduras ni correcciones NO USAR LÁPIZ Tenga en cuenta: Item 18 a 21: Emparrillado (Anexo C Item 1 a 3:
Más detallesIntroducción a los Computadores (CNM-130) Estructuras selectivas en Matlab
Introducción a los Computadores (CNM-130) Estructuras selectivas en Matlab Alejandro Piedrahita H. Instituto de Matemáticas Facultad de Ciencias Exactas y Naturales Universidad de Antioquia Copyleft 2013.
Más detalles