representación del conocimiento y razonamiento- sergio alvarez
TRANSCRIPT
8/16/2019 Representación Del Conocimiento y Razonamiento- Sergio Alvarez
http://slidepdf.com/reader/full/representacion-del-conocimiento-y-razonamiento-sergio-alvarez 1/26
ASIGNATURA:
Inteligencia artificial
“ investigacion”
PRESENTA:
No. CONTROL NOMBRE SEMESTRE
121k0008 Alvarez Jimenez Sergio 8A
CARRERA:
INGENIERÍA EN SISTEMAS COMPUTACIONALES
DOCENTE:
Ing. Placido Balam Can
FELIPE CARRILLO PUERTO, QUINTANA ROO, MÉXICO.
viernes, 18 de marzo de 2016
8/16/2019 Representación Del Conocimiento y Razonamiento- Sergio Alvarez
http://slidepdf.com/reader/full/representacion-del-conocimiento-y-razonamiento-sergio-alvarez 2/26
Unidad 3 Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 2 | 26
Índice
Introducción ........................................................................................................................................ 3
Unidad 3 Representación del conocimiento y razonamiento ............................................................ 43.1- Sistemas basados en conocimiento. ........................................................................................ 4
3.1.1. Concepto de conocimiento. .............................................................................................. 5
3.1.2. Lenguajes utilizados en la representación de conocimiento. ........................................... 6
3.2. Mapas conceptuales................................................................................................................. 9
3.3. Redes semánticas. .................................................................................................................. 10
3.4. Lógica de predicados. ............................................................................................................. 12
3.4.1. Sintaxis. ........................................................................................................................... 15
3.4.2. Semántica. ....................................................................................................................... 16
3.4.3. Validez. ............................................................................................................................ 17
3.4.4. Inferencia. ....................................................................................................................... 17
3.5. Razonamiento con incertidumbre.......................................................................................... 19
3.5.1. Aprendizaje. .................................................................................................................... 20
3.5.2. Razonamiento probabilístico. ......................................................................................... 21
3.5.3. Lógicas multivaluadas. .................................................................................................... 21
3.5.4. Lógica difusa. ................................................................................................................... 22
3.6. Demostración y métodos. ...................................................................................................... 22
Conclusión ......................................................................................................................................... 25
Fuentes de consulta .......................................................................................................................... 26
8/16/2019 Representación Del Conocimiento y Razonamiento- Sergio Alvarez
http://slidepdf.com/reader/full/representacion-del-conocimiento-y-razonamiento-sergio-alvarez 3/26
Unidad 3 Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 3 | 26
Introducción
Cualquier modelo de representación del conocimiento incluye de una manera u otrael hecho de que una entidad esté compuesta por distintos elementos de diversostipos (como otras entidades). Este encapsulamiento puede verse como estructurasdentro de otras estructuras, o mediante la jerarquización por medio de relacionesentre distintas estructuras que se contienen unas a otras. Los sistemas basados en
conocimiento surgen como una evolución de los paradigmas de programación a lolargo de la historia de la informática.
Jackson define al conocimiento como un sistema que resuelve problemas utilizandouna representación simbólica del conocimiento humano''.
En este documento se podrá apreciar cómo se representa el conocimiento, suestructuración es la mejor manera de dar el entendimiento del tema, se abarcanlos siguientes temas:
Sistemas basados en conocimiento.
Mapas conceptuales.
Redes semánticas Logica de predicados.
Razonamiento con insertidumbre.
Demostración y métodos.
8/16/2019 Representación Del Conocimiento y Razonamiento- Sergio Alvarez
http://slidepdf.com/reader/full/representacion-del-conocimiento-y-razonamiento-sergio-alvarez 4/26
Unidad 3 Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 4 | 26
Unidad 3 Representación del conocimiento y razonamiento
3.1- Sistemas basados en conocimiento.
Los sistemas basados en conocimiento surgen como una evolución de los
paradigmas de programación a lo largo de la historia de la informática. En los
primeros tiempos de la computación, los programas, ante una petición del usuario,típicamente producían una salida accediendo a datos almacenados en ficheros con
formatos particulares de cada aplicación. Más adelante surgieron las bases de
datos, que abstraían la capa de almacenamiento/persistencia de datos, eliminando
esos ficheros, facilitando así la gestión de la información necesaria para la
aplicación. Además aparecen los conceptos de la interfaz gráfica del sistema
operativo, facilitando la entrada/salida. Los sistemas basados en conocimiento son
una nueva evolución: en estos sistemas, los datos, la “base de conocimientos”, seconvierten en lo más importante, y el código que los explota, el “motor de
inferencias”, se generaliza según diferentes paradigmas. Esta base de
conocimientos la produce un usuario experto en el dominio, los ingenieros del
conocimiento, que son diferentes a los programadores de la interfaz o del propio
motor de inferencias.
8/16/2019 Representación Del Conocimiento y Razonamiento- Sergio Alvarez
http://slidepdf.com/reader/full/representacion-del-conocimiento-y-razonamiento-sergio-alvarez 5/26
Unidad 3 Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 5 | 26
3.1.1. Concepto de conocimiento.
Un sistema experto o sistema basado en conocimiento se puede definir como:
sistema que resuelve problemas utilizando una representación simbólica del
conocimiento humano'' [Jackson 86].
Características importantes:
Representación explícita del conocimiento.
Capacidad de razonamiento independiente de la aplicación específica.
Capacidad de explicar sus conclusiones y el proceso de razonamiento.
Alto rendimiento en un dominio específico.
Uso de heurísticas vs. modelos matemáticos.
Uso de inferencia simbólica vs. algoritmo numérico.
8/16/2019 Representación Del Conocimiento y Razonamiento- Sergio Alvarez
http://slidepdf.com/reader/full/representacion-del-conocimiento-y-razonamiento-sergio-alvarez 6/26
Unidad 3 Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 6 | 26
Algunas de estas propiedades se deben a la separación entre:
1. Conocimiento específico del problema - Base de Conocimiento.
2. Metodología para solucionar el problema - Máquina de Inferencia.
Importancia del Conocimiento
Los sistemas basados en conocimiento basan su rendimiento en la cantidad y
calidad del conocimiento de un dominio específico y no tanto en las técnicas de
solución de problemas.
Diferencia de sistemas basados en conocimiento con otras técnicas:
En matemáticas, teoría de control y computación, se intenta resolver el
problema mediante su modelado (Modelo del problema).
En sistemas expertos se ataca el problema construyendo un modelo del
``experto'' o resolvedor de problemas (Modelo del experto).
3.1.2. Lenguajes utilizados en la representación de conocimiento.
Sintaxis formalizada, para poder diseñar sobre bases sólidas un procesador.
Semántica bien definida y que permita la implementación procedimental en el
procesador de algoritmos de razonamiento eficientes.
Desde el punto de vista pragmático, expresividad suficiente para representar de la
manera menos forzada posible el conocimiento. Esto significa que, para una
determinada conceptuación, el lenguaje con el que se construyen los modelos en elnivel simbólico debe permitir una interpretación declarativa que represente todos los
aspectos de esa conceptuación. En la práctica puede ocurrir que no encontremos
el lenguaje ideal, y tengamos que forzar la conceptuación para que se ajuste al
lenguaje elegido.
8/16/2019 Representación Del Conocimiento y Razonamiento- Sergio Alvarez
http://slidepdf.com/reader/full/representacion-del-conocimiento-y-razonamiento-sergio-alvarez 7/26
Unidad 3 Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 7 | 26
Hay lenguajes formales, o teóricos, que satisfacen en mayor o menor grado esas
condiciones y lenguajes de implementación, o prácticos, que, siguiendo el modelo
de algún lenguaje formal, están adaptados para mecanizar la construcción deontologías. Nos centraremos en los primeros, que son relativamente estables, y
sobre los que se basan los segundos, algunos muy volátiles. Por ejemplo:
Prolog es un lenguaje de implementación de la lógica de primer orden, que en sus
versiones más recientes incluye también construcciones para la programación con
restricciones.
OWL (Web Ontology Language) es un lenguaje de ontologías para la web basado
en una lógica de descripciones (en realidad, son tres sublenguajes). Procede de la
fusión de otros dos elaborados independientemente alrededor del año 2000: DAML
(DARPA Agent Markup Language, de la Agencia de proyectos del Ministerio de
Defensa U.S.A) y OIL (Ontology Inference Layer, de un consorcio formado en el
marco de los programas de la U.E.). En 2001 se formó un comité conjunto que hizo
una propuesta al Consorcio Web (W3C), y éste publicó el estándar (Proposed
Recommendation en la terminología del W3C) en 2003, modificado el 10 de febrero
de 2004. Existen numerosas propuestas de mejoras y modificaciones. En el Apéndice B se resume la versión actual.
Hasta la segunda mitad de los años 80 se estaban utilizando diversos lenguajes que
podían clasificarse en dos tipos:
Lenguajes basados en la lógica de predicados de primer orden, con sintaxis y
semántica formalizadas, con una base rigurosa para el razonamiento, pero con
grandes dificultades para implementar algoritmos de razonamiento eficientes, con
una rigidez sintáctica que impide ciertas conceptuaciones «naturales» y con pocas
posibilidades de modularización.
Lenguajes basados en modelos de psicología que, al estar derivados del estudio de
la mente humana, permiten conceptuaciones más naturales y algoritmos de
8/16/2019 Representación Del Conocimiento y Razonamiento- Sergio Alvarez
http://slidepdf.com/reader/full/representacion-del-conocimiento-y-razonamiento-sergio-alvarez 8/26
Unidad 3 Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 8 | 26
razonamiento más eficientes, pero que tienen una sintaxis menos formalizada y
carecen de una definición semántica precisa (a pesar de que uno de ellos se llama
redes semánticas).
Como es natural, diversos investigadores trataron de elaborar propuestas para
aunar las ventajas de unos lenguajes y otros (Hayes, 1979, Nilsson, 1982,
Brachman y Levesque, 1985), pero no fue hasta el final de los 90 cuando quedaron
relativamente establecidas las llamadas lógicas de descripciones, que en el
momento actual son los lenguajes por antonomasia para la representación del
conocimiento.
Pero hay al menos cuatro razones por las que nos parece conveniente detenernos
previamente en los lenguajes más antiguos:
La lógica clásica de primer orden sigue siendo la base fundamental de las
demás formulaciones de la lógica;
En el diseño de muchos sistemas basados en conocimiento, especialmente
los que no son muy complejos, se siguen utilizando algunos de esos
lenguajes; Las ideas originales ayudan a entender y justifican ciertas decisiones de
diseño, y
La naturaleza interdisciplinaria de estos primeros trabajos hace muy
interesante su estudio.
8/16/2019 Representación Del Conocimiento y Razonamiento- Sergio Alvarez
http://slidepdf.com/reader/full/representacion-del-conocimiento-y-razonamiento-sergio-alvarez 9/26
Unidad 3 Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 9 | 26
3.2. Mapas conceptuales.
Los mapas conceptuales son instrumentos de representación del conocimiento
sencillo y práctico, que permiten transmitir con claridad mensajes conceptuales
complejos y facilitar tanto el aprendizaje como la enseñanza. Para mayor
abundamiento, adoptan la forma de grafos.
En Inteligencia Artificial, Quillian desarrolló una forma de mapa conceptual que se
denominó redes semánticas y que se usa ampliamente para la representar el
conocimiento formal. En lingüística, Graesser y Clark han desarrollado un análisis
de formas de argumentación en el texto en forma de mapas conceptuales
estructurados en ocho tipos de nodos y cuatro tipos de enlaces. En la historia de la
ciencia, la dinámica de mapas conceptuales se ha usado también para representar
los procesos de cambio conceptual de las revoluciones científicas y en filosofía de
la ciencia, Toulmin desarrolló una teoría de argumentación científica basada en
mapas conceptuales. También los mapas conceptuales han sido utilizados en la
educación, el diseño de las organizaciones para la toma de decisiones, la
8/16/2019 Representación Del Conocimiento y Razonamiento- Sergio Alvarez
http://slidepdf.com/reader/full/representacion-del-conocimiento-y-razonamiento-sergio-alvarez 10/26
Unidad 3 Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 10 | 26
adquisición de conocimiento especializado, los sistemas sociales, la toma de
decisiones políticas, etc.
Un mapa conceptual es una técnica sencilla que permite representar el
conocimiento de forma gráfica como redes conceptuales compuestas por nodos que
representan los conceptos, y enlaces, que representan las relaciones entre los
conceptos.
3.3. Redes semánticas.Una red semántica es un grafo, donde los vértices representan conceptos y los
arcos representan relaciones entre los conceptos.
Las redes semánticas a nivel de ontología se utilizan para representar vocabulario
que es esencialmente muy valioso para los seres humanos.
Ejemplo: represente mediante una red semántica la frase “un gato es un animal”
8/16/2019 Representación Del Conocimiento y Razonamiento- Sergio Alvarez
http://slidepdf.com/reader/full/representacion-del-conocimiento-y-razonamiento-sergio-alvarez 11/26
Unidad 3 Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 11 | 26
Y podría incluir otra frase, “Garfield es un gato
Las redes semánticas están basadas en la idea que los objetos o los conceptos
pueden ser unidos por alguna relación.
Estas relaciones se representan usando una liga que conecte dos conceptos.
Los nodos y las ligas pueden ser cualquier cosa, dependiendo de la situación a
modelar.
Las redes semánticas fueron originalmente desarrolladas para representar el
significado o semántica de oraciones en inglés, en términos de objetos y relaciones.
Desventajas de las redes semánticas
No existe una interpretación normalizada para el conocimiento expresado por la red.La interpretación de la red depende exclusivamente de los programas que
manipulan la misma. La dificultad de interpretación a menudo puede derivar en
inferencias inválidas del conocimiento contenido en la red. La exploración de una
red asociativa puede derivar en una explosión combinatoria del número de
relaciones que deben ser examinadas para comprobar una relación, sobre todo si
la respuesta a una consulta es negativa. No hay manera de insertar alguna regla
heurística para explorar la red de manera eficiente.
Ventajas de las redes semánticas
Permiten la declaración de importantes asociaciones en forma explícita. Debido a
que los nodos relacionados están directamente conectados, y no se expresan las
8/16/2019 Representación Del Conocimiento y Razonamiento- Sergio Alvarez
http://slidepdf.com/reader/full/representacion-del-conocimiento-y-razonamiento-sergio-alvarez 12/26
Unidad 3 Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 12 | 26
relaciones en una gran base de datos, el tiempo que toma el proceso de búsqueda
por hechos particulares puede ser significativamente reducido.
3.4. Lógica de predicados.Es una herramienta para estudiar el comportamiento de un sistema lógico. Además
proporciona un criterio para determinar si un sistema lógico es absurdo o
inconsistente.
8/16/2019 Representación Del Conocimiento y Razonamiento- Sergio Alvarez
http://slidepdf.com/reader/full/representacion-del-conocimiento-y-razonamiento-sergio-alvarez 13/26
Unidad 3 Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 13 | 26
Sistema simbólico: Lenguaje y fórmulas lógicas.
Proposiciones
Representación en lenguaje cotidiano que debe estar libre de vaguedades.
Conexiones lógicas y Términos de enlace
Palabras de enlace que unen proposiciones atómicas para formar proposiciones
moleculares.
Simbolización de proposiciones
Uso de variables para representar proposiciones.
P = "Se cerró el circuito"
8/16/2019 Representación Del Conocimiento y Razonamiento- Sergio Alvarez
http://slidepdf.com/reader/full/representacion-del-conocimiento-y-razonamiento-sergio-alvarez 14/26
Unidad 3 Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 14 | 26
Q = "Operó la marcha"
P & Q = "Se cerró el circuito y operó la marcha"
¬Q = "No operó la marcha"
Jerarquía de aplicación
Menor jerarquía
&, V
¬ Mayor jerarquía
8/16/2019 Representación Del Conocimiento y Razonamiento- Sergio Alvarez
http://slidepdf.com/reader/full/representacion-del-conocimiento-y-razonamiento-sergio-alvarez 15/26
Unidad 3 Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 15 | 26
3.4.1. Sintaxis.
Elementos
Términos: Representan objetos del dominio.
Constantes: Representan un objeto individual en concreto
notación: cadenas de caracteres, comienzan en mayúsculas
Ejemplos: Juan; Mi coche;…
Funciones: Representan (implícitamente) un objeto individual que está
relacionado con los n objetos que participan en la función
notación: símbolo de función (cadena, comienza con Mays.) con aridad n
+ n argumentos (términos) entre paréntesis Ejemplos: Padre de (Juan); Hijo de (Pedro; Ana); Coseno (45)…
Variables: Representan objetos sin indicar cuales
Uso:
notación: cadenas de caracteres en minúsculas
Ejemplos: x; y; padre; hijo;…
Predicados: Representan una propiedad de un término (si aridad 1) o relaciones
entre k términos (si aridad k > 1)
notación: cadenas de caracteres + k términos (variables, constantes,
funciones) entre paréntesis
Átomos: formulas bien formadas (f. b. f.) compuestas por un único predicado
Literales: Átomo o negación de un átomo.
8/16/2019 Representación Del Conocimiento y Razonamiento- Sergio Alvarez
http://slidepdf.com/reader/full/representacion-del-conocimiento-y-razonamiento-sergio-alvarez 16/26
Unidad 3 Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 16 | 26
Ejemplos: Asesina (Juan; x); Es_alto (Juan); Vive_con (Juan; Padre_de
(Juan));…
3.4.2. Semántica.Representamos un mundo donde hay:
Un n° infinito de objetos individuales representados por símbolos de
constantes y variables
o Pueden ser entidades concretas (personas, cosas) o
abstractas(números, eventos)
Un n° infinito de objetos de nidos en función de otros objetos, representados
por símbolos de función
Relaciones entre los objetos del dominio, representadas por símbolos de
predicado
o Si la aridad es 1, se habla de propiedades de objetos
INTERPRETACIONES:
Una interpretación establece las relaciones anteriores entre los símbolos de la lógica
y los elementos del mundo real
asocia a las constantes objetos del mundo
asocia a las funciones relaciones funcionales entre objetos
asocia a los predicados relaciones entre objetos
Más compleja que en lógica de proposiciones
Dominio de una interpretación: Conjunto de objetos del mundo que se manejan en
una interpretación Formalmente: Dada una conceptualización formada por:
8/16/2019 Representación Del Conocimiento y Razonamiento- Sergio Alvarez
http://slidepdf.com/reader/full/representacion-del-conocimiento-y-razonamiento-sergio-alvarez 17/26
Unidad 3 Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 17 | 26
U: universo de discurso (conj. de individuos/objetos)
R: conj. Finito de relaciones entre objetos de U
F: conj. Finito de funciones que asocian a 1 objetos de U con 1 o más objetos de U
3.4.3. Validez. Un predicado con variables libres no es verdadero ni falso, hasta que se
asignen valores para dichas variables.
Algunos de ellos serán siempre verdaderos independientemente de los
valores que se escojan: estos son predicados válidos.
Un predicado que es verdadero o falso dependiendo de los valores elegidos
se dice que es satisfacible.
Un predicado que es siempre falso se dice que es no satisfacible.
3.4.4. Inferencia.Reglas de inferencia
Modus Ponendo Ponens
Modus Tollendo Tollens
8/16/2019 Representación Del Conocimiento y Razonamiento- Sergio Alvarez
http://slidepdf.com/reader/full/representacion-del-conocimiento-y-razonamiento-sergio-alvarez 18/26
Unidad 3 Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 18 | 26
Modus Tollendo Ponens
Doble negación
Regla de adjunción Regla de Simplificacion
Ley de adición
Ley de simplificación disyuntiva
8/16/2019 Representación Del Conocimiento y Razonamiento- Sergio Alvarez
http://slidepdf.com/reader/full/representacion-del-conocimiento-y-razonamiento-sergio-alvarez 19/26
Unidad 3 Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 19 | 26
Ley del silogismo hipotético
Ley del silogismo disyuntivo
Leyes de Morgan
Reglas de operación
1.- Cambiar & por V, o viceversa
2.- Negar cada proposición
3.- Negar la proposición completa
3.5. Razonamiento con 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 inconsistencias e incertidumbre.
8/16/2019 Representación Del Conocimiento y Razonamiento- Sergio Alvarez
http://slidepdf.com/reader/full/representacion-del-conocimiento-y-razonamiento-sergio-alvarez 20/26
Unidad 3 Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 20 | 26
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 coeficiente de certeza o de
confianza a los hechos que intervienen en las en las condiciones y en la conclusión
de una regla.
Todos los mecanismos de representación de conocimiento vistos están basados en
lógica bajo estos supuestos:
• Todo hecho sobre el que razonemos debe ser evaluado como cierto o falso.
• Para poder razonar necesitamos tener todos los hechos a nuestra
disposición.
Pero en las prácticas nos encontramos con estos problemas:
• Representar el conocimiento para cubrir todos los hechos que son relevantes
para un problema es difícil.
• Existen dominios en los que se desconocen todos los hechos necesarios
para resolver el problema.
• Existen problemas en los que aun teniendo las reglas para resolverlos no
disponemos de toda la información necesaria o no tenemos confianza
absoluta en ellas.
• En otros problemas las reglas no se aplican siempre o su confianza cambia
con la confianza que tenemos en los hechos.
3.5.1. Aprendizaje.Máquina que aprende: Sistema organizado que transforma un mensaje de entrada
en uno de salida, de acuerdo con el principio de Transformación.
8/16/2019 Representación Del Conocimiento y Razonamiento- Sergio Alvarez
http://slidepdf.com/reader/full/representacion-del-conocimiento-y-razonamiento-sergio-alvarez 21/26
Unidad 3 Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 21 | 26
Si tal principio está sujeto a cierto criterio de validez, el método de transformación
se ajusta a fin de que tienda a mejorar el funcionamiento; se dice que el sistema
aprende.
Aprendizaje animal: Cuando los organismos se ajustan o adaptan al conjunto de
estímulos que provienen del entorno; reciben la información y la almacena con el fin
de reutilizarla en situaciones o patrones de estímulos semejantes.
La Organización (o reorganización) de la propia conducta (ante una situación o un
patrón de estímulos) como resultado de una experiencia individual.
Todos los estímulos a los que un individuo responde es un cierto contexto pueden
no ser efectivos para producir una conducta de aprendizaje en otros contextos.
3.5.2. Razonamiento 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 sostiene.
Las probabilidades se calculan en base a la fórmula general de la probabilidad
condicionada de Bayes o algunas transformaciones de la misma.
Surgen de la insuficiencia explicativa de los modelos normativos, que asumen que
las personas asignan probabilidades de ocurrencia de un suceso basándose en su
frecuencia relativa, o como asume la inferencia bayesiana, en las creencias y
opiniones.
3.5.3. Lógicas multivaluadas.Se usa en matemáticas como procedimiento para buscar modelos no estándar; esto
es esencialmente lo que hace para conseguir los modelos generales de Henkin para
la lógica superior responsables de su teoría de completud.
8/16/2019 Representación Del Conocimiento y Razonamiento- Sergio Alvarez
http://slidepdf.com/reader/full/representacion-del-conocimiento-y-razonamiento-sergio-alvarez 22/26
Unidad 3 Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 22 | 26
3.5.4. Lógica difusa.También llamada lógica borrosa o heurística, se basa en lo relativo de lo observado
como posición diferencial, este tipo de lógica toma dos valores aleatorios, pero
contextualizados y referidos entre sí.
3.6. Demostración y métodos.Métodos deductivos de demostración: el método deductivo es un proceso que parte
de un conocimiento genera, y arriba a uno particular. La aplicación del método
deductivo nos llevó a un conocimiento con grado de certeza absoluta y esta
cimentado en preposiciones llamadas silogismos.
Ejemplos:
“Todas las mexicanas son bellas”, (este es el concepto general).
‘Luz Ortiz es mexicana’
Luego:
‘Luz Ortiz es bella’
8/16/2019 Representación Del Conocimiento y Razonamiento- Sergio Alvarez
http://slidepdf.com/reader/full/representacion-del-conocimiento-y-razonamiento-sergio-alvarez 23/26
Unidad 3 Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 23 | 26
En la lógica formal y sobre todo en el universo matemático, el proceso deductivo
tiene un significado un poco diferente, pues está basado en axiomas, o
preposiciones que son verdades por definición.
Ejemplos de axiomas:
“El todo es mayor que la parte”
“Dos cosas iguales a una tercera son iguales entre sí”
Al conjunto de Hipótesis + Demostración + Conclusión se denomina Teorema.
El Método de resolución de Robinson.
Es un intento por mecanizar el proceso de deducción natural de esa forma eficiente.
Las demostraciones se consiguen utilizando de esa forma el método refutativo
(deducción al absurdo), es decir lo que intentamos es encontrar contradicciones.
Para probar una sentencia nos basta con demostrar que su negación nos lleva a
una contradicción con las sentencias conocidas (es insatisfactible). Si la negación
de una sentencia entra en contradicción con los hechos de nuestra base de
conocimiento es porque lo contrario, es decir, la sentencia original era verdadera y
se puede deducir lógicamente de las sentencias que componen dicha base de
conocimientos.
Ejemplo:
• Lloverá O habrá un examen.
• David es Darth Vader O no lloverá.
• David no es Darth Vader.
• Habrá un examen?
Solución:
8/16/2019 Representación Del Conocimiento y Razonamiento- Sergio Alvarez
http://slidepdf.com/reader/full/representacion-del-conocimiento-y-razonamiento-sergio-alvarez 24/26
Unidad 3 Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 24 | 26
• Lluvia = a , Examen = b, David es Vader = c
• Base de Conocimiento (todas son ciertas): a V b, c V ¬ a, ¬ c
• Por Resolución sabemos que b V c es cierta.
• Por Resolución Unidad sabemos que b es cierta.
8/16/2019 Representación Del Conocimiento y Razonamiento- Sergio Alvarez
http://slidepdf.com/reader/full/representacion-del-conocimiento-y-razonamiento-sergio-alvarez 25/26
Unidad 3 Representación del Conocimiento y razonamiento.
Inteligencia Artificial
P á g i n a 25 | 26
Conclusión
En conclusión el conocimiento y razonamiento tienden a estructurarse mutuamente,
para que este se comprobara se realizó investigaciones acerca de cómo es que ese
proceso llega a darse, esto con el fin de que el ser humano o las maquinas tengan
esa forma de tomar una decisión y que esta sea correcta. Este documeto hizo una
muestra del proceso del razonamiento y conocimiento.
8/16/2019 Representación Del Conocimiento y Razonamiento- Sergio Alvarez
http://slidepdf.com/reader/full/representacion-del-conocimiento-y-razonamiento-sergio-alvarez 26/26
Unidad 3 Representación del Conocimiento y razonamiento.
Inteligencia Artificial
Fuentes de consulta
http://www.rvazquez.org/Mision/ia2010_files/unidad3ia
http://inteligenciaartificial-isc.blogspot.mx/p/unidad-3-representacion-del.html
http://es.slideshare.net/HumbertoChalate/3-representacin-del-conocimiento-y-
razonamiento-48561067
http://karenjcs.wix.com/artifi-intelk#!unidad-3/c1r9l