¡Bienvenidos al futuro, Bienvenidos a la Inteligencia Artificial! Blog del curso en castellano sobre desarrollo de aplicaciones de Inteligencia Artificial. Con una serie de vídeos aprenderás tanto las bases de la I.A. como los detalles de cada uno de los algoritmos de los que se compone, clasificados por áreas y aplicaciones. Todo explicado de forma sencilla y amena por José Luis Iglesias Feria, Ingeniero Informático de la UNED, apasionado de la Inteligencia Artificial.
Vídeo introductorio sobre las técnicas que permiten mezclar la lógica con la probabilidad y las redes bayesianas. Esto permite tratar la incertidumbre desde el enfoque lógico y mejorar la capacidad expresiva de las redes bayesianas. Se verán los Modelos de Probabilidad Relacional (RPM) y los Modelos de Probabilidad de Universos Abiertos (OUPM).
Agentes reactivos basados en modelos para la lógica de primer orden, sobre todo comparándolos con los agentes lógicos basados en la lógica de proposiciones. También se hablará al final sobre la ingeniería del conocimiento y los pasos generales a realizar para crear programas lógicos.
Segundo vídeo sobre inferencia en lógica de primer orden. En este caso, encadenamientos hacia delante y hacia atrás, siendo este último la base de la inferencia en los lenguajes lógicos como Prolog. Los encadenamientos son casos específicos y más eficientes de resolución, a costa de tener que usar sólo cláusulas de Horn y otras mejoras para reducir su coste computacional.
Resumen de dos métodos de inferencia de primer orden: deducción y sus reglas de inferencia, que no se suele usar mucho en IA; y resolución (forma normal prenexa, skolemización, forma clausulada, unificación), que es el método más usado en IA y que es la base de los encadenamientos hacia delante y hacia atrás. El problema es que tiene un rendimiento muy pobre y un alto costo computacional, por lo que también se nombrarán algunos métodos para mejorar su eficiencia.
Explicación de la semántica en la lógica de primer orden, en especial cómo se construye un mundo, cómo se calcula los valores de verdad de las fórmulas, las equivalencias en las que intervienen los cuantificadores y la semántica de base de datos, que suele simplificar los cálculos de inferencia.
Motivación para pasar ampliar la lógica de proposiciones e introducción a la lógica de primer orden, explicando su léxico (símbolos, alfabeto) y su sintaxis (gramática).
Explicación de cómo son los agentes lógicos basados en la lógica de proposiciones: sus características, su funcionamiento, sus ventajas e inconvenientes, el tipo de reglas con las que deben trabajar para poder hacer inferencia lógica de forma efectiva y cómo se pueden usar en planificación.
Se explican dos algoritmos (DPLL y WalkSAT) basados en el algoritmos de las tablas de verdad, también basados en vuelta atrás de PSR, y que son más efectivos ya que llevan a cabo ciertas mejoras para que la búsqueda tarde mucho menos. Se explican y se muestra su pseudocódigo. Estos algoritmos pueden determinar la satisfacibilidad de la base de conocimiento y se pueden usar en combinación con la resolución y los encadenamientos hacia delante y hacia atrás para obtener inferencia de forma efectiva con lógica de proposiciones.
Adaptación del algoritmo MiniMax para entornos más complejos, como son los entornos parcialmente observables o los entornos estocásticos en los que influye el azar y que se implementa con nodos de posibilidad mediante el algoritmo ExpectiMiniMax. Por último, se verá una introducción a las alternativas al MiniMax.
Mejoras del algoritmos MiniMax para poder hacerlo más tratable y reducir su complejidad. Establecimiento de una profundidad máxima y uso de funciones de evaluación en vez de utilidad para estados no finales. Efecto horizonte y mejoras en las podas.
