martes, 5 de diciembre de 2017

Vídeo Nº 181: IA Lógica - Espacio de Versiones 03

Último vídeo del algoritmo de aprendizaje supervisado simbólico "Espacio de Versiones" en el que se muestra, con un ejemplo más complejo y completo que el visto en el primer vídeo, los diferentes pasos para obtener reglas de clasificación aplicando la especialización de S y la generalización de G.



lunes, 4 de diciembre de 2017

Vídeo Nº 180: IA Lógica - Espacio de Versiones 02

Una vez vista la teoría del algoritmo Espacio de Versiones, que permite hacer aprendizaje supervisado simbólico con lenguajes LDC en lógica, en este vídeo se muestra el pseudocódigo. Es bastante largo, por lo que se ha divido en varias funciones/métodos que, una vez se combinen, del el pseudocódigo completo.



domingo, 3 de diciembre de 2017

Vídeo Nº 179: IA Lógica - Espacio de Versiones 01

Espacio de Versiones es el algoritmo más simple para hacer aprendizaje supervisado simbólico con lenguajes lógicos, en concreto, el lenguaje de descripción de conceptos (LDC). Se explican las bases del algoritmo mediante un ejemplo simple. También se analizan las ventajas y los inconvenientes.




Curso Online UNED sobre Lógica:
https://oer.ia.uned.es/led/

"Lógica Para Principiantes"
María Manzano y Antonia Huertas
Alianza Editorial
ISBN: 84-206-4570-2

"Aprendizaje Automático"
Daniel Borrajo, Jesús G. Boticario y Pedro Isasi
Sanz y Torres
ISBN: 84-96094-73-1

sábado, 2 de diciembre de 2017

Vídeo Nº 178: IA Probabilidad - Árboles de Decisión ID3 03

Vídeo con un ejemplo de cómo elegir entre los atributos de un árbol de decisión usando la máxima ganancia, la entropía y la información explicada en los vídeos previos. También se mostrará el árbol resultado de aplicar el algoritmo sobre el ejemplo que se usó en el primer vídeo de la serie.



viernes, 1 de diciembre de 2017

Vídeo Nº 177: IA Probabilidad - Árboles de Decisión ID3 02

Vídeo donde se explica la teoría de los árboles de decisión, en especial el cálculo de la ganancia, la entropía y la información que se usará para saber qué atributo será el elegido en cada momento para construir las ramas del árbol de decisión. También se mostrará el algoritmo ID3, que es el más sencillo que permite crear árboles de decisiones efectivos.



jueves, 30 de noviembre de 2017

Vídeo Nº 176: IA Probabilidad - Árboles de Decisión ID3 01

Vídeo introductorio a los árboles de decisión, en el que se mostrará con ejemplos qué son y en qué se basan. Son una técnica muy utilizada hoy día para toma de decisiones, y sun un enfoque mixto de lógica y probabilidad, ya que se usa estadística y teoría  de información para construir estos árboles que luego son fácilmente trasladables a reglas lógicas simbólicas.



miércoles, 29 de noviembre de 2017

Vídeo Nº 175: IA Probabilidad - Naïve Bayes 03

Tercer vídeo de Naïve Bayes donde se muestra una introducción a la clasificación de correos como SPAM o legítimos. Para ello, se dividirá el mensaje en palabras (diccionario, saco de palabras) y se analizará la probabilidad de que un correo sea SPAM si aparecer cierta palabra en su mensaje. Para calcular las probabilidades se usará la frecuencia relativa. Se analizarán los problemas que pueden surgir (probabilidades cero o muy muy pequeñas) y cómo solucionarlos (uso de logaritmos o suavizado de Laplace). Por útlimo, se enumerarán las características que también pueden influir en la clasificación de correos.



martes, 28 de noviembre de 2017

Vídeo Nº 174: IA Probabilidad - Naïve Bayes 02

Segundo vídeo sobre aprendizaje supervisado en redes bayesianas realizando clasificación con Naïve Bayes, la red bayesiana más simple que es capaz de aprender. En este vídeo se verán algunos problemas y cómo mejorar Naïve Bayes para superarlos (sobre todo con respecto a manejo de probabilidades muy bajas o cero).



lunes, 27 de noviembre de 2017

Vídeo Nº 173: IA Probabilidad - Naïve Bayes 01

Primer vídeo sobre aprendizaje supervisado con redes bayesianas, en concreto, el algoritmo Naïve Bayes, cuyo objetivo es realizar clasificación mediante la red bayesiana más simple posible. Para ello, se requerirá la independencia condicional total da todas las variables. Se explica cómo es su estructura, cómo funciona (tanto para variables discretas como contínuas) y se mostrará el pseudocódigo para realizar el aprendizaje.



viernes, 12 de mayo de 2017

Vídeo Nº 172: IA Grafos - Aprendizaje por Refuerzo 04 (Activo Aproximado)

Último vídeo de aprendizaje por refuerzo en el que mejorará lo visto en el vídeo anterior sobre Q-Learning, permitiendo usarlo cuando hay muchos estados y acciones y acelerando además el proceso de aprendizaje. Para ello, en vez de basarse en estados y acciones nos basaremos en propiedades o características inveriantes, definidas mediante funciones de evaluación que se usarán, mediante una suma ponderada, para actualizar los q-valores.



viernes, 5 de mayo de 2017

Vídeo Nº 171: IA Grafos - Aprendizaje por Refuerzo 03 (Activo, Q-Learning)

Q-Learning es el algoritmo de aprendizaje por refuerzo activo más conocido. Está basado en los Procesos de Decisión de Markov (MDP), siendo una ampliación de estos en el que se agrega una tasa de aprendizaje decreciente y una función de exploración. Se basa en el muestreo de recompensas para obtener los q-valores, no teniendo así que calcular el modelo de transición.



domingo, 30 de abril de 2017

Vídeo Nº 170: IA Grafos - Aprendizaje por Refuerzo 02 (Pasivo)

Explicación del aprendizaje por refuerzo pasivo, donde la política está fijada y no se podrá cambiar. Se aprenden los valores de los estados mediante observaciones. Se explicarán 2 técnicas: la evaluación directa y la diferencia temporal. Una ampliación de esta última es la que dará lugar al algoritmo Q-Learning que veremos en el próximo vídeo.



viernes, 21 de abril de 2017

Vídeo Nº 169: IA Grafos - Aprendizaje por Refuerzo 01

Introducción al aprendizaje por refuerzo, que son una ampliación de los Procesos de Decisión de Markov, en los cuales no se conocen ni el modelo de transición ni las recompensas. Adquieren ese conocimiento mediante la exploración de su entorno y las acciones sobre el mismo. Se listan los diferentes tipo de agentes que existen según cómo se implemente dicho aprendizaje por refuerzo y se hace una breve introducción a los mismos.



viernes, 14 de abril de 2017

Vídeo Nº 168: IA Aprendizaje - Entrenamiento y Validación Cruzada

Bases de cómo diseñar un agente inteligente, cómo entrenarlo y cómo evaluar y mejorar su rendimiento con la validación cruzada. Se tratarán los sesgos, los sobreajustes mediante el uso de gráficos llamados curvas de aprendizaje, los cuales son una herramienta indispensable para el análisis en el aprendizaje automático o machine learning.



viernes, 7 de abril de 2017

Vídeo Nº 167: IA Aprendizaje - Introducción 02

Varios conceptos básicos que se deben conocer para poder entender mejor los algoritmos de aprendizaje automático (machine learning). También se vará una lista de algoritmos básicos que se van a ver de cada enfoque, los tipos de aprendizaje que existen segun los tipos de ejemplos que se se usan en dichos algoritmos.



miércoles, 5 de abril de 2017

Video Nº 166: IA Aprendizaje - Introducción 01

Primer vídeo sobre aprendizaje automático (machine learning) en el que hablo sobre la situación actual del aprendizaje dentro de la IA, los diferentes enfoques que existen, las tecnologías, etc. También se comentarán cosas sobre representación del conocimiento, redes neuronales y deep learning. Por último, una lista de lenguajes de programación y librerías útiles para programar en machine learning.



lunes, 3 de abril de 2017

Vídeo Nº 165: IA Grafos - POMDP

Introducción a los algoritmos que permiten usa los Procesos de Decisión de Markov en entornos parcialmente observables. Lo logran mezclando los MDP con los Modelos Ocultos de Markov de redes bayesianas. También se muestra algún ejemplo con los problemas típicos que encontraemos en este tipo de problemas y las razones de que tengan una alta complejidad.



viernes, 31 de marzo de 2017

Vídeo Nº 164: IA Grafos - Procesos de Decisión de Markov 05

Algoritmo de Iteraócin de Políticas como mejora frente a los problemas que tiene la Iteración de Valores, que realiza excesivos cálculos inútiles, ya que, una vez se alcanzar una política óptima, sigue haciendo cálculos sobre este estado. Se mostrará el pseudocódigo y ejemplos del mismo.



miércoles, 29 de marzo de 2017

Vídeo Nº 163: IA Grafos - Procesos de Decisión de Markov 04

Explicación del algortirmo Iteración de Valores para calcular la política óptima en los Procesos de Decisión de Markov. A partir de la Ecuación de Bellman, se explicará, paso a paso y con ejemplos, cómo ir calculando los q-valores. Al final, se mostrará el pseudocódigo.



lunes, 27 de marzo de 2017

Vídeo Nº 162: IA Grafos - Procesos de Decisión de Markov 03

Explicación completa de la Ecuación de Bellman en la que se basa los Procesos de Decisión de Markov, en sus dos variantes, así como la relación que tiene con la forma de calcular la utilidad. Se indican todos los detales y se explicará todo paso a paso para poderlo enterder perfectamente.



viernes, 24 de marzo de 2017

Vídeo Nº 161: IA Grafos - Procesos de Decisión de Markov 02

Definición de un Porceso de Decisión de Markov, en especial el modelo de transición basado en probabilidades, la función recompensa que permitirá calcular la utilidad, y la política, que es el objetivo de todo MDP, una relación entre cada estado y la mejor acción que podemos ejecutar en él. También se comentará cómo definir recompensas y qué diferencias hay entre los diferentes tipos de recompensas que existen.



miércoles, 22 de marzo de 2017

Vídeo Nº 160: IA Grafos - Procesos de Decisión de Markov 01

Primer vídeo sobre los Procesos de Decisión de Markov (MDP) en el que se explica el algortimo ExpectiMax, que es la base para dichos procesos. Se verán las ventajas y desventajas que tiene este enfoque y se explicará en profundidad la suma ponderada de utilidades según la probabilidades de que ocurran.



lunes, 20 de marzo de 2017

Vídeo Nº 159: IA Probabilidad - Redes de Decisión

Ampliación de las redes bayesianas con nodos especiales para tratar decisiones y utilidades de esas decisiones, que permite realizar toma de decisiones con redes bayesianas como alternativa a los Procesos de Decisión de Markov, que se basan en búsqueda en grafos. Se muestra, además, como integrar el uso de la teoría de la información para escoger el orden en que se irán adquiriendo las evidencias.



viernes, 17 de marzo de 2017

Vídeo Nº 158: IA Grafos - Teoría de la Información

Introducción a la teoría de la información y cómo se usa dentro de los algoritmos de toma de decisiones en IA. Definición del Valor de la Información Perfecta como comparación entre utilidad esperada antes y después de obtener una evidencia, su uso para ordenar las evidencias a obtener y ejemplo.



miércoles, 15 de marzo de 2017

Vídeo Nº 157: IA Grafos - Teoría de la Utilidad

Vídeo introductorio sobre la teoría de la utilidad, piedra angular de la toma de decisiones, y cómo se usa dentro de la inteligencia artificial para pasar de agentes basados en objetivos a agentes basados en utilidad. Se verá cómo definir funciones de utilidad y cómo calcular sus valores, así de una explicación de porqué la maximización de la utilidad esperada es la mejor forma de definir la racionalidad o inteligencia.



lunes, 13 de marzo de 2017

Vídeo Nº 156: IA Probabilidad - Modelos Ocultos de Markov 14

Cuando se trabaja con entornos continuos, en vez de discretos, no se pueden usar Modelos Ocultos de Markov. En este vídeo se explican los Filtros Kalman, que permite realizar los mismos cálculos que con los HMM pero usando funciones gaussianas, realizando inferencia mediante la aplicación de funciones lineales a la media.



viernes, 10 de marzo de 2017

Vídeo Nº 155: IA Probabilidad - Modelos Ocultos de Markov 13

Explicación completa del Filtrado de Partículas, un método de inferencia aproximada para redes bayesianas dinámicas, alternativa a los Modelos Ocultos de Markov cuando hay demasiados estados. Explicación mediante ejemplo y pseudocódigo.



miércoles, 8 de marzo de 2017

Vídeo Nº 154: IA Probabilidad - Modelos Ocultos de Markov 12

Introducción a las redes bayesianas dinámicas, una generalización de los Modelos Ocultos de Markov que permite datos continuos y grandes cantidades de estados. Se mostrará un ejemplo y se explicará cómo realizar inferencia con las mismas.



viernes, 3 de marzo de 2017

Vídeo Nº 152: IA Probabilidad - Modelos Ocultos de Markov 10

Se explica cómo obtener la secuencia de sucesos más probable ocurrida a partir de la secuencia de evidencias recopiladas. A este tipo de inferencia en modelos temporales de redes bayesianas se le denomina Explicaócin Más Probable y es la última de las inferencias en Modelos Ocultos de Markov que queda por ver. Se usarán dos algoritmos: enrejado de estados y algoritmo de Viterbi.



miércoles, 1 de marzo de 2017

Vídeo Nº 151: IA Probabilidad - Modelos Ocultos de Markov 09

Ejemplo de como realizar la inferencia de tipo suavizado en Modelos Ocultos de Markov. En este caso, se suaviza los filtrados que se hicieron en el ejemplo de hace 3 vídeos y queda demostrado que realizar un suavizado permite definir estados de creencia más ajustados a la realidad y con menos incertidumbre.



lunes, 27 de febrero de 2017

Vídeo Nº 150: IA Probabilidad - Modelos Ocultos de Markov 08

Cómo realizar inferncia de tipo suavizado en modelos ocultos de markov para mejorar los filtrados. El suavizado permite calcular un estado del pasado dadas las evidencias hasta el presente. Se realizará un análisis del algoritmos y se mostrará su pseudocódigo.



viernes, 24 de febrero de 2017

Vídeo Nº 149: IA Probabilidad - Modelos Ocultos de Markov 07

Cómo modelar el filtrado como una función a la que se le pasa el último valor calculado y la nueva evidencia para obtener el siguiente valor (propagación hacia adelante). Otro tema a tratar es la comparación de Modelos Temporales que compartan las mismas evidencias. También se verá cómo hacer predicciones, es decir, calcular las prosibilidades de ciertos estados futuros dadas las evidencias hasta el momento actual.


 

miércoles, 22 de febrero de 2017

lunes, 20 de febrero de 2017

Vídeo Nº 147: IA Probabilidad - Modelos Ocultos de Markov 05

Explicación detallada, paso a paso, de cómo realizar inferencia de tipo filtrado (monitorización) con Modelos Ocultos de Markov. Se van explicando cada paso, integrando el modelo sensorial o de observación con el modelo de transición para obtener la fórmula que permite hacer este tipo de inferencias. Las ventajas de conocer bien este tipo de modelo temporal es enorme ya que, como se verá, el coste en tiempo y espacio es muy bajo.



viernes, 17 de febrero de 2017

Vídeo Nº 146: IA Probabilidad - Modelos Ocultos de Markov 04

Primer vídeo sobre inferencia de tipo filtrado (monitorización) en redes bayesianas. Se explica la inferencia en Modelos de Markov, es decir, cuando aun no hay variables ocultas y se usa sólo el modelo de transición, no el sensorial. Esto permite ver cómo se hacen predicciones y facilita la explicación posterior del filtrado en Modelos Ocultos de Markov.



miércoles, 15 de febrero de 2017

Vídeo Nº 145: IA Probabilidad - Modelos Ocultos de Markov 03

Introdución a la inferencia con modelos temporales en redes bayesianas, en especial los Modelos Ocultos de Markov. Se explica en qué consisten los 4 tipos de inferencia que se podrán realizar: filtrado (monotorización), predicción, suavizado y explicación más proables; así de cómo realizar inferencia en general con las técnicas ya vista en redes bayesianas.



lunes, 13 de febrero de 2017

Vídeo Nº 144: IA Probabilidad - Modelos Ocultos de Markov 02

Segundo vídeo sobre modelos temporales en redes bayesianas, en especial los Modelos Ocultos de Markov (HMM), en el que se explicará el modelo de transición, el modelo sensorial (o de observación), los cálculos que hay que realizar con los mismos y las simplificaciones que se pueden realizar cuando se aplica Markov sobre ellos.



viernes, 10 de febrero de 2017

Vídeo Nº 143: IA Probabilidad - Modelos Ocultos de Markov 01

Primer vídeo introductorio sobre los modelos temporales en redes bayesianas, en especial, el algoritmos Modelos Ocultos de Markov. Se tratarán los estados de creencia, la discretización del tiempo y se explicará detalladamente en qué consiste los procesos o cadenas de Markov y cómo se aplican a las redes bayesianas para tratar los mundos dinámicos con incertidumbre y que cambian a lo largo del tiempo.



miércoles, 8 de febrero de 2017

Vídeo Nº 142: IA Lógica - Sistemas Expertos 02

Segúndo vídeo sobre sistemas expertos donde se hablará sobre las redes asociativas, sus características, ventajas y desventajas. Entre ellas están las redes semánticas, las redes de clasificación (ontologías) las redes causales (redes bayesianas) y las redes neuroanales.



lunes, 6 de febrero de 2017

Vídeo Nº 141: IA Lógica - Sistemas Expertos 01

Primer vídeo explicativo sobre los diferentes sistemas expertos que existen y su evolución a lo largo de las últimas décadas. En este se tratará desde la lógicas clásicas a los marcos y guiones, pasando por lógicas más modernas como las modales, no monótonas y difusas hasta los sistemas basados en reglas.



viernes, 3 de febrero de 2017

Vídeo Nº 140: IA Lógica - Representar el Conocimiento 03

Último vídeo sobre técnicas efectivas de representar el conocimiento en el que se trata el problema de modificar la base de conocimiento eliminando tanto las sentencias que ya no son válidas como las que se infirieron a partir de ellas.



miércoles, 1 de febrero de 2017

Vídeo Nº 139: IA Lógica - Representar el Conocimiento 02

Consejos sobre la forma más efectiva de representar eventos, intervalos de tiempo, creencias, pensamientos, etc. en planificación con lenguajes lógicos. A veces, no es suficiente con la lógica de primer orden y tenemos que recurrir a otras lógicas más potentes, como la lógica modal.



lunes, 30 de enero de 2017

Vídeo Nº 138: IA Lógica - Representar el Conocimiento 01

Primer vídeo sobre buenas prácticas y consejos para diseñar objetos en planificacion lógica. Se explica lo que es una ontología y una taxonomía, la relación que tiene la lógica con la programación orientada a objetos y sus ventajas. También se muestran varias técnicas eficaces para trabajar con categorías, objetos y atributos.



viernes, 27 de enero de 2017

Vídeo Nº 137: IA Lógica - Planificación en Entornos Complejos 02

Segundo vídeo sobre planificación lógica en entornos complejos, esta vez se hablará sobre replanificación y entornos multiagente. Se comentarán las necesidades de monitorización para replanificar y se hará una introducción a los diferentes aspectos necesarios para la cooperación y coordinación entre agentes para lograr una tarea.



miércoles, 25 de enero de 2017

Vídeo Nº 136: IA Lógica - Planificación en Entornos Complejos 01

Primer vídeo sobre la planificación lógica en entornos parcialmente observables y no determinísticos. Se explica cómo modificar PDDL para trabajar con estados de creencia, percepciones y crear planes de contingencia.



lunes, 23 de enero de 2017

Vídeo Nº 135: IA Lógica - Planificación Jerárquica 02

Explicación, pseudocódigo y ejemplos de la búsqueda de soluciones abstractas usando sólo las HLA como alternativa a la búsqueda de soluciones primitivas de la planificación jerárquica en lógica. Se realiza mediante la definición de conjuntos alcanzables, semántica angelical y descripciones.



viernes, 20 de enero de 2017

jueves, 19 de enero de 2017

lunes, 16 de enero de 2017

Vídeo Nº 132: IA Lógica - Planificación: Tiempos, Horarios y Recursos 01

Primer vídeo sobre planficación lógic avanzada. Se amplía PDDL para incluir los tiempos de ejecución de las acciones y, de esta forma, trabajar con horarios. También se tendrá en cuenta que, en la vida real, los recursos son limitados y deben compartirse entre los agentes de forma colaborativa.