Aprendizaje, razonamiento probabilístico, lógicas multivaluadas y lógica difusa.

                                 Instituto Tecnológico de Comitán

 

Ingeniería en

Sistemas Computacionales

 

Asignatura:

Inteligencia Artificial

Docente:

Ing. Mónica Laurent León Juárez

 

Datos:

Ana Lía Gómez Gómez 20700600

Aprendizaje: En inteligencia artificial, el aprendizaje automático (machine learning) es un enfoque que permite a las máquinas aprender patrones a partir de datos sin ser programadas explícitamente. Hay diferentes tipos de aprendizaje, como el supervisado (donde se proporcionan ejemplos etiquetados), el no supervisado (donde el algoritmo encuentra patrones por sí mismo) y el refuerzo (donde el sistema aprende a través de la interacción con un entorno).

Razonamiento Probabilístico: En IA, el razonamiento probabilístico se basa en la teoría de la probabilidad para representar y manejar la incertidumbre en los datos y las decisiones. Se utilizan modelos probabilísticos como las redes bayesianas y los campos aleatorios de Markov para realizar inferencias sobre estados ocultos o desconocidos a partir de datos observados.

Lógicas Multivaluadas y Difusa: En IA, la lógica difusa se utiliza para modelar la imprecisión y la incertidumbre en los datos y las reglas. A diferencia de la lógica clásica, que solo tiene dos valores de verdad (verdadero o falso), la lógica difusa permite que las proposiciones tengan grados de verdad que van de 0 a 1, lo que permite una representación más cercana a la forma en que los humanos razonan en situaciones ambiguas.

Redes Bayesianas: En IA, las redes bayesianas son modelos gráficos probabilísticos que representan las relaciones entre un conjunto de variables mediante un grafo dirigido acíclico. Se utilizan para modelar la dependencia entre variables y para hacer inferencias probabilísticas sobre estados desconocidos a partir de datos observados y conocimientos previos.

Estas técnicas y conceptos son fundamentales en la inteligencia artificial moderna y se utilizan en una amplia variedad de aplicaciones, desde sistemas de recomendación hasta diagnóstico médico asistido por ordenador y control de sistemas inteligentes.

Para crear un modelo de red bayesiana para un problema de diagnóstico en inteligencia artificial, primero necesitamos identificar las variables relevantes y sus posibles estados. Luego, establecemos las relaciones probabilísticas entre las variables. A continuación, te presento un ejemplo básico de cómo se podría estructurar un modelo de red bayesiana para el diagnóstico de una enfermedad ficticia llamada "Enfermedad X" basado en tres síntomas ficticios: fiebre, tos y fatiga.

1. Identificar las variables:

   • Enfermedad X: Variable que representa si el paciente tiene o no la enfermedad X. Puede tomar dos valores: "Sí" o "No".
   • Fiebre: Variable que representa si el paciente tiene fiebre. Puede tomar dos valores: "Sí" o "No".
   • Tos: Variable que representa si el paciente tiene tos. Puede tomar dos valores: "Sí" o "No".
   • Fatiga: Variable que representa si el paciente tiene fatiga. Puede tomar dos valores: "Sí" o "No".

2. Establecer las relaciones probabilísticas:

   • La fiebre puede ser causada por la Enfermedad X, pero también puede ser causada por otras enfermedades. Establecemos una probabilidad condicional P(Fiebre | Enfermedad X) alta, por ejemplo, P(Fiebre = Sí | Enfermedad X = Sí) = 0.9, y una probabilidad P(Fiebre | Enfermedad X) baja cuando no hay Enfermedad X, por ejemplo, P(Fiebre = Sí | Enfermedad X = No) = 0.1.
   • De manera similar, establecemos relaciones probabilísticas para la tos y la fatiga en función de si el paciente tiene o no la Enfermedad X.