Sistemas esxxpertos

Solo disponible en BuenasTareas
  • Páginas : 13 (3138 palabras )
  • Descarga(s) : 0
  • Publicado : 15 de diciembre de 2010
Leer documento completo
Vista previa del texto
II.1

Sistemas Basados en Reglas

1

Sistemas Basados en Reglas: Introducción
¿Qué son?
Programas diseñados para actuar como un experto humano en un dominio o área de conocimiento particular

Utilizan

Sistema Basado en Reglas
Adquirido

Experto Humano
Adquirido + Innato Teórico + Práctico Múltiples

Adquisición del conocimiento

Técnicas de la Inteligencia Artificial TeóricoCampo
Único

Conocimiento

Función

Explicación Siempre A veces Aportar soluciones a problemas o nuevo conocimiento Limitación de capacidad
Sí Sí, Idéntico Sí, no valuable No Finita

Ejemplos Reproducible

GPS, DENDRAL, Mycin-Tieresias, XCOM, etc… Vida Infinita
25/11/09

2

Sistemas Basados en Reglas: Arquitectura II
Componentes fundamentales:
– Una base de hechos – Una basede reglas de producción (a veces llamada base de conocimientos del dominio del sistema) – Una maquina deductiva (motor de inferencias)
Ventana de Hechos Menú de Sistemas de Encadenamiento Ventana de Reglas Sistema-1 Sistema-2 ...

25/11/09

4

II.1

Adquisición del Conocimiento

5

Adquisición del conocimiento
• Adquisición del conocimiento Traspaso del conocimiento de los expertos(o de las fuentes de conocimiento) en un dominio determinado hacia un formalismo de representación computable del conocimiento
FC1 Experto1
. . . .

Ingeniero del conocimiento

Conocimiento
25/11/09

¡

FCn

Experton
Dominio (hechos, relaciones, asociaciones) Proceso de resolución (heurísticas, métodos)
6 6

 

¡

Base de conocimiento

Metodologías para la adquisición deconocimiento
• Cómo obtener el conocimiento?
– Interacción con entrevistes – Técnicas basadas en el aprendizaje automático inductivo • Construcción de arboles de decisión: – Los nodos representan atributos. – Las ramas representan los posibles valores del atributo.
7 25/11/09 7

Aprendizaje automático inductivo
• Técnicas orientadas a problemas de análisis (clasificación/interpretación) • Elexperto expresa su conocimiento en una forma habitual para él: observaciones/ejemplos • Se transforma esta representación en la del sistema. • Se requiere una validación del experto.
8 25/11/09 8

Aprendizaje automático inductivo
• Ejemplo: datos sobre un gimnasio

9 25/11/09 9

Aprendizaje automático inductivo
• Objetivo: Agrupar objetos similares
– Hay poca información del dominio y sequiere obtener más.

• Técnicas:
– Métodos de agrupación (clustering)

• Ejemplo: se quieren hacer dos grupos:
– Clase 1 – Clase 2
10 25/11/09 10

• Objetivo : Clasificar nuevos “objetos” • Se empieza de una situación más informada, sabiendo que existen grupos ya definidos.

Aprendizaje automático inductivo

• Se determinan las características peculiares de cada grupo para 11 poderubicar un nuevo objeto en la clase que le corresponde.
25/11/09 11

Aprendizaje automático inductivo
• Métodos:
– Arboles de decisión:
CART, ID3, ASSISTANT, C4.5, C5.1

– Reglas de clasificación (ejemplo):
If Act1 is steps then Act2 is ioga

• Probabilidad de la regla: 0.9
12 25/11/09 12

Arboles de decisión
Tiene tos Nada Poca Tiene fiebre Sí No
Decisión 2

Mucha

Pulsoalterado Sí
Decisión 3

Tiene mucosidad Sí
Decisión 5

No
Decisión 4

No
Decisión 6

Decisión 1

13 25/11/09 13

ID3
• ID3 Induction Decision Tree •[Quinlan, 1979, 1986] • Técnica de aprendizaje automático • Inducción de arboles de decisión • Estrategia top-down
• A partir de un conjunto de ejemplos/ instancias y la clase a que pertenecen, crea el árbol de decisión mejor que expliquelas instancias.
14 25/11/09 14

ID3
Es un algoritmo voraz para la construcción automática de arboles de decisión, que selecciona en cada paso el mejor atributo. El mejor es el más discriminante (potencialmente más útil)

15 25/11/09 15

ID3
• El proceso de construcción es iterativo:
1)Se selecciona un subconjunto (ventana) de ejemplos del conjunto de entrenamiento (training). 2)Se...
tracking img