martes, 8 de julio de 2014

CONCLUSIONES


En la sociedad, dentro de las ciencias de la computación, la de la Inteligencia Artificial es una de las áreas que causa más expectación. Que un sistema pueda mejorar su comportamiento sobre la base de la experiencia y que además, tenga una noción de lo que es un error y que pueda evitarlo, resulta muy interesante.  
No obstante, la realización del trabajo, me ha servido para darme cuenta de que la IA no es algo nuevo, lleva décadas de estudio y está en constante evolución. La realidad es que la mayoría de la gente, al hablar de inteligencia artificial tiende a relacionarlo con el mundo de la robótica y, más concretamente a los robots con formas humanas, capaces de relacionarse. Gracias a este trabajo he descubierto que no es así. La robótica existía mucho antes de la inteligencia artificial.  
Los métodos tradicionales en Inteligencia Artificial que permitieron el desarrollo de los primeros sistemas expertos y otras aplicaciones, ha ido de la mano de los avances tecnológicos y las fronteras se han ido expandiendo constantemente cada vez que un logro, considerado imposible en su momento, se vuelve posible gracias a los avances en todo el mundo, generando incluso una nueva mentalidad de trabajo que no reconoce fronteras físicas ni políticas. Por ello, yo soy optimista en relación al futuro siempre que se respeten los límites culturales y éticos. Creando siempre máquinas capaces de ayudar al ser humano, de sustituirlo en tareas desagradables, duraderas, pesadas o como complemento de ocio. 

BIBLIOGAFIA

Stuart J. Russell y Peter Norvig 2010.INTELIGENCIA ARTIFICIAL. Un enfoque moderno. Séptima edición.

TEMA2. BUSQUEDA CON INFORMACION PARCIAL

INTRODUCCION

Su percepción no proporciona ninguna nueva información despues de cada acción. ¿Que pasa cuando el conocimiento de los estados o acciones es incompleto? Encontramos que diversos tipos de incornpletitud conducen a tres ipos de problemas distintos:

1. Problemas sin sensores (también llamados problemas conformados): si el agente no tiene ningún sensor, entonces (por lo que sabe) podría estar eri Lino de los posibles estados iniciales, y cada acción por lo tanto podría conducir a uno de los posibles estados sucesores.
2. Problemas de contingencia: si el entorno es prircialinente observable o si las acciones son inciertas, entonces las percepciones del agente proporcionan nueva informacion despues de cada acción. Cada percepción posible define una contingencia que debe de planearse. A un problema se le llama entre adversarios si la incertidumbre esta causada por las acciones de otro agente.
3. Problemas de exploraciún: cuando se desconocen los estado5 y las acciones del entorno, el agente debe actuar para descubrirlos. Los problemas de exploración pueden verse como un caso extremo de problen-ias de contiilgencia. 

CONCLUSION

Este capitulo ha introducido metodos en los que un agente puede seleccionar acciones en los ambientes deterministas, observables, estaticos y completamente conocidos.

TEMA 1.2 ESTRATREGIAS DE BUSQUEDA NO INFORMADA



También llamadas búsqueda a ciegas el término significa que ellas no tienen información adicional acerca de los estados más allá de la que proporciona la definición del problema. Todo lo que ellas pueden hacer es generar los sucesores y distinguir entre un estado objetivo es “más prometedor” que otro se llama búsqueda informada o búsqueda heurística. La búsqueda no informada tiene las siguientes estrategias:
BUSQUEDA PRIMERO EN ANCHURA
La búsqueda primero en anchura es una estrategia sencilla en la que se expande primero el nodo raíz, a continuación se expanden todos los sensores del nodo raíz, después sus sucesores, etc. La búsqueda primero en anchura se puede implementar llamando a la búsqueda árboles con una frontera vacía que sea una cola primero en entrar primero en salir (FIFO), asegurando que los nodos primeros visitados serán los primeros expandidos. La cola FIFO pone todos los nuevos sensores generados al final de la cola, lo que significa que los nodos más superficiales se expanden antes que los nodos más profundos.


                                          BUSQUEDA PRIMERO EN PROFUNDIDAD


La búsqueda primero en profundidad siempre expande el nodo más profundo en la frontera actual de árbol de búsqueda. La búsqueda procede inmediatamente al nivel más profundo del árbol de búsqueda, donde los nodos no tienen ningún sucesor. Cuando estos nodos se expanden, son quitados de la frontera, entonces la búsqueda retrocede al siguiente nodo más superficial que todavía tenga sucesores inexplorados. Esta estrategia puede implementarse por la búsqueda de árboles con una cola último en entrar primero en salir (LIFO), es común aplicar la búsqueda primero en profundidad con una función recursiva que se llama en cada uno de sus hijos, esta tiene unos requisitos muy sencillos de memoria. Necesita almacenar solo un camino desde la raíz a un nodo hoja, junto con los nodos hermanos restantes no expandidos para cada nodo del camino.

Una variante de la búsqueda primero en profundidad, llamada también búsqueda hacia atrás, utiliza aún menos memoria, en esta solo se genera un sucesor a la vez; cada nodo parcialmente expandido recuerda que sucesor se expande a continuación. El inconveniente de la búsqueda primero en profundidad es que puede hacer una elección equivocada y obtener un camino muy largo aun cuando una elección diferente llevaría a una solución cerca de la raíz del árbol de búsqueda. (Russell, Norving, 2008).

CONCULUSION
la búsqueda una de las operaciones más sencillas y elementales en cualquier estructura de datos, se han estandarizado el uso de estos algoritmos para ello, por lo que se conocen como algoritmos de búsqueda. Sin embargo, es importante resaltar que pueden utilizarse para muchísimas otras operaciones con grafos que no necesariamente incluyan la búsqueda de algún elemento dentro del grafo.