lunes, 29 de diciembre de 2014

INTRODUCCIÓN A LAS REDES NEURONALES



ESCUELA SUPERIOR POLITÉCNICA AGROPECUARIA DE MANABÍ
 “MANUEL FÉLIX LÓPEZ”

CARRERA INFORMÁTICA

SEMESTRE SEXTO                PERIODO OCT.-MAR./2015

INTELIGENCIA ARTIFICIAL I

TEMA:
INTRODUCCIÓN A LAS REDES NEURONALES


AUTOR:
CARLOS A. ZAMBRANO VIDAL


FACILITADORA:
ING. HIRAIDA SANTANA


MISIÓN
Formación de profesionales íntegros que conjuguen ciencia, tecnología y valores en su accionar, comprometidos con la sociedad en el manejo adecuado de programas y herramientas computacionales de última generación.


VISIÓN
Ser referente en la formación de profesionales de prestigio en el desarrollo de aplicaciones informáticas y soluciones de hardware.



CALCETA, 2014


INTRODUCCIÓN
Ahora vamos a conocer un poco más fondo sobre el inicio de las redes neuronales un poco de su historia y de su desarrollo como ha ido evolucionando en el medio y cuál es su función que cumple ya que las redes neuronales han tenido un avance importante con la inteligencia artificial y la tecnología.
INTRODUCCIÓN A LAS REDES NEURONALES

Aunque actualmente las máquinas de cómputo son capaces de efectuar millones de cálculos complejos en unos segundos, estas son incapaces de percibir una imagen o interpretar un sonido, es decir son incapaces de percibir características del medio. Esta deficiencia de los sistemas de cómputo secuenciales dio la pauta para que los investigadores y científicos buscaran la manera en que los sistemas de cómputo lograran trabajar con cierta similitud al desempeño del cerebro humano, esto por cuanto este órgano posee características muy deseables para un sistema de cómputo.
Hace más de 30 años, dichos científicos e investigadores, dieron inicio a un proceso de investigación en lo que se conoce hoy en día como inteligencia artificial y redes neuronales artificiales, sin embargo debido que las redes neuronales requieren grandes velocidades de procesamiento, la investigación en esta rama tuvo un rezago con respecto a la inteligencia artificial. No obstante hoy en día la velocidad de procesamiento ya no es un problema relevante, razón por la cual recientemente se han retomado las teorías e investigación en lo que gira en torno a las redes neuronales.
LAS REDES NEURONALES ARTIFICIALES

Las redes de neuronas artificiales consisten en neuronas .La neurona simulada se ve como un nodo conectado con otros mediante enlaces que corresponden a conexiones axón-sinapsis-dendrita. A cada enlace está asociado un peso, que determina la naturaleza e intensidad de la influencia de un nodo sobre otro. Es decir, la influencia de un nodo sobre otro es el producto de la salida de la neurona que influye por el peso del enlace que los conecta. Un peso positivo grande corresponde a una excitación fuerte y un peso negativo pequeño corresponde a una inhibición débil.
Función de Activación: es la función mediante la cual cada nodo combina las influencias separadas que recibe en sus enlaces de entrada en una influencia global.
Una sola función de activación pasa la suma de los valores de entrada a través de una función de umbral para determinar la salida del nodo, que puede ser 0 ó 1, dependiendo de si la suma de las entradas está por encima o por debajo del valor de umbral utilizado por la función de umbral de nodo.
CONCLUSIÓN

Bueno en si la neurona es la principal o la fundamental de una red neuronal, las redes neuronales son muy importante en el avance de diferentes proyectos de la inteligencia artificial ya que van ligados de la mano, también las redes neuronales su principal función es de conectar o comunicarse con otros tipos de redes neuronales. 

viernes, 28 de noviembre de 2014

LA NATURALEZA DEL ENTORNO


ESCUELA SUPERIOR POLITÉCNICA AGROPECUARIA DE MANABÍ
 “MANUEL FÉLIX LÓPEZ”

CARRERA INFORMÁTICA

SEMESTRE SEXTO                PERIODO OCT.-MAR./2015

INTELIGENCIA ARTIFICIAL I

TEMA:
LA NATURALEZA DEL ENTORNO


AUTOR:
CARLOS A. ZAMBRANO VIDAL


FACILITADORA:
ING. HIRAIDA SANTANA


MISIÓN
Formación de profesionales íntegros que conjuguen ciencia, tecnología y valores en su accionar, comprometidos con la sociedad en el manejo adecuado de programas y herramientas computacionales de última generación.


VISIÓN
Ser referente en la formación de profesionales de prestigio en el desarrollo de aplicaciones informáticas y soluciones de hardware.



CALCETA, 2014

INTRODUCCIÓN
Ahora vamos a conocer como los agentes inteligentes y sus propiedades del entorno en si como funcionan o trabajar en el entorno en que se encuentren vamos a ver los diferentes campos en los que se desenvuelven los agentes inteligentes en el medio y nos vamos a dar cuenta que no son iguales todos los entornos en los que trabajan varían dependiendo en el medio donde se encuentre.

LA NATURALEZA DEL ENTORNO
Ahora que se tiene una definición de racionalidad, se podría iniciar cautelosamente (debido a su natural complejidad ya explicada) la construcción de agentes racionales. El entorno sobre el cual los agentes se sitúan representa al conjunto de problemas para los cuales la existencia de estos pretende dar solución. Un análisis descriptivo de las características que conforman nuestro entorno hace simplificar el nivel de complejidad del entendimiento de las dificultades que entrañan los problemas derivados a objeto de estudio, y facilitan su comprensión de cara a la integración de los artefactos racionales sobre el mismo, determinando su diseño, implementación y  uso. Por ello, toda naturaleza del entorno se categoriza bajo una serie de principios o propiedades que reflejan de una manera u otra las condiciones sobre las cuales los agentes actuarían ante un problema concreto en la consecución de una solución. Se definen a continuación:
§  TOTALMENTE OBSERVABLE VS PARCIALMENTE OBSERVABLE
Se dice que un entorno de trabajo es totalmente observable si los sensores detectan todos los aspectos que son relevantes en la toma de decisiones y en las medidas de rendimiento. Este entorno es el más conveniente, ya que el agente no necesita mantener ningún estado interno para saber qué sucede en el exterior. Por otro lado el entorno puede ser parcialmente observable debido al ruido y a la existencia de sensores poco exactos o porque los sensores no reciben información de parte del sistema.


§  DETERMINISTA VS ESTOCÁSTICO
Si el siguiente estado del medio está totalmente determinado por el estado actual y la acción ejecutada por el agente, entonces el entorno es determinista; de otra forma es estocástico. En principio, un agente no se tiene que preocupar de la incertidumbre en un medio totalmente observable y determinista. Sin embargo, si el medio es parcialmente observable entonces puede parecer estocástico. Si el medio es determinista, excepto para las acciones de otros agentes, decimos que el medio es estratégico.

§  EPISÓDICO VS SECUENCIAL
En un entorno de trabajo episódico, la experiencia del agente se divide en episodios. Cada episodio consiste en la percepción del agente y la realización de una única acción posterior. Es muy importante saber que el siguiente episodio no depende de las acciones que se realizaron anteriormente y es que en los medios episódicos la elección de la acción en cada episodio depende sólo del episodio en sí mismo. Muchas tareas de clasificación son episódicas.


§  ESTÁTICO VS DINÁMICO
Si el entorno puede cambiar cuando el agente está deliberando, entonces se dice que el entorno es dinámico para el agente; de otra forma se dice que es estático. En los medios estáticos el agente no necesita estar pendiente del mundo mientras está tomando una decisión sobre una acción, ni necesita preocuparse sobre el tiempo transcurrido. Los medios dinámicos, por el contrario, preguntan continuamente al agente qué quiere hacer. Si no ha decidido aún, entonces se entiende que ha tomado la decisión de no hacer nada.

 

§  DISCRETO VS CONTINUO
La distinción entre discreto y continuo se puede aplicar al estado del medio, a la forma en la que se maneja el tiempo y a las percepciones y acciones del agente.
En este sentido, y valorando las definiciones teóricas que entrañan el cuerpo y forma de nuestro entorno como dominio del problema y desencadenante de una solución a través de agentes, la estructura del metro de Madrid se considera un medio parcialmente observable, puesto que el agente conocerá los aspectos relevantes en la toma de decisiones de los nodos contiguos a este, ligados por las correspondencias existentes entre estaciones/líneas, estocástico, ya que no se puede predecir que un tren pueda averiarse o si la infraestructura necesita de una rehabilitación o mantenimiento por urgencia sin previo aviso, secuencial, puesto que la decisión de avanzar por una estación creando una ruta puede afectar a decisiones futuras, estático, puesto que aunque el entorno puede cambiar cuando el agente está deliberando (inesperadamente se averían una o varias estaciones), se tomarán como ciertos y no modificables los datos a priori cargados de la base de datos (estructura de almacenamiento de datos remoto actualizada en todo momento con la situación global del entorno de la Red) sobre las disponibilidades o no de las estructuras que conforman el metro   – líneas y estaciones – en el inicio del cálculo, y discreto, porque, dado cualquier instante de tiempo t, consideraremos que los trenes se encuentran siempre ubicados en una estación a u otra b (0 o 1), y no desplazándose entre medias del tramo de línea que las conectan.


   §  AGENTE INDIVIDUAL VS MULTIAGENTE
La distinción entre el entorno de un agente individual y el de un sistema multiagente puede parecer suficientemente simple. Por ejemplo, un agente resolviendo un crucigrama por sí mismo está claramente en un entorno de agente individual, mientras que un agente que juega al ajedrez está en un entorno con dos agentes.



CONCLUSIÓN
Como conclusión los agentes o mejor dicho la existencia de los agentes inteligentes es muy productiva para el mayor desarrollo de lo que es la IA, porque, de esta forma se están dando grandes avances para llevar a cabo lo que siempre se ha querido alcanzar desde el principio, que es, que un agente artificial pueda reaccionar  y más que nada que aprenda continuamente como lo hace el ser humano y saber cómo se desenvuelven en los diferentes campos que vayan a estar dependiendo de su entorno ellos actuaran para dar su mejor desempeño.

BIBLIOGRAFÍA

Russell, S y Norvig, P. 2008. Inteligencia Artificial Un Enfoque Moderno. 2 ed. España. Pearson Education.
Ginsberg, M. (1993): Essentials of Artificial Intelligence. Morgan Kaufmann. En línea.
A Guerra. 2013, Agentes Inteligentes.  (En línea). EC. Consultado, 24 Noviembre. 2014. Formato PDF. Disponible en: http://www.uv.mx/aguerra/documents/2013-ia2-01.pdf

lunes, 24 de noviembre de 2014

BUEN COMPORTAMIENTO: EL CONCEPTO DE RACIONALIDAD



ESCUELA SUPERIOR POLITÉCNICA AGROPECUARIA DE MANABÍ
 “MANUEL FÉLIX LÓPEZ”

CARRERA INFORMÁTICA

SEMESTRE SEXTO                PERIODO OCT.-MAR./2015

INTELIGENCIA ARTIFICIAL I

TEMA:
BUEN COMPORTAMIENTO: EL CONCEPTO DE RACIONALIDAD


AUTOR:
CARLOS A. ZAMBRANO VIDAL


FACILITADORA:
ING. HIRAIDA SANTANA


MISIÓN
Formación de profesionales íntegros que conjuguen ciencia, tecnología y valores en su accionar, comprometidos con la sociedad en el manejo adecuado de programas y herramientas computacionales de última generación.


VISIÓN
Ser referente en la formación de profesionales de prestigio en el desarrollo de aplicaciones informáticas y soluciones de hardware.



CALCETA, 2014

INTRODUCCIÓN

En el tema anterior definimos que era un agente y cuáles eran sus capacidades ahora vamos a conocer con los siguientes conceptos que tan eficaces son ellos a continuación vamos a aprender a reconocer que tan inteligentes son y que estén dotados de racionalidad.

MEDIDAS DE RENDIMIENTO


Las medidas de rendimiento definen el grado de éxito del agente ante su forma de actuación racional sobre el entorno. Como ya hemos tratado anteriormente, las etapas de síntesis de resultados de un agente inteligente parten al ubicar a un agente en un medio, y cuando, tras captar secuencias de percepciones que vienen de éste, generar una secuencia de acciones. Esta secuencia de acciones hace que su hábitat pase por una secuencia de estados, que harán determinar cómo correcto el funcionamiento de un agente si la misma es la deseada; será labor del diseñador del agente, en este caso nuestra, de enfatizar en una serie de medidas de rendimiento ajustadas a nuestros propósitos y que eviten ambigüedades entorno a la optimalidad de la elección de las acciones y su consideración de mejores respecto a otras, labor que el propio agente no podría, en muchos casos, determinar.
RACIONALIDAD

La selección racional de acciones en un momento determinado sólo se basa en la información disponible por el agente, dependiente de cuatro factores:
§  La medida de rendimiento que define el criterio de éxito.
§ La secuencia de percepciones del agente hasta este momento, tomada como su experiencia con el entorno.
§  El conocimiento del medio a priori en el que se encuentra por el agente.
§  Capacidades: las acciones que el agente puede emprender en ese medio.
OMNISCIENCIA, APRENDIZAJE Y AUTONOMÍA

OMNISCIENCIA.- Un agente omnisciente conoce el resultado de su acción y actúa de acuerdo con él; sin embargo, en realidad la omnisciencia no es posible.
APRENDIZAJE.- Es el proceso a través del cual se adquieren o modifican habilidades, destrezas, conocimientos, conductas o valores como resultado del estudio, la experiencia, la instrucción, el razonamiento y la observación. Este proceso puede ser analizado desde distintas perspectivas, por lo que existen distintas teorías del aprendizaje. El aprendizaje es una de las funciones mentales más importantes en humanos, animales y sistemas artificiales.
AUTONOMÍA.- Cuando se apoya más en el conocimiento inicial que le proporciona su diseñador que en sus propias percepciones. Un agente racional debe ser autónomo, debe saber aprender a determinar cómo tiene que compensar el conocimiento incompleto o parcial inicial.

CONCLUSIÓN

En conclusión un agente es racional cuando hace lo correcto, y cuando hace lo correcto se refiere que haga lo que está destinado a hacer o lo que le dice su programación. También conocemos tres tipos de agentes, los Omniscientes que son los que predicen el futuro lo que va a pasar pero esto no esta comprobado, el Aprendiz es aquel que se basa en la experiencia son los que aprenden de su entrenamiento, y luego lo ponen en práctica y por ultimo el Autónomo que estos son aquellos que aprenden y hacen lo que ellos crean necesario o conveniente.
BIBLIOGRAFÍA

Ginsberg, M. (1993): Essentials of Artificial Intelligence. Morgan Kaufmann. En línea.
Wladimir, R. 2011. Agentes Inteligentes. Formato Pdf.
Russell, S y Norvig, P. 2008. Inteligencia Artificial Un Enfoque Moderno. 2 ed. España. Pearson Education.


AGENTES Y SU ENTORNO




ESCUELA SUPERIOR POLITÉCNICA AGROPECUARIA DE MANABÍ
 “MANUEL FÉLIX LÓPEZ”

CARRERA INFORMÁTICA

SEMESTRE SEXTO                PERIODO OCT.-MAR./2015

INTELIGENCIA ARTIFICIAL I

TEMA:
AGENTES Y SU ENTORNO


AUTOR:
CARLOS A. ZAMBRANO VIDAL


FACILITADORA:
ING. HIRAIDA SANTANA


MISIÓN
Formación de profesionales íntegros que conjuguen ciencia, tecnología y valores en su accionar, comprometidos con la sociedad en el manejo adecuado de programas y herramientas computacionales de última generación.


VISIÓN
Ser referente en la formación de profesionales de prestigio en el desarrollo de aplicaciones informáticas y soluciones de hardware.



CALCETA, 2014


INTRODUCCIÓN

Enfocando la IA desde la perspectiva del desarrollo de agentes inteligentes se puede considerar el nuevo reto a corto plazo. Los agentes son los encargados de resolver los problemas que se encuentran en el entorno y son muy fundamentales en el desarrollo de la IA.
MARCO TEÓRICO

AGENTE Y SU ENTORNO
Un agente inteligente, es una entidad capaz de percibir su entorno, procesar tales percepciones y responder o actuar en su entorno de manera racional, es decir, de manera correcta y tendiendo a maximizar un resultado esperado. Es capaz de percibir su medio ambiente con la ayuda de sensores y actuar en ese medio utilizando actuadores (elementos que reaccionan a un estímulo realizando una acción).


Con el término percepción se indica en este contexto que el agente puede recibir entradas en cualquier instante. La secuencia de percepciones por lo tanto no es otra cosa que el reflejo o el historial completo de lo que el agente ha recibido, y que en términos informales es tratado como “la experiencia” del mismo.
En general, un agente tomará una decisión en un momento dado dependiendo de la secuencia completa de percepciones hasta ese instante. Será entonces cuando, en función de las acciones realizadas por parte del agente sobre las correspondientes secuencias de percepciones recibidas y un conocimiento a priori sobre el entorno, cuando se podrá definir el papel de éste en el entorno. En términos matemáticos se puede decir que el comportamiento del agente viene dado por la función del agente que proyecta una percepción dada en una acción. Este comportamiento se entiende como una actividad que el agente racional en cada posible secuencia de percepciones, deberá emprender aquella acción que supuestamente maximice su medida de rendimiento, basándose en las evidencias aportadas por la secuencia de percepciones y en el conocimiento que el agente mantiene almacenado.

CONCLUSIÓN

Bueno en si se puede decir q un agente es la parte fundamental de la IA porque sin ellos no se podrían resolver los problemas se encuentra en el entorno y las percepciones del agente es la clave principal para poder detectar en el medio q clases de problemas existe y así dar una solución para poder resolverlo de la mejor forma.

BIBLIOGRAFÍA

A Guerra. 2013, Agentes Inteligentes.  (En línea). EC. Consultado, 24 Noviembre. 2014. Formato PDF. Disponible en: http://www.uv.mx/aguerra/documents/2013-ia2-01.pdf

J Pavón. 2010. Agentes Inteligentes. (En línea). EC. Consultado, 24 Noviembre. 2014. Formato PDF. Disponible en: http://www.fdi.ucm.es/profesor/jpavon/doctorado/arquitecturas.pdf


Russell, S y Norvig, P. 2008. Inteligencia Artificial Un Enfoque Moderno. 2 ed. España. Pearson Education.