APLICACIONES DE INTELIGENCIA ARTIFICIAL

1. APLICACIONES DE INTELIGENCIA ARTIFICIAL POR: BERAUN LUQUE JORGE MAGAÑA LOPEZ MANUEL ALEJANDRO

2. RECONOCIMIENTO DE PATRONES Definición: también llamado lectura de patrones, identificación de figuras y reconocimiento de formas es el reconocimiento de patrones en señales. El objetivo es clasificar patrones con base en un conocimiento a priori o información estadística extraída de los mismos. Los patrones a clasificar suelen ser grupos de medidas u observaciones, definiendo puntos en un espacio apropiado. • Elementos que conforman un sistema de reconocimiento de patrones: • Sensor • Sistema de extracción de características • Sistema de clasificación.

3. RECONOCIMIENTO DE PATRONES Esquema general de análisis de imágenes

4. RECONOCIMIENTO DE PATRONES Últimos avances Sistemas de reconocimiento de venas (Biométrica) ALGO

5. MANEJO DE INCERTIDUMBRE En situaciones reales, no siempre es posible contar con toda la información, inclusive la información disponible puede ser incorrecta, incompleta o cambiar muy rápidamente. Todo esto da lugar a diferentes formas de inconsistencia e incertidumbre. Diversos métodos han sido desarrollados para evaluar los grados de certeza o de verdad de las conclusiones. Uno de los más generalizados consiste en asignar coeficientes de certeza o de confianza a los hechos que intervienen en las condiciones y en la conclusión de una regla..

6. MANEJO DE INCERTIDUMBRE Los principales modelos desarrollados son: Modelo estadístico - probabilístico: La técnica más antigua y mejor definida para manejar la incertidumbre es la Regla de Bayes, la misma que está basada en la teoría clásica de la probabilidad. Las hipótesis son más o menos probables dependiendo de las posibilidades de los hechos o evidencias que las sostienen. La probabilidades se calculan en base a la fórmula general de la probabilidad condicionada de Bayes o alguna transformación de la misma.

7. MANEJO DE INCERTIDUMBRE • El procedimiento para el modelo probabilístico es el siguiente: • El factor de un conjunto de condiciones unidas por el operador lógico Y (AND) es igual al producto de cada una de las evidencias que intervienen. • El factor de un conjunto de condiciones unidas por el operador lógico O (OR) es igual al complementario del producto de los complementarios de cada una de las evidencias que intervienen. • Para el cálculo del coeficiente de la regla se aplica la Regla de Bayes: • Donde, P es la probabilidad, C son las conclusiones o resultados, H son los hechos o evidencias, i es una conclusión determinada, j es una variable que va de 1 al número de conclusiones posibles. Para aplicar esta fórmula, las conclusiones deben ser excluyentes y completas.

8. MANEJO DE INCERTIDUMBRE Modelo aproximado. Debido a la limitación que se tiene en la mayoría de los casos prácticos de no disponer de una gran cantidad de datos históricos, obligó al desarrollo de un método de inferencia aproximado, que en general proporcione resultados exactos aún cuando estén basados en datos limitados. A este se lo denominó el formalismo del factor de certeza. Los resultados son más o menos ciertos en función de la certeza o falsedad de los hechos y conocimientos utilizados. Los factores de certeza que van asociados a los predicados, por lo general pueden ir de 0 a 100.

9. MANEJO DE INCERTIDUMBRE • El procedimiento a seguirse en el modelo aproximado es el siguiente: • El factor de un conjunto de condiciones unidas por el operador lógico Y (AND) es igual al mínimo de los factores que intervienen. • El factor de un conjunto de condiciones unidas por el operador lógico O (OR) es igual al máximo de los factores que intervienen. • El factor de certeza de una conclusión es igual al producto del factor de certeza de las condiciones por el de la regla. • Para el cálculo del coeficiente resultante de la totalidad de reglas que se han encadenado en la deducción de un hecho, se aplican la siguiente relación:

10. MANEJO DE INCERTIDUMBRE Modelo de lógica difusa. Los conjuntos difusos nos proporcionan bloques constructivos para resolver problemas complejos e imprecisos del mundo real. Por ejemplo, la variable lingüística es una herramienta poderosa para procesar lenguaje natural impreciso y difuso. Se constituye en un puente entre el mundo numérico preciso y la forma difusa en que los humanos nos expresamos. Las variables lingüísticas son similares a las variables numéricas ya que tienen ciertos valores asociados a ellas. Pero, a diferencia de las variables numéricas, los valores de las variables lingüísticas no son números sino expresiones del lenguaje natural que describen alguna cantidad abstracta de interés. Estas expresiones del lenguaje natural son los nombres de conjuntos difusos que consisten de valores numéricos. A estos conjuntos difusos, se los llama también restricciones difusas.

11. RESOLUCION DE PROBLEMAS Para construir un sistema que resuelva un sistema específico, es necesario: 1- Definir el problema formalmente con precisión.El primer paso para diseñar un programa que resuelva un problema es crear una descripción formal y manejable del propio problema. Sería adecuado contar con programas que produzcan descripciones formales a partir de descripciones informales, proceso denominado operacionalización. 2- Analizar el problema. Luego de definir el problema formalmente, el segundo paso en la resolución del problema es el análisis del mismo. A fin de poder elegir el método más apropiado para resolver un problema particular, es necesario analizar distintas cuestiones que afectan a al definición del mismo y a las características de la solución deseada

12. RESOLUCION DE PROBLEMAS Para construir un sistema que resuelva un sistema específico, es necesario: 3- Representar el conocimiento necesario para resolver el problema, es un conjunto de convenciones sobre la forma de describir algún tipo de cosa. El hallar una representación apropiada es una parte fundamental de la resolución de un problema. 4- Elegir la mejor técnica que resuelva el problema y aplicarla. Las técnicas de solución de problemas en IA, en general, incorporan un proceso de búsqueda. Todo proceso de búsqueda puede ser visualizado como el recorrido por un árbol en el que cada nodo representa un estado y cada rama representa las relaciones entre los estados cuyos nodos conecta

13. Bibliografía: Reconocimiento de patrones: http://es.wikipedia.org/wiki/Reconocimiento_de_patrones http://www.gts.tsc.uvigo.es/pi/Reconocimiento.pdf Manejo de Incertidumbre: http://www.monografias.com/trabajos/iartificial/ http://www.auai.org Resolución de problemas: http://www.monografias.com/trabajos/iartificial/pagina2_1.htm

14. Preguntas ¿Cuáles son los elementos que conforman un sistema de reconocimiento de patrones? ¿Cual es la técnica mas antigua y mas completa para manejar la incertidumbre? ¿Cual es el factor de certeza? ¿Cual es el proceso llamado operacionalizacion? Luego de definir el problema formalmente, cual es el segundo paso?