Tópicos Selectos en Inteligencia Artificial: Razonamiento Aproximado
Objetivo:
El tratamiento de la incertidumbre constituye uno de los campos fundamentales de la Inteligencia Artificial (IA), ya que está presente en todas las aplicaciones de la IA (sistemas expertos, control automático, aprendizaje por una máquina, etc). En el curso se estudiarán los diferentes modelos de razonamiento aproximado; se desarrollará una base de conocimientos; y se diseñará y construirá un prototipo que muestre el razonamiento aproximado, de acuerdo con alguno de los modelos estudiados.
Contenido:
- Introducción
- Fuentes de incertidumbre
- Evolución histórica del razonamiento incierto
- Conjuntos, algebra y estadística borrosa
- Modelo probabilista clásico
- Conceptos sobre probabilidad
- Independencia, correlación y casualidad
- Teorema de Bayes
- Ejemplos de sistemas
- Redes bayesianas
- Definición de red bayesiana
- Algoritmos de propagación
- Tipo de reglas válidas
- Prospector como ejemplo clásico
- Modelo de factores de certeza
- Definición de los factores de certeza
- Propagación de la incertidumbre en una red de inferencia
- Creencia absoluta y actualización de creencias
- MYCIN como ejemplo clásico
- Modelo posibilista
- Teoría de la posibilidad
- Proposiciones clásicas, vagas y compuestas
- Patrones de inferencia
- Tratamiento de la vaguedad e incertidumbre en las reglas
- Teoría de la posibilidad vs teoría de la probabilidad
- Milord como ejemplo clásico
Bibliografía:
- Gerla, Giangiacomo (2001) Fuzzy logic : mathematical tools for approximate reasoning,
- Leondes, Cornelius T. ed. (2000) Knowledge-based systems : techniques and applications,
- Pearl, Judea, (1986) A constraint- propagation approach to probabilistic reasonning, in Kanal L. N. & Lemmer J.F. (eds) Uncertainty in Artificial Intelligence, North-Holland, Amsterdam, 357-369
- Zadeh L. A. (1983) The Role of Fuzzy Logic in the Management of Uncertainty in Expert Systems, Fuzzy Sets and Systems, 11, pp 199-277.
- Zadeh L. A. (1979) A Theory of Approximate Reasoning, Machine Intelligence, 9. pp. 149-194.
