Dra. Rosa María Rodríguez Aguilar Unidad Académica Profesional Nezahualcóyotl Lic. en Ingeniería en Sistemas Inteligentes Unidad de aprendizaje: Evaluación e Interpretación del Conocimiento Tema: 1.2 Descripción de la evaluación e interpretación del conocimiento Today we are going to present our project called Basic Operations tutor system Dra. Rosa María Rodríguez Aguilar

DIRECTORIO DE LA UAP-NEZAHUALCÓYOTL Mtro. en E.U.R. Héctor Campos Alanís Coordinador Dr. Darío Ibarra Zavala Subdirector Académico Lic. Alfredo Ríos Flores Subdirector Administrativo Dra. en C.S. María Luisa Quintero Soto Coordinadora de Investigación y Estudios Avanzados Lic. en A. Víctor Manuel Durán López Jefe de Planeación y Desarrollo Institucional Dr. Rafael Alberto Durán Duarte Coordinador de la Lic. en Comercio Internacional Dra. Georgina Contreras Landgrave Coordinadora de la Lic. en Educación para la Salud Dr. Ricardo Rico Molina Coordinador de Ingeniería en Sistemas Inteligentes Dr. Noé Gaspar Sánchez Coordinador de Ingeniería en Transporte Mtro. Erick Nicolás Cabrera Álvarez Coordinador de la Lic. En Seguridad ciudadana DIRECTORIO UAEM Dr. en D. Jorge Olvera García Rector Dr. Alfredo Barrera Baca Secretario de docencia Dra. Ángeles Ma. Del Rosario Pérez Bernal Secretaria de Investigación y Estudios Avanzados Mtro. José Benjamín Bernal Suárez Secretario de Rectoría Mtra. Ivett Tinoco García Secretaria de Difusión Cultural Mtro. Ricardo Joya Cepeda Secretario de Extensión y Vinculación Mtro. Javier González Martínez Secretario de administración Dr. Manuel Hernández Luna Secretario de Planeación y Desarrollo Institucional Dr. Hiram Raúl Piña Libien Abogado General Lic. en Com. Juan Portilla Estrada Director General de Comunicación Universitaria 

Ubicación de la asignatura de Evaluación e interpretación del conocimiento, dentro del programa de la Lic. en Ing. en Sistemas Inteligentes ma de la Lic. en Ing. en Sistemas Inteligentes

Temario Unidad 1. Introducción a la evaluación e interpretación del conocimiento 1.1 Introducción al aprendizaje automático 1.2 Descripción de la evaluación e interpretación del conocimiento   Unidad 3. Técnicas de Clasificación No Supervisada 3.1 Algoritmos de clasificación por vecindad. 3.2 Árboles de Clasificación 3.3 Redes Bayesianas 3.4 Redes Neuronales 3.5 Redes de Markov 3.6 Máquinas de Vectores de Soporte Unidad 2. Técnicas de evaluación  2.1. Métodos de validación 2.2. Evaluación de regresión logística 2.3. Comparación de técnicas de aprendizaje. 2.4 Evaluación de modelos de Clustering 2.5 Evaluación de reglas de asociación 2.6 Otros criterios 2.7 Introducción a herramientas de evaluación Unidad 4. Paradigmas complementarios del Aprendizaje No Supervisado 4.1 Introducción a los Algoritmos evolutivos (Genéticos), 4.2 Clasificadores evolutivos

Evaluación e interpretación del conocimiento Contenido Sintético Evaluación e interpretación del conocimiento Unidad 1. Introducción a la evaluación e interpretación del conocimiento 1.1 Introducción al aprendizaje automático 1.2 Descripción de la evaluación e interpretación del conocimiento

Objetivo El alumno conocerá los elementos necesarios para la generación de las estructuras para el funcionamiento de los sistemas inteligentes.

Introducción La representación del conocimiento es determinante para el funcionamiento en los sistemas inteligentes. Gran parte de su “inteligencia” radica en que son capaces de tratar con conocimiento, y su tratamiento depende en muchos casos de la consecución de sus resultados satisfactorios.

Representación del conocimiento Definición “ Una regla es una afirmación lógica que relaciona dos o más objetos e incluye dos partes, la premisa y la conclusión. Cada una de estas partes consiste en una expresión lógica con una o más afirmaciones objetovalor conectadas mediante los operadores lógicos “y”, “o”, o “no””.

Representación del conocimiento Sintaxis de reglas Una regla se escribe como: “si premisa, entonces conclusión”. Una expresión lógica que contiene sólo una afirmación objeto-valor se denomina Expresión Lógica Simple, como la siguiente: Regla 1: si examen > 9,0 entonces calificación = sobresaliente. En caso contrario, la expresión se denomina Expresión Lógica Compuesta: Regla 2: si proyecto > 2,0 o examen > 7,0 , entonces admitir = si y notificar = si.

Representación del conocimiento (características) La representación del conocimiento debe contener las siguientes características: ●Ser fácil de modificar por procedimientos manuales o mediante técnicas automáticas. ●Permitir la incorporación de un nuevo conocimiento de forma sencilla. ●Facilitar la detección de incoherencias y faltas de tolerancia. ●Reutilización de procedimientos, sentencias, etc.

Representación del conocimiento Unificación Consiste en tomar dos sentencias, comparar los predicados con el mismo nombre y comprobar si sus términos (argumentos) se pueden unificar, es decir, encontrar alguna sustitución para hacerlos idénticos.

Representación del conocimiento Unificación Consiste en tomar dos sentencias, comparar los predicados con el mismo nombre y comprobar si sus términos (argumentos) se pueden unificar, es decir, encontrar alguna sustitución para hacerlos idénticos. Por ejemplo: 1) Gusta (X,Y). 2) Gusta (Robótica, cocido) 3) Gusta (LaZarzuela, helado).

Representación del conocimiento Unificación Consiste en tomar dos sentencias, comparar los predicados con el mismo nombre y comprobar si sus términos (argumentos) se pueden unificar, es decir, encontrar alguna sustitución para hacerlos idénticos. Por ejemplo: 1) Gusta (X,Y). 2) Gusta (Robótica, cocido) 3) Gusta (LaZarzuela, helado). Se pueden unificar las sentencias 2 con la 1 si: Robótica => X Cocido => Y.

Representación del conocimiento Unificación Consiste en tomar dos sentencias, comparar los predicados con el mismo nombre y comprobar si sus términos (argumentos) se pueden unificar, es decir, encontrar alguna sustitución para hacerlos idénticos. Por ejemplo: 1) Gusta (X,Y). 2) Gusta (Robótica, cocido) 3) Gusta (LaZarzuela, helado). Se pueden unificar las sentencias 3 con la 1 si: LaZarzuela => X helado => Y.

Representación del conocimiento Reglas Las reglas de producción que se enuncian de la forma if-then son la forma más popular de representación el conocimiento en un paradigma declarativo.

Representación del conocimiento Reglas Las reglas de producción que se enuncian de la forma if-then son la forma más popular de representación el conocimiento en un paradigma declarativo. Este tipo de representación resulta muy cercano al operador humano y se puede entender fácilmente.

Representación del conocimiento Reglas Las reglas de producción que se enuncian de la forma if-then son la forma más popular de representación el conocimiento en un paradigma declarativo. Este tipo de representación resulta muy cercano al operador humano y se puede entender fácilmente. Cada regla es una unidad de conocimiento de una base de conocimiento.

Representación del conocimiento Reglas Las reglas de producción que se enuncian de la forma if-then son la forma más popular de representación el conocimiento en un paradigma declarativo. Este tipo de representación resulta muy cercano al operador humano y se puede entender fácilmente. Cada regla es una unidad de conocimiento de una base de conocimiento. Su configuración permite construir sistemas en los que puede ser fácil incorporar o modificar información, modificando las reglas individualmente.

Representación del conocimiento Reglas Una regla de producción se puede enunciar como: si antecedente entonces consecuente

Representación del conocimiento Reglas Una regla de producción se puede enunciar como: si antecedente entonces consecuente El antecedente o las premisas son el conjunto de condiciones que se deben de satisfacer en el dominio de la aplicación a evaluar. El consecuente es el conjunto de conclusiones o acciones que se derivan del antecedente.

Representación del conocimiento Reglas Si tema_interesante = robots y horario_robótica = posible entonces asignatura_elegida = robótica.

Representación del conocimiento Reglas Si tema_interesante = robots y horario_robótica = posible entonces asignatura_elegida = robótica. Dependiendo de la situación de las cláusulas antecedentes se pueden usar para generar nueva información (imperativa) o probar la veracidad (declarativa).

Representación del conocimiento Reglas Si tema_interesante = robots y horario_robótica = posible entonces asignatura_elegida = robótica. Dependiendo de la situación de las cláusulas antecedentes se pueden usar para generar nueva información (imperativa) o probar la veracidad (declarativa). Declarativa Imperativa

Representación del conocimiento Reglas Si tema_interesante = robots y horario_robótica = posible entonces asignatura_elegida = robótica. Dependiendo de la situación de las cláusulas antecedentes se pueden usar para generar nueva información (imperativa) o probar la veracidad (declarativa). Declarativa Imperativa Encadenamiento hacia adelante Encadenamiento hacia atrás

Representación del conocimiento Regla Si se necesita verificar varias reglas como parte de los antecedentes, se requiere de una estrategia de control para que decida en que orden lo harán. R1, R2, ... Ri Base de reglas

Representación del conocimiento Regla Si se necesita verificar varias reglas como parte de los antecedentes, se requiere de una estrategia de control para que decida en que orden lo harán. R1, R2, ... Ri Base de reglas Estas reglas pueden estar descritas por alguna palabra que permite una rápida identificación de las mismas. Nos indica la ruta que se ha activado para llegar a cierta conclusión y lo añade como conocimiento al sistema.

Representación del conocimiento Reglas Regla 1: si curso = 4 entonces ciclo_estudios = segundo. Regla 2: si curso = 5 entonces ciclo_estudios = segundo. Regla 3: si (curso = 4 or curso = 5) entonces ciclo_estudios = segundo. ¿Qué tienen en común?

Representación del conocimiento Reglas Regla 1: si curso = 4 entonces ciclo_estudios = segundo. Regla 2: si curso = 5 entonces ciclo_estudios = segundo. Regla 3: si (curso = 4 or curso = 5) entonces ciclo_estudios = segundo. Algunos sistemas basados en conocimiento permiten unir sus cláusulas antecedentes mediante disyunciones (or) para reducir el tamaño de la base de las reglas.

Representación del conocimiento Reglas Regla 1: si curso = 4 entonces ciclo_estudios = segundo. Regla 2: si curso = 5 entonces ciclo_estudios = segundo. Regla 3: si (curso = 4 or curso = 5) entonces ciclo_estudios = segundo. Nos basta con la Regla 3.

Representación del conocimiento Reglas Regla 1: si curso = 4 entonces ciclo_estudios = segundo. Regla 2: si curso = 5 entonces ciclo_estudios = segundo. Regla 3: si (curso = 4 or curso = 5) entonces ciclo_estudios = segundo. También se permiten el uso de operadores booleanos para expresar sus relaciones.

Representación del conocimiento Reglas Regla 1: si curso = 4 entonces ciclo_estudios = segundo. Regla 2: si curso = 5 entonces ciclo_estudios = segundo. Regla 3: si (curso = 4 or curso = 5) entonces ciclo_estudios = segundo. Regla 4: si (curso > 3 and curso < 6) entonces ciclo_estudios = segundo.

Representación del conocimiento Reglas También pueden definirse acciones o aserciones simultaneas. Por ejemplo si tema_interesante = robots y horario_robótica = posible entonces asignatura_elegida = robótica y acción_a_realizar = inscribirse. Afirmación (declarativo) Acción (imperativo)

Representación del conocimiento Reglas Se pueden incorporar a la sintaxis de las reglas el grado de confianza o factor certeza (CF, probabilidad). Aplicaciones que tratan con incertidumbre. Para añadir un factor de certeza que pondere la conveniencia de una regla.

Representación del conocimiento Reglas Se pueden incorporar a la sintaxis de las reglas el grado de confianza o factor certeza (CF, probabilidad). Aplicaciones que tratan con incertidumbre. Para añadir un factor de certeza que pondere la conveniencia de una regla. si (realización_examen = floja) y (criterio_corrección_estricto > 80%) entonces (posibilidad_suspenso = alta) con CF = 90.

Representación del conocimiento Reglas si antecedente entonces consecuente Funciones Se denominan sensores porque revisan una condición del entorno.

Representación del conocimiento Reglas si antecedente entonces consecuente Funciones Son denominadas sensores porque permiten expandir la capacidad de actuación del sistema basado en conocimiento.

Representación del conocimiento Reglas si antecedente entonces consecuente Funciones Son denominadas sensores porque permiten expandir la capacidad de actuación del sistema basado en conocimiento. Los hechos se convierten en acciones

Representación del conocimiento Reglas si sensor(detecta_obstáculo) entonces actuador(para_robot) Las instancias aparecen explícitamente

Representación del conocimiento Reglas si sensor(detecta_obstáculo) entonces actuador(para_robot) Las instancias aparecen explícitamente Para dotar de capacidad de generalización a las reglas se utilizan variables, que admiten como posibles valores distintos datos.

Representación del conocimiento Reglas si sensor(detecta_obstáculo) entonces actuador(para_robot) Las instancias aparecen explícitamente Para dotar de capacidad de generalización a las reglas se utilizan variables, que admiten como posibles valores distintos datos. Todos los alumnos de informática son estudiosos. ∀x, alumno_informática (x) => estudioso(x)

Representación del conocimiento Reglas Todos los alumnos de informática son estudiosos. si ?x alumno_informática entonces ?x es estudioso

Representación del conocimiento Reglas Algunas dificultades: ●Cuando el número de reglas es muy elevado resulta muy difícil interpretarlas. Es por eso que éstas se agrupan en bloques de conocimiento según hagan relación a sus aspectos específicos del dominio. ●Actualización de información. Mantener la consistencia en una base de reglas cuando se añade información en forma de nuevas reglas, o se modifican, por ejemplo los consecuentes de algunas de ellas.

Conclusiones Hasta este punto se han visto las estructuras y sintaxis para poder empezar a implementar pequeñas aplicaciones de software, que permitan comparar su simpleza y eficiencia, así como la verificación de poderlos modificar.

Referencias Bibliográficas Gonzalo Pajares Martinsanz, Matilde Santos Peñas. (20006). Inteligencia Artificial e Ingeniería del Conocimiento. Madrid España. Editorial Alfaomega RA-MA. Basilio Sierra Araujo. (2006). Aprendizaje Automático: conceptos básicos y avanzados. Madrid España. Editorial Pearson Educación, S.A.