Inteligencia Artificial

Unidad 1 Fundamentos de la Inteligencia Artificial. Historia de la Inteligencia Artificial. Estudio de Agentes en la Inteligencia Artificial. Formas de Representar el Conocimiento. Crucigrama. Unidad 2 Robotica. I ntroducción . Lenguajes de Programación de Robotica . Crucigrama . Unidad 3 Parecer Humano. Definición. Clasificación.  Métodos. Estado del Arte. Primer Programa en Pasar la Prueba de Turing.  Referencias: imagen: https://www.elandroidelibre.com/wp-content/uploads/2016/11/Inteligencia-Artificial.jpg

El estudio de los agentes que reciben percepciones del entorno y llevan a cabo las acciones. Que tiene implicaciones: E/S debe de tener entrada de datos y salida (reacción). En un programa, los datos de entrada son los que la computadora va a procesar. Los datos de salida son datos derivados, es decir, obtenidos a partir de los datos de entrada. Por esta razón, a los datos de salida se les considera más significativos que a los datos de entrada. Ambos tipos de datos son información (textos, imágenes, sonidos, vídeos,...) que maneja la computadora. Sin embargo, en un sentido más filosófico, a los datos de entrada se les considera la materia prima de los datos de salida, considerados estos como la verdadera información. Acción a realizar §   Conocimiento Una base de conocimiento es un tipo especial de base de datos para la gestión del conocimiento. Provee los medios para la recolección, organización y recuperación computarizada de conocimiento Base

Génesis de la Inteligencia Artificial - 1943 Warren McCulloch  y Walter Pitts Warren McCulloch y Walter Pitts son los autores del primer trabajo de IA, basándose en 3 fuentes: fisiología  básica, y funcionamiento de las neuronas en el cerebro, la lógica proposicional(Russell y Withehead) y la teoría de la computación de "Turing". Diseñaron un modelo construido por neuronas artificiales, en el que cada una de ellas debería de estar activada o desactivada; la activación se daba como respuesta, a la estimulación producida por una cantidad suficiente de neuronas vecinas. El estado de una neurona se veía como " equivalente, de echo a una proposición con unos estímulos adecuados ”. Mostraron que cualquier función de cómputo podría realizarse mediante una red de neuronas interconectadas y que todos los conectores lógicos se  podían implementar utilizando estructuras de red sencillas; También sugirieron que redes adecuadamente definidas podrían aprender.