Una red bayesiana, o red de creencia, es un modelo probabilísticomultivariado que relaciona un conjunto de variables aleatorias mediante un grafo dirigido que indica explícitamente influencia causal. Gracias a su motor de actualización de probabilidades, elTeorema de Bayes, las redes bayesianas son una herramienta extremadamente útil en la estimación de probabilidades ante nuevas evidencias.
Una red bayesiana es un tipo de red causal. Un híbrido de red bayesiana y Teoría de la Utilidad es un diagrama de influencia.
VIDA ARTIFICIAL
La vida artificial es el estudio de la vida y de los sistemas artificiales que exhiben propiedades similares a los seres vivos, a través de modelos de simulación. El científico Christopher Langton fue el primero en utilizar el término a fines de la década de 1980 cuando se celebró la "Primera Conferencia Internacional de la Síntesis y Simulación de Sistemas Vivientes" (también conocido como Vida Artificial I) en Laboratorio Nacional de Los Álamos en 1987.
El área de vida artificial es un punto de encuentro para gente de otras áreas más tradicionales como lingüística, física, matemáticas,filosofía,psicología, ciencias de la computación, biología, antropología ysociología en las que sería inusual que se discutieran enfoques teóricos y computacionales. Como área, tiene una historia controvertida; John Maynard Smith criticó ciertos trabajos de vida artificial en1995calificándolos de "ciencia sin hechos", y generalmente no ha recibido mucha atención de parte de biólogos. Sin embargo, la reciente publicación de artículos sobre vida artificial en revistas de amplia difusión,1 como Science y Nature son evidencia de que las técnicas de vida artificial son cada vez más aceptadas por los científicos, al menos como un método de estudio de la evolución.
![](https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEgoubeJHih2ihTkkHHoQ5hrSrmWccckGLKabO9gms99NniS3P3eDW2384_KhB7yZgWp7R2o49-0PgUvkH-HRnZlsh6hEcU4hqt9Bmt9r6lii9tE0OTor6RtrfSNiblL_eO41YWh86C8HIU2/s320/vida+artificial.jpg)
ESTRATEGIAS EVOLUTIVAS
En informática, las estrategias evolutivas son métodos computacionales que trabajan con una población de individuos que pertenecen al dominio de los números reales, que mediante los procesos de mutación y de recombinación evolucionan para alcanzar el óptimo de la función objetivo.
Cada individuo de la población es un posible óptimo de la función objetivo; la representación de cada individuo de la población consta de 2 tipos de variables: las variables objeto y las variables estratégicas. Las variables objeto son los posibles valores que hacen que la función objetivo alcance el óptimo global y las variables estratégicas son los parámetros mediante los que se gobierna el proceso evolutivo o, en otras palabras, las variables estratégicas indican de qué manera las variables objeto son afectadas por la mutación.
Haciendo una analogía más precisa, el genotipo en las estrategias evolutivas es el conjunto formado por las variables objeto y las variables estratégicas. Y el fenotipo son las variables objeto, ya que conforme se da la variación de éstas, se percibe un mejor o peor desempeño del individuo.
ALGORITMOS GENÉTICOS
Los algoritmos genéticos establecen una analogía entre el conjunto de soluciones de un problema, llamado fenotipo, y el conjunto de individuos de una población natural, codificando la información de cada solución en una cadena, generalmente binaria, llamada cromosoma. Los símbolos que forman la cadena son llamados los genes. Cuando la representación de los cromosomas se hace con cadenas de dígitos binarios se le conoce como genotipo. Los cromosomas evolucionan a través de iteraciones, llamadas generaciones. En cada generación, los cromosomas son evaluados usando alguna medida de aptitud. Las siguientes generaciones (nuevos cromosomas), llamada descendencia, se forman utilizando dosoperadores genéticos, de sobrecruzamiento y de mutación.
Son llamados así porque se inspiran en la evolución biológica y su base genético-molecular. Estos algoritmos hacen evolucionar una población de individuos sometiéndola a acciones aleatorias semejantes a las que actúan en la evolución biológica(mutaciones y recombinaciones genéticas), así como también a una Selección de acuerdo con algún criterio, en función del cual se decide cuáles son los individuos más adaptados, que sobreviven, y cuáles los menos aptos, que son descartados. También es denominado algoritmos evolutivos, e incluye las estrategias evolutivas, la programación evolutiva y laprogramación genética.
TÉCNICAS DE REPRESENTACIÓN DEL CONOCIMIENTO
La representación del conocimiento se utiliza para la clasificación en bibliotecas y para procesar conceptos en un sistema de información. En el área de la inteligencia artificial, la resolución de problemas puede ser simplificada con la elección apropiada de representación del conocimiento.
Si bien representar el conocimiento de una manera hace la solución más simple, elegir una representación inadecueda puede hacer que la solución sea difícil. Una analogía es hacer cálculos con números arábigos o con números romanos. Dentro de las técnicas de representación del conocimiento tenemos: reglas, marcos, redes semánticas, entre otras. Asimismo, no se conoce una representación que pueda servir para cualquier propósito.
REDES SEMÁNTICAS
Una red semántica o esquema de representación en Red es una forma de representación de conocimiento lingüístico en la que los conceptos y sus interrelaciones se representan mediante un grafo. En caso de que no existan ciclos, estas redes pueden ser visualizadas como árboles. Las redes semánticas son usadas, entre otras cosas, para representarmapas conceptuales y mentales.
En un grafo o red semántica los elementos semánticos se representan por nodos. Dos elementos semánticos entre los que se admite se da la relación semántica que representa la red, estarán unidos mediante una línea, flecha o enlace o arista. Cierto tipo de relaciones no simétricas requieren grafos dirigidos que usan flechas en lugar de líneas.
FRAMES
Se denomina frame en inglés, a un fotograma o cuadro, una imagenparticular dentro de una sucesión de imágenes que componen una animación. La continua sucesión de estos fotogramas producen a lavista la sensación de movimiento, fenómeno dado por las pequeñas diferencias que hay entre cada uno de ellos.
La frecuencia es el número de fotogramas por segundo que se necesitan para crear movimiento.
VISIÓN ARTIFICIAL
La Visión artificial, también conocida como Visión por Computador oVisión técnica, es un subcampo de la inteligencia artificial. El propósito de la visión artificial es programar un computador para que "entienda" una escena o las características de una imagen.
Los objetivos típicos de la visión artificial incluyen:
La detección, segmentación, localización y reconocimiento de ciertos objetos en imágenes (por ejemplo, caras humanas).
La evaluación de los resultados (ej.: segmentación, registro).
Registro de diferentes imágenes de una misma escena u objeto, i.e., hacer concordar un mismo objeto en diversas imágenes.
Seguimiento de un objeto en una secuencia de imágenes.
Mape o de una escena para generar un modelo tridimensional de la escena; tal modelo podría ser usado por un robot para navegar por la escena.
Estimación de las posturas tridimensionales de humanos.
Búsqueda de imágenes digitales por su contenido.
![](http://eltamiz.com/images/chip_vision.jpg)
AUDICION ARTIFIAL
El implante coclear es un dispositivo electrónico que se coloca -mediante una cirugía- en el oído interno. Es conectado en forma directa al nervio auditivo para obtener una audición artificial, explica el Dr. Luis Costas, uno de los dos únicos cirujanos otorrinolaringólogos paraguayos certificados para realizar esta operación.
"Para los pacientes que ni siquiera con audífonos pueden percibir los sonidos, esta es su única alternativa", resalta.
LINGUISTICA COMPUTACIONAL
La lingüística computacional es un campo multidisciplinar de la lingüística y la informática que utiliza la informática para estudiar y tratar el lenguaje humano. Para lograrlo, intenta modelar de forma lógica el lenguaje natural desde un punto de vista computacional. Dicho modelado no se centra en ninguna de las áreas de la lingüística en particular, sino que es un campo interdisciplinar, en el que participan lingüistas, informáticos especializados en inteligencia artificial, psicólogos cognoscitivos y expertos en lógica, entre otros.
PROCESAMIENTO DEL LENGUAJE NATURAL
El Procesamiento de Lenguajes Naturales —abreviado PLN, o NLP del idioma inglés Natural Language Processing— es una subdisciplina de la Inteligencia Artificial y la rama ingeniería de la lingüística computacional. El PLN se ocupa de la formulación e investigación de mecanismos eficaces computacionalmente para la comunicación entre personas o entre personas y máquinas por medio de lenguajes naturales. El PLN no trata de la comunicación por medio de lenguajes naturales de una forma abstracta, sino de diseñar mecanismos para comunicarse que sean eficaces computacionalmente —que se puedan realizar por medio de programas que ejecuten o simulen la comunicación—. Los modelos aplicados se enfocan no sólo a la comprensión del lenguaje de por sí, sino a aspectos generales cognitivos humanos y a la organización de la memoria. El lenguaje natural sirve sólo de medio para estudiar estos fenómenos.
MINERIA DE DATOS
La minería de datos (DM, Data Mining) consiste en la extracción no trivial de información que reside de manera implícita en los datos. Dicha información era previamente desconocida y podrá resultar útil para algún proceso. En otras palabras, la minería de datos prepara, sondea y explora los datos para sacar la información oculta en ellos.
Bajo el nombre de minería de datos se engloba todo un conjunto de técnicas encaminadas a la extracción de conocimiento procesable, implícito en las bases de datos. Está fuertemente ligado con la supervisión de procesos industriales ya que resulta muy útil para aprovechar los datos almacenados en las bases de datos.
Las bases de la minería de datos se encuentran en la inteligencia artificial y en el análisis estadístico. Mediante los modelos extraídos utilizando técnicas de minería de datos se aborda la solución a problemas de predicción, clasificación y segmentación.
PREGUNTAS:
¿Cree usted que mediante la Inteligencia Artificial se puedan crear robots con actitudes mentales tales como creencias e intenciones?
R/= No creo que se pueda porque pienso que eso solo es una virtud del ser humano y un robot no tiene un cerebro con que pensar ni con que sentir ellos solo están programados para hacer lo que se les ordena
¿Cree usted que los robots podrían la capacidad de obtener conocimiento, es decir, aprender?
R/= No porque ellos no piensan por ellos mismos ni razonan por ellos mismos es mas ni piensan ni razonan empezando por eso, entonces no creo que esto pueda ocurrir
¿Cree usted que se inventaran maquinas que puede resolver problemas, incluso
Particionado problemas complejos en otros más simples?
R/= Puede que si pero no tanto como solucionarnos los problemas si no darnos opciones o consejos por decirlo de alguna manera
¿Cree usted que los robots puedan llegar a entender. Poseer la capacidad de crearle sentido, si es posible, a ideas ambiguas o contradictorias?
R/= Puede que si pueda ponerle coherencia a una frase o algo parecido y hasta entender pero no como una persona si no porque puede estar programado para eso entonces solo entenderá lo que le programen no cualquier pregunta suelta que le hagan.
¿Cree usted que los robots podrían Planificar, predecir consecuencias, evaluar alternativas (como en los juegos de ajedrez)?
R/= Pues si y no, viéndolo desde el punto de vista de un juego de ajedrez si puede ser más factible porque lo pueden programar para predecir consecuencias o evaluar alternativas solo desde el juego, Y no porque no creo que un robot pueda ser capaz de decidir si hace o no hace algo por el mismo.