Pauta Certamen No.

2: Inteligencia Articial
Profesor: John Atkinson Viernes 2 de Septiembre del 2011

Conceptos
1. Clustering es una tcnica que permite agrupar preferencias en un sistema e colaborativo en base a similaridades, lo que permite posteriormente realizar recomendaciones automticamente. a 2. Existen muchos criterios, restricciones, procedimientos establecidos de antemano, naturaleza de la oferta/demanda, espacio de bsqueda que hacen u muy d cil y poco efectiva realizar negociaciones manuales. La negociacion automatica permite disear agentes que en forma autnoma saifagan n o intereses de un usuario en base a sus expectativas sin tener que especicar el procedimiento de antemano. 3. Establer reglas o patrones simplemente en base a conocimiento actual reglas es muy complicado debido al ruido e incompletitud de este tipo de informacin. Mediante aprendizaje supervisado es posible, encontrar o patrones, guindose por la experiencia previa que ha tenido el sistema a en forma robusta. Esto le permite posteriormente generalizar para tomar decisiones sobre muestras no vistas previamente.

Problemas
1. Primero convertimos a clusulas de primer orden y luego a su forma normal a (CNF): (a) perro(x) aullar(x) (b) tiene(x, y) gato(y) tiene(x, z) raton(z) (c) dormilon(x) tiene(x, y) aullar(y) (d) tiene(P edro, a) gato(a) perro(a) (e) dormilon(P edro) tiene(P edro, b) raton(b) Luego:

(a) Ahora probamos la conclusin por resolucin: o o i. Con 1a y 1d(b) se obtiene 1(a)i: gato(a) aullar(a) ii. Con 1b y 1e(c) se obtiene 1(a)ii: tiene(x, y)gato(y)tiene(x, b) iii. Con 1(a)ii y 1e(b) se obtiene 1(a)iii: tiene(P edro, y)gato(y) iv. Con 1(a)i y 1(a)iii se obtiene 1(a)iv: tiene(P edro, a)aullar(a) v. vi. vii. viii. Con Con Con Con 1d(a) y 1(a)iv se obtiene 1(a)v: aullar(a) 1c y 1(a)v se obtiene 1(a)vi: dormilon(x) tiene(x, a) 1d(a) y 1(a)vi se obtiene 1(a)vii: dormilon(P edro) 1e(a) y 1(a)vii se obtiene:

Por lo tanto la clusula es falsa, y se demuestra la conclusin. a o (b) Para demostracin de la conclusin por Forward Chaining, se debe o o asumir la existencia de ciertas clusulas instanciadas en la KB tales a como dormilon(P edro), perro(p), gato(g), raton(r). Entonce simplemente se puede inferir con la ultima clusula que dado dormilon(P edro) a se tiene tiene(P edro, r) raton(r). 2. Para esto: (a) Se deben calcular los pesos de la red y actualizar segn corresponda, u para luego determinar los casos correctamente clasicados. Se asume que los atributos no-numricos se convierten a nmeros simples: e u

(b) Se debe calcular la ganancia de informacin para los atributos EDAD, o REGION, PARTIDO y PROFESION. Sin embargo, debido a su distribucin, EDAD y REGION deben tener la misma ganancia (no o se repiten valores respecto a la clase). Calculando la ganancia para todos se obtiene aproximadamente: ganancia(edad) = ganancia(region) = 0.86, ganancia(partido) = 0.2, ganancia(prof esion) = 0.34