Explicar sobre las formas de representación del conocimiento en IA.

La representación del conocimiento y el razonamiento 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.
Llamamos Forma de Representación del Conocimiento (F.R.C.) a la notación usada para
representar el mismo, es decir la manera en que se almacena.
En los primeros intentos de escritura de programas que permitiesen interfaces en lenguaje
natural, se hizo obvia la necesidad de una manera para representar una gran colección de
hechos estructurados de forma compleja. Consideremos la cantidad de conocimiento que
debe usarse para permitir que un programa “comprenda” el siguiente texto sencillo:
“Juan decidió visitar a Guillermo. Condujo hasta su casa, pero vio que todas las luces
estaban apagadas, por lo que, en vez de ello, fue al cine.”
Y contestar preguntas como las siguientes: ¿Vio Juan a Guillermo?, ¿Qué casa estaba
oscura?, ¿Quién fue al cine? El problema de la comprensión de un texto en lenguaje
natural es difícil por la gran cantidad de conocimiento que debe representarse y
manipularse. Por un lado está el conocimiento perteneciente a la interfaz del programa y
por otro el conocimiento sobre la sintaxis y vocabulario del lenguaje mismo. Es útil
separar estos dos aspectos tanto como sea posible, pues ambos son muy difíciles. Las
representaciones que estudiaremos pueden usarse tanto en sistemas que tratan con
entradas en lenguaje natural como en aquellos que no lo hacen.
No existe actualmente una F.R.C. general, capaz de ser usada con éxito en todo tipo de
aplicación. Ante un problema de un dominio específico es necesario realizar la selección
de la F.R.C. más adecuada a dicho problema. Para realizar esta selección debemos tener
en cuenta los siguientes criterios:
- Debe describir los hechos importantes acerca del dominio del problema y exponer las
restricciones de manera natural, reflejando la estructura de los objetos, los hechos y las
relaciones entre ellos.
- El conocimiento almacenado debe ser completo (expresar todo lo necesario) y conciso
(expresar los hechos de forma eficiente).
- Debe suprimir detalles, manteniendo sólo los hechos necesarios. Inteligencia Artificial.
- El conocimiento almacenado debe ser transparente, o sea, comprendido con facilidad.
- Debe facilitar el cálculo, o sea, que almacene y recupere información rápidamente.
- Debe ser manipulable por una computadora.
- Debe aceptar conocimiento empírico, teórico o heurístico, y combinar el conocimiento
declarativo con el procedural, de acuerdo a los requerimientos de la aplicación.

Explicar en el foro sobre aprendizaje profundo

Aprendizaje profundo (en inglés, deep learning) es un conjunto de algoritmos de
clase aprendizaje automático (en inglés, machine learning) que intenta modelar
abstracciones de alto nivel en datos usando arquitecturas compuestas de
transformaciones no lineales múltiples. 1
El aprendizaje profundo es parte de un conjunto más amplio de métodos de aprendizaje
automático basados en asimilar representaciones de datos. Una observación (por
ejemplo, una imagen) puede ser representada en muchas formas (por ejemplo,
un vector de píxeles), pero algunas representaciones hacen más fácil aprender tareas de
interés (por ejemplo, "¿es esta imagen una cara humana?") sobre la base de ejemplos, y
la investigación en esta área intenta definir qué representaciones son mejores y cómo
crear modelos para reconocer estas representaciones.
Varias arquitecturas de aprendizaje profundo, como redes neuronales profundas, redes
neuronales profundas convolucionales, y redes de creencia profundas, han sido
aplicadas a campos como visión por computador, reconocimiento automático del habla,
y reconocimiento de señales de audio y música, y han mostrado producir resultados de
vanguardia en varias tareas.
En general se trata de una clase de algoritmos ideados para el aprendizaje automático. A
partir de este punto común, diferentes publicaciones se centran en distintas
características, por ejemplo:

 Usar una cascada de capas con unidades de procesamiento no lineal para extraer y
transformar variables. Cada capa usa la salida de la capa anterior como entrada. Los
algoritmos pueden utilizar aprendizaje supervisado o aprendizaje no supervisado, y
las aplicaciones incluyen modelización de datos y reconocimiento de patrones.
 Estar basados en el aprendizaje de múltiples niveles de características o
representaciones de datos. Las características de más alto nivel se derivan de las
características de nivel inferior para formar una representación jerárquica.
 Aprender múltiples niveles de representación que corresponden con diferentes
niveles de abstracción. Estos niveles forman una jerarquía de conceptos.

Explicar en el foro sobre aprendizaje automático

El aprendizaje automático es un tipo de inteligencia artificial (AI) que proporciona a las

computadoras la capacidad de aprender, sin ser programadas explícitamente. El
aprendizaje automático se centra en el desarrollo de programas informáticos que pueden
cambiar cuando se exponen a nuevos datos.
El proceso de aprendizaje automático es similar al de la minería de datos. Ambos
sistemas buscan entre los datos para encontrar patrones. Sin embargo, en lugar de
extraer los datos para la comprensión humana –como es el caso de las aplicaciones de
minería de datos– el aprendizaje automático utiliza esos datos para detectar patrones en
los datos y ajustar las acciones del programa en consecuencia. Los algoritmos del
aprendizaje automático se clasifican a menudo como supervisados o no supervisados.
Los algoritmos supervisados pueden aplicar lo que se ha aprendido en el pasado a
nuevos datos. Los algoritmos no supervisados pueden extraer inferencias de conjuntos
de datos.

El feed de noticias de Facebook utiliza el aprendizaje automático para personalizar

el feedde cada miembro. Si un miembro detiene frecuentemente su desplazamiento para
leer o "gustar" de las publicaciones de un amigo en particular, el feed de noticias
empezará a mostrar más actividad de ese amigo antes en el feed. Detrás del telón, el
software simplemente utiliza análisis estadístico y análisis predictivo para identificar
patrones en los datos del usuario, y utilizar patrones para rellenar el feed de noticias. En
caso de que el miembro ya no detenga para leer, gustar o comentar sobre los mensajes
del amigo, esos nuevos datos se incluirán en el conjunto de datos y el feed de noticias se
ajustará en consecuencia.

http://roa.ult.edu.cu/bitstream/123456789/236/1/CAP2IA.pdf

https://es.wikipedia.org/wiki/Representaci%C3%B3n_del_conocimiento

https://es.wikipedia.org/wiki/Aprendizaje_profundo

https://searchdatacenter.techtarget.com/es/definicion/Aprendizaje-automatico-machine-
learning