Please enable JavaScript.
Coggle requires JavaScript to display documents.
Introducción a la Inteligencia Artificial (1.4 Ramas de la inteligencia…
Introducción a la Inteligencia Artificial
¿Qué es la Inteligencia Artificial?
Sistemas Biologicos
La máquina cognitiva biológica con mayor complejidad e inteligencia hasta ahora conocida, el cerebro humano, se estudia desde distintas perspectivas
Sistemas Artificiales
La inteligencia artificial como campo de estudio comprende entonces elementos teóricos, relacionados con la definición de inteligencia y la medición de que tan inteligente es un sistema, para la cual de paso, uno de los precursores de las ciencias computacionales, Alan Turing, propuso la conocida prueba de Turing
1.1 Sistemas Inteligentes de procesamiento simbólico
La inteligencia artificial clásica se basa en las operaciones lógicas o inferencias sobre el conocimiento declarativo, el cual consiste en una serie de sentencias o predicados, los cuales componen el nivel del conocimiento.
1.2 Sistemas Inteligentes de procesamiento subsimbólico
Este enfoque propone que actividades cognitivas cotidianas en el ser humano, por ejemplo la
comunicación oral o el reconocimiento de rostros, no puede descomponerse en un alfabeto finito de símbolos o lexicons, por lo que la unidad básica de información es la señal
1.3 El modelo de agente
Un agente es una entidad o sistema el cuál percibe estímulos del entorno, a través de uno o más sensores, para según tales estímulos y de forma opcional un estado del agente, planificar una o más acciones a futuro, las cuales son realizadas por uno o más actuadores
1.4 Ramas de la inteligencia Artificial
Representacion del conocimiento
Modelos computacionales con convenciones de descripción de objetos, relaciones y proceso en el mundo
Aprendizaje automático
Estudio, diseño e implementación de algoritmos que aprenden a partir de conjuntos de datos, referidos como datos de entrenamiento, construyendo un modelo que permita realizar estimaciones a partir de nuevos casos
Enfoques
El enfoque Lógico
Inspirado en el paradigma simbólico, con técnicas como los árboles de decisión.
El enfoque Probabilístico
Basados en la estadística bayesiaba, ejemplos de técnicas son las cadenas de markov y los modelos basadis en la maximización de la verosimilitud
El enfoque geométrico
Los modelos geométricos tienen por objetivo construir superficies de decisión en espacios de n dimensiones, usualmente utilizando técnicas de optimización para definir los parámetros de tales superficies.
Busqueda heurística y optimización
Se refiere a técnicas que implementan heurísticas o estimaciones de estados más cercanos al estado meta en un problema de búsqueda
Daniela Porras Quirós
2015071255