Inteligencia Artificial - Unidad 4
Representación formal del aprendizaje
Es un área de la inteligencia artificial cuyo objetivo fundamental es representar el conocimiento de una manera que facilite la inferencia (sacar conclusiones) a partir de dicho conocimiento. Analiza cómo pensar formalmente - cómo usar un sistema de símbolos para representar un dominio del discurso (aquello de lo que se puede hablar), junto con funciones que permitan inferir (realizar un razonamiento formal) sobre los objetos. Generalmente, se usa algún tipo de lógica para proveer una semántica formal de cómo las funciones de razonamiento se aplican a los símbolos del dominio del discurso, además de proveer operadores como cuantificadores, operadores modales, etc. Esto, junto a una teoría de interpretación, dan significado a las frases en la lógica.
Teoría formal del aprendizaje
Las teorías del aprendizaje pretenden describir los procesos mediante los cuales tanto los seres humanos, como los animales aprenden. Numerosos psicólogos y pedagogos han aportado sendos teorías en la materia.
Las diversas teorías ayudan a comprender, predecir y controlar el comportamiento humano, elaborando a su vez estrategias de aprendizaje y tratando de explicar cómo los sujetos acceden al conocimiento. Su objeto de estudio se centra en la adquisición de destrezas y habilidades en el razonamiento y en la adquisición de conceptos.
El estudio de las teorías del aprendizaje; por una parte nos proporcionan un vocabulario y un armazón conceptual para interpretar diversos casos de aprendizaje. Por otra parte nos sugieren dónde buscar soluciones para los problemas prácticos; aunque ellas no nos dan soluciones, pero dirigen nuestra atención hacia ciertas variables que son fundamentales para encontrar la solución.
Modelos conexionistas
En inteligencia artificial los métodos de computación basados en redes neurales se encuentran en un campo de computación que prescinde del enfoque algorítmico tradicional y toma como modelo los sistemas biológicos. Esta nueva forma de computación incluye entre otras:
1. la lógica borrosa
2. las redes neuronales
3. razonamiento aproximado
Recibe los nombres de computación cognitiva, computación del mundo real o computación sof, para distinguirlo del enfoque algorítmico tradicional o computación hard. En psicología llamamos conexionismo al paradigma que utiliza redes neuronales para comprender y explica la vida psíquica y la conducta. Las redes neuronales son conjunto de unidades interconectadas masivamente capaces de procesar y almacenar información mediante la modificación de sus estados. Aunque con matices, un psicólogo conexionista considera un fenómeno psicológico explicado cuando el modelo neuronal que construye se comporta del mismo modo que cuando los seres humanos realizan esa misma tarea.
Aprendizajes de redes neuronales
son un paradigma de aprendizaje y procesamiento automático inspirado en la forma en que funciona el sistema nervioso de los animales. Se trata de un sistema de interconexión de neuronas que colaboran entre sí para producir un estímulo de salida. En inteligencia artificial es frecuente referirse a ellas como redes de neuronas o redes neuronales.
Aprendizaje genético
Los algoritmos genéticos (AG) proporcionan un método de aprendizaje basado en la analogía con la evolución de las especies. Los AG generan un conjunto de hipótesis mediante la mutación y recombinación de parte del conjunto de hipótesis conocido. En cada paso el conjunto de hipótesis conocido como "población actual" se renueva remplazando una proporción de esta población por los sucesores de las hipótesis más "adecuadas".
El comportamiento básico de un algoritmo genético es el siguiente: de forma iterativa va actualizando la población de hipótesis. En cada iteración, todos los miembros de la población son procesados por la función de evaluación, tras lo cual una nueva población es generada.