Libro
J. Mira, A. E. Delgado, J. G. Boticario y F. J. Díez.
Aspectos básicos de Inteligencia Artificial.
Editorial Sanz y Torres,
Madrid, 1995. Reimpreso en 2001. xi+604 págs.
Autores
- José Mira Mira
- Ana Esperanza Delgado García
- Jesús González Boticario
- Francisco Javier Díez Vegas
- Dpto. Inteligencia Artificial
- E.T.S.I. Informática
- UNED
Índice
(Entre corchetes se indican las páginas.)
Presentación [xi]
1. PERSPECTIVA HISTÓRICA Y CONCEPTUAL [1]
(J. Mira y A. E. Delgado)
- 1.1 Concepto de inteligencia artificial [2]
- 1.2 Idea intuitiva del comportamiento artificial [7]
- 1.3 Perspectiva histórica de la I.A. [16]
- 1.3.1 Neurocibernética [18]
- 1.3.2 Computación: de Platón a Turing [23]
- 1.3.3 Búsqueda heurística y dominios formales [29]
- 1.3.4 Énfasis en el conocimiento (197x-198x) [32]
- 1.3.5 Aprendizaje y renacimiento del conexionismo [46]
2. ASPECTOS METODOLÓGICOS EN I.A. [53]
(J. Mira y A. E. Delgado)
- 2.1 Niveles de computación [54]
- 2.2 El nivel de conocimiento de Allen Newell [63]
- 2.3 El agente observador y los dos dominios de descripción [69]
- 2.4 Estructura de tareas genéricas para modelar conocimiento en el D.O. [75]
- 2.4.1 La clasificación como tarea genérica [78]
- 2.4.2 La metodología KADS [80]
- 2.5 I.A. simbólica versus I.A. conexionista [84]
3. FUNDAMENTOS Y TÉCNICAS BÁSICAS DE BÚSQUEDA [89]
(J. G. Boticario)
- 3.1 Planteamiento del problema [90]
- 3.2 Espacios de representación [94]
- 3.2.1 Nociones básicas sobre grafos [94]
- 3.2.2 Representación de los problemas de búsqueda [97]
- 3.2.3 Cómo limitar el espacio de búsqueda [101]
- 3.3 Búsqueda en integración simbólica [102]
- 3.3.1 Descripción general del sistema [103]
- 3.3.2 Lenguaje de descripciones [104]
- 3.3.3 Lenguaje de operadores [106]
- 3.3.4 Equiparación de descripciones [107]
- 3.3.5 Solucionador [108]
- 3.4 Búsqueda sin información del dominio [111]
- 3.4.1 Búsqueda en amplitud [112]
- 3.4.2 Búsqueda en profundidad [116]
- 3.4.3 Búsqueda con retroceso [120]
- 3.4.4 Otros métodos derivados [124]
- 3.5 Reducción del problema [128]
- 3.6 Algoritmo general de búsqueda en grafos [131]
- 3.7 Discusión [134]
4. BÚSQUEDA HEURÍSTICA [137]
(J. G. Boticario)
- 4.1 Elementos implicados [138]
- 4.1.1 Conocimiento de control [140]
- 4.1.2 Planteamiento del problema [144]
- 4.2 Una estrategia irrevocable [145]
- 4.3 Estrategias de exploración de alternativas [148]
- 4.3.1 Búsqueda primero el mejor [149]
- 4.3.2 Algoritmo A* [152]
- 4.3.3 Búsqueda heurística en integración simbólica [158]
- 4.3.4 Método AO* [162]
- 4.4 Búsqueda con adversarios [165]
- 4.4.1 Estrategia MINIMAX [167]
- 4.4.2 Estrategia de poda alfa-beta [172]
- 4.5 Análisis de medios-fines [176]
- 4.6 Comentario [178]
5. LÓGICA [179]
(J. G. Boticario)
- 5.1 El uso de la lógica en la representación del conocimiento [180]
- 5.2 Lógica de proposiciones [181]
- 5.3 Lógica de predicados [188]
- 5.3.1 Ampliaciones de la lógica de predicados [196]
- 5.4 Deducción automática: resolución [198]
- 5.4.1 Forma clausulada [199]
- 5.4.2 Unificación [204]
- 5.4.3 Método general de resolución [207]
- 5.5 Extensiones de la lógica clásica [213]
- 5.5.1 Lógica modal [214]
- 5.5.2 Lógica difusa [217]
- 5.5.3 Lógicas no monótonas [224]
- 5.6 Conclusiones [229]
6. REGLAS [231]
(F. J. Díez)
- 6.1 Componentes básicos de los S.B.R. [232]
- 6.2 Estructura de las reglas [234]
- 6.2.1 Antecedente y consecuente [234]
- 6.2.2 Uso de variables en las reglas [237]
- 6.2.3 Comentarios [237]
- 6.3 Inferencia [239]
- 6.3.1 Comparación de patrones [239]
- 6.3.2 Tipos de encadenamiento [240]
- 6.3.3 Dependencia reversible e irreversible [243]
- 6.4 Control del razonamiento [244]
- 6.4.1 Mecanismos sencillos [244]
- 6.4.2 Control de las agendas [246]
- 6.4.3 Metarreglas [247]
- 6.4.4 Otros mecanismos [249]
- 6.5 Explicación del razonamiento [250]
- 6.6 Tratamiento de la incertidumbre [252]
- 6.6.1 Factores de certeza de MYCIN [253]
- 6.6.2 Lógica difusa en S.B.R. [254]
- 6.7 Valoración [256]
- 6.7.1 Comparación con los programas basados en comandos [256]
- 6.7.2 Comparación con la lógica de predicados [258]
- 6.7.3 Crítica de los sistemas basados en reglas [259]
- 6.8 Apéndice: expresividad y tratabilidad [260]
- 6.9 Bibliografía recomendada [261]
7. REDES ASOCIATIVAS [263]
(F. J. Díez)
- 7.1 Grafos relacionales [264]
- 7.1.1 Modelo de memoria semántica, de Quillian [264]
- 7.1.2 Sistema SCHOLAR, de Carbonell [268]
- 7.1.3 Grafos de dependencia conceptual, de Schank [270]
- 7.1.4 Problemas de los grafos relacionales [274]
- 7.2 Redes proposicionales [274]
- 7.2.1 Redes de Shapiro [275]
- 7.2.2 Representación mediante grafos de Sowa [276]
- 7.2.3 Inferencia en grafos de Sowa [281]
- 7.3 Redes de clasificación [283]
- 7.3.1 Extensión e intensión [283]
- 7.3.2 Jerarquía de conceptos [284]
- 7.3.3 Mecanismos de herencia [286]
- 7.3.4 Sistemas taxonómicos / sistemas asertivos [287]
- 7.4 Redes causales [288]
- 7.4.1 El sistema experto CASNET [289]
- 7.4.2 Redes bayesianas [292]
- 7.4.3 Ventajas y limitaciones de las redes
causales [299] - 7.5 Comentarios finales [301]
- 7.6 Bibliografía recomendada [302]
8. MARCOS Y GUIONES [305]
(F. J. Díez)
- 8.1 Concepto de marco [306]
- 8.1.1 La propuesta de Minsky [306]
- 8.1.2 El sistema experto PIP [308]
- 8.1.3 El lenguaje KRL [311]
- 8.1.4 Herramientas basadas en marcos [313]
- 8.2 Inferencia mediante marcos [314]
- 8.2.1 Facetas [314]
- 8.2.2 Demonios [315]
- 8.2.3 Puntos de vista [316]
- 8.3 Guiones [317]
- 8.3.1 Planteamiento del problema [317]
- 8.3.2 Representación del conocimiento [318]
- 8.3.3 Inferencia mediante guiones [319]
- 8.3.4 Ventajas, inconvenientes y extensiones [322]
- 8.4 Comentarios [325]
- 8.4.1 Paradigmas en la utilización de los marcos [325]
- 8.4.2 Valoración [326]
- 8.5 Bibliografía recomendada [328]
9. SISTEMAS EXPERTOS [329]
(J. Mira, A. E. Delgado y otros)
- 9.1 Concepto de S.E.: estructura básica, características, ventajas y limitaciones [330]
- 9.1.1 Estructura básica [332]
- 9.1.2 Características de un sistema experto [335]
- 9.1.3 Ventajas y limitaciones [337]
- 9.2 Escenarios y funciones [340]
- 9.3 Tareas genéricas: ejemplos de monitorización y diagnóstico [346]
- 9.3.1 Catálogo de tareas genéricas [346]
- 9.3.2 La monitorización como tarea genérica: el ejemplo de SUTIL [349]
- 9.3.3 El diagnóstico como tarea genérica [355]
- 9.4 Aspectos metodológicos de ayuda al desarrollo de sistemas expertos [360]
- 9.4.1 Identificación y análisis del problema (TG1) [363]
- 9.4.2 Adquisición y modelado del conocimiento (TG2) [365]
- 9.4.3 Reducción al nivel simbólico (TG3) [369]
- 9.5 Ayudas a la implementación (TG4) [371]
- 9.5.1 Entornos de desarrollo [373]
- 9.5.2 Herramientas para la adquisición del conocimiento [393]
- 9.5.3 Interfaz de usuario [400]
- 9.6 Validación y evaluación (TG5) [410]
- 9.6.1 Razones para la evaluación [411]
- 9.6.2 Criterios y técnicas de evaluación [413]
- 9.7 Aspectos básicos en la explicación del razonamiento [418]
10. APRENDIZAJE [423]
(J. G. Boticario)
- 10.1 Introducción [423]
- 10.1.1 Análisis de la situación [423]
- 10.1.2 Breve reseña histórica [426]
- 10.2 Aprendizaje [427]
- 10.2.1 Concepto [427]
- 10.2.2 Objetivos y tarea [430]
- 10.3 Tipos de aprendizaje [435]
- 10.3.1 Inducción basada en ejemplos [437]
- 10.3.2 Inducción basada en el conocimiento del dominio [457]
- 10.3.3 Aprendizaje deductivo [458]
- 10.3.4 Aprendizaje por analogía [469]
- 10.3.5 Aprendizaje multiestrategia [477]
- 10.4 Observaciones [482]
11. COMPUTACIÓN NEURONAL [485]
(J. Mira y A. E. Delgado)
- 11.1 Las redes neuronales como modelo de computación distribuida y autoprogramable [486]
- 11.2 Inspiración en la neurología [491]
- 11.2.1 Distintos tipos de neuronas [493]
- 11.2.2 Arquitecturas modulares [497]
- 11.2.3 Posibles funciones de computación local [499]
- 11.2.4 Pistas sobre el aprendizaje [500]
- 11.3 Formalización de la computación en una capa [508]
- 11.4 Modelo genérico de neurona artificial [511]
- 11.5 Funciones de computación local [513]
- 11.5.1 Modelos analógicos [514]
- 11.5.2 Expansiones del modelo analógico: neuronas de orden superior [523]
- 11.5.3 Modelos lógicos [524]
- 11.5.4 Modelos inferenciales [527]
- 11.6 Aprendizaje en redes neuronales artificiales [532]
- 11.6.1 Reglas correlacionales [534]
- 11.6.2 Minimización de una función del error: retropropagación del gradiente [536]
- 11.6.3 Ejemplos de retropropagación del gradiente: XOR, predicción de series temporales y control [548]
- 11.6.4 Funciones de refuerzo [557]
- 11.7 Simbiosis entre I.A. simbólica y computación neuronal: aspectos metodológicos [559]
Referencias [577]