apuntes.txt

//16 de agosto


evaluación
10% Participacion
35% examen
55% Proyectos

-AMI (redes nerutonales)
-AG(algoritmos geneticos)
-Abu`s(algoritmos de busqueda)
-dm(data mining)	knime
-DL(deep learning)	tensorflow

playground.tensorflow.org

//17 de agosto

1943.- se crea la primera forma de inteligencia artificial

.-inteligencia artificial: conjunto de tecnicas que busca emular conocimiento y aprendizaje

la IA se divide en dos categorias : los sistemas simbolicos(1956-1986) y los sistemas subsimbolicos:

los sistemas simbolicos fue al primer IA que nacio en 1943 fue al primer red neuronal artificial.se pense primeramente para resolver problemas ann y or

IA simbolica: se puede obtener comportamiento inteligente utilizando estructuras de alto nivel como la logica, sistemas expertos, esta puede entender el lenguaje humano entre otras cosas.

los IA subsimbolicos se pueden obtener mediante la interaccion de unidades basicas, tienen un enfoque de bajo nivel y se utiliza el conexionismo que practicamente es la tecnica que utiliza una multitud de objetos basicos y mediante su conexion se obtiene un comportamiento inteligente.

(en un principio los sub-sim estaban ganando y se desarrollo e investigo mucho) con el tiempo nacieron los sistemas simbolicos con sistemas expertos

eventos importantes:
	1943 primeras redes neuronales artificiales
	1950 test touring
	1956 conferencia de dorthmouth(se establecen estandares)

tecnica general de resolucion de problemas inteligentes: 	1.- describir con estador 
															2.- aplicar operadores a los estados  
															3.-resultado final es dado por la secuencia de operadores dados para llegar al estado final


simbolicos:

	.-Sistemas expertos:un sistema de alto nivel que representa un sistema con estructuras de alto nivel , esta hecho por 3 aprtes fundamntales , una base de 			conocimiento,motor de inferencia y una memoria de trabajo
	ejemplos:
		jess(java expert sistem shell)
		LISP (es un lenguaje de programacion)
	.-Guiones 
	.-Marcos
	.-Ontologias
	.-redes semanticas

sub simbolicos
	1986-ahora : los investigadores simbolicos se cambian a sub simbolicos
	ejemplos:
		.-DB
		.-ley de murphy
		.-Mejoras en la programacion

//23 de agosto

cesgo ó bias: pedo adjuntivo que se utiliza para compensar las medias de las entradas y las salidas deseadas

los problemas que se pueden resolver con una red neuronal artificial son dos regresion y clasificacion:

entrenamientos de neuronas:
	supervisado: vamos a tener un conjunto de datos y un conjunto de respuestas
	se neesitan 3 conjuntos uno de entrenamiento y uno de validacion con los errores de la red neuronal y un conjunto de test en el cual debe aver  ejemplos que al red neuronal nunca ha visto 

	overfitting o sobreajuste 
	entrenamientos:

		batch:
		online:
		minibathch:

	no supervisado:	

	7/sep

	computacion evolutiva

	*la mutacion consiste en cambiar un gen con una probabilidad muy baja

	*evaluacion se toman los mejores prospectos y se descartan los peores , despues de la primer mutacion estos se remplazan por los hijos o prospectos mejores esperando conseguir mejores resultados

	5 gusanos y cada gusano hecho por celdas mientras mas celdas negras los gusanos tienen mas probabilidades de ser bien vergas y que no los vean los pajaros y se los chinguen 
	se descartan los pendejitos y se empiezan a cruzar los chingones
	se reevalua y se practica insesto para crear un gusano nigga

	la computacion evolutiva se divide en dos partes principales :

		Algoritmos geneticos:
			Son los programas que se centran en utilizar informacion , los programas se construyen con arboles que pueden ser muy anchos muy largos depende de la codificacion , la modificaion y cruce mueve arboles los podan depende de la mutacion y el modelado del programa.

			representacion:
				se necesitan muchos individuos y cada unos debe ser una solucion posible al problema
				cada individuo tiene 
					*genes:bloque base de un genotipo (en los gusanos cada gen era un bloque true o false , blanco o negro) estos genes se pueden representar de cualquier manera , cadnas numeros , booleanos vectores , objetos
					*genotipo:conjunto de genes de los individios(en los gusanos seria en conjunto de los cinco genes )
					*fenotipo:es como se ve desde afuera nuestro individuo(se usa apra dividir al individuo de lo que es a l que representa)
					*funcion de adaptacion: cuan bien nuestro individuo esta resolviendo el problema que le proponemos

				el fin de esto es encontrar al individuo con la funcion de adaptacion mayor
				Ii(Gi,Fi,FAi)

				fuerzas principales
				exploracion:es cauzada por la mutacion (el chiste es explorar espacios que no estan en consideracion)
				explotacion:cruces	

				una alta explotacion y baja exploracion daria como resultado una busqueda muy local de lo contracion se daria una busqueda muy random sin control , ya no seria una busqueda solamente generar un punto al hacer que sea perfecto 


		Programacion genetica:da igual no la usaremos , creo

	Tipos de seleccion:
		seleccion por ruleta: se seleccionan proporcionalmente a su funcion de adaptacion(ver tablita mamalona de la libreta)

		seleccion por ranking:simplemente se toman los individuos , se ordenan, y se le asigna una probabilidad, depende a su posicion

		Muestra estocastica universal:
		seleccion por torneo:seleccionamos un numero fijo y sacamos los mejores
		seleccion jerarquica: se usa en problemas como el de la antena , simplemente algunas no funcionan , se corre una evaluaicon y se eliminan las que no funcionan y en la segunda se evaluan ya los chingones

		Muestreo por restos:se toman restos para sacar los mas chingones de las probabilidades que salieron anteriormente 

	Tipos de cruces:el cruce puede ser mono-punto o multi-punto

		simple:solo de hacen los crucen asi bien vale vergas a partir de un punto creado

		probabilidad:se asignan probabilidades y despues se da un numero aleatorio y mediante ese se generan los puntos y cruces, sirve para guiar un poco este pedo

		aritmetico:

		uniforme:se le asigna una probabilidad a los padres de 0 hasta 1 a ambos padres y asi decidimos que tanto genoma sera dle padre uno y del padre 2 , como quien dice nosotros escojemos al mas chingon 

	Tipos de mutacion: tambien puede ser mono-punto o multi-punto

		en la mutacion tomamos un gen al azar y lo mutamos por cualquiera de las dos formas

		simple: tomar un gen al azar y lo mutamos (cambiamos su valor dependiendo del problema)

		mutacion adaptiva por convergencia:

		mutacion por temperatura: fijamos una temp. minima y una maxima que son nuestras probabilidades de mutacion , cada generacion se actualiza la probabilidad de mutacion al tiempo T-1 + la constante , de esta manera se aumenta o se disminuye el ritmo de la mutacion 

		no uniformes:nosotros asignamos probabilidades a los genes y decidimos cuales tienen mas probabilidad de ser mutados y cuales menos , si en el problema tenemos un indivuduo que queremos cuidar o que sea mas estable asi por asi decirlo le damos una probabilidad baja 

		mutaciones sobre alfabetos de alta cardinalidad(mutacion por intercambio): cuando tenemos un conjunt de elementos y no solo podemos quitar uno y ya , tenemos que hacer un swap o utilizar otras tecnicas pero debemos tenerlos en consideracion pq no simplemente podemos borrar un valor y hacer una copia de otro 

//13 de septiembre
	
	Algoritmos de remplazo:
		en el remplazo tenemos una subpoblacion que entrara por los que eliminaremos 
			remplazo generacional:nosotros creamos x individuos con x poblacion
			estado estacionario:no modificamos todos los individuos , dejamos uno , imaginando una poblacion de 100 elementos , que individuos podemos remplazar? los menos aptos,y los remplazamos con los individuos obtenidos de la seleccion ; el remplazo de los padres
			si es aleatorio ps es aleatorio , a la chingada como bambi
			otro metodo es por individuos similares , tomamos el individuo A y buscamos en la poblacion uno similar y lo descartamos de la poblacion y insertamos al individuo A(esto se puede hacer por adaptacion similar o un genoma similar).

	**elitismo:es la caracteristica que nos esta premiando a los individuos mejores de cada generacion,estos sirven para encontrar mas rapidamente nuestro individuo ideal

	**diversidad genetica :representa cuanto los individuos se parceen uno con el otro , o cuanto diferente son una individuo con otro
	**causas de una diversidad genetica baja , son 3 :

		*la inicializacion: como inicializamos nuestros individuos que valores le damos a nustrsos genomas 

		*el algoritmo de remplazo : al hacer el remplazo podemos llegar a descartar mejores individuos que aun deben desarrollarse un poco mas , quedandonos en una situacion en la que creemos alcanzar el mejor punto dentro del grafo pero estariamos dejando al azar pq no seguiriamos viendo las otras regiones del grafo

		*presion selectiva alta: digamos que agarramos los 5 mejores indviduos de 100 , estos generaran los siguientes 95 hijos , los hijos tendran las mismas caracteristicas de los padres lo cual nos dara una diversidad genetica baja

		****una vez que se llega a una diversidad genetica baja ya valio verga , ya no hay vuelta atras

		**soluciones:
			*cuidar estos 3 aspectos
			*reinicializamos toda la poblacion e iniciamos desde cero
			*un archivo de la poblacion

	**Evaluacion:
		fitness puro: r(i,t)= E|t(i,3)-o(i,j)|   r fitness , i es el individuo y t es el tiempo (target - output)(libreta 1)
		fitness estandarizado (ver en la libreta 1.1)
		firness ajustado (1.2)
		fitness normalizado(1.3)

	1.-representable
	2.-espacio de busqueda razonable

	caracteristicas generales para dibujar los algoritmos chingones

		cruce:
			1.-el genoma resultante debe tener caracteristicas de ambos padres
			2.-tenemos que producir individuos validos
			3.-la probabilidad de cruce debe ser muy alta

		Mutacion:
			1.-La mutacion tiene que poder alcanzar todo el espacio de busqueda
			2.-tenemos que producir individuos validos
			3.-la probabilidad tiene que ser muy baja
			4.-La mutacion tiene que ser controlada

		algoritmos de remplazo:
			1.-tener cuidado con la diversidad genetica


	**genotipos de valores reales:
			.son genotipos cuyos genes son de valores reales
			tiene 2 tipos de cruce que se pueden aplicar:
				1.-cruce uniforme: es del cruce normalon se crea un puto y a partir de ese se hace el cruce
				2.-cruce aritmetico: crea nuevos genomas segun una funcion hacia los genes de los padres.(funcion para el 90% de los problemas de cruce aritmetico 2.0)
	**genotipos con valores oirdenados:
			mutacion x intercambio:
			pmx(partially match crossover):en este nosotros estamos agarrando valores de ambos padres , seleccionamos un punto de mutacion , se hace la mutacion , recorremos el hijo y si hay una repeticion de un genoma lo cambiamos por el siguiente dentro del padre , y asi hasta que este ordenado y valido

	ejercicio:
	tenemos 10 cartas desde el 1 hasta el 10 , tenemos que dividirlo en 2 filas de manera que la suma d els cartas de la fila 1 nos de un numero lo mas cercano al 16 y la multiplicacion de las cartas de la fila 2 nos de uno cercano a 360


//14-septiembre
	** Manejo de restricciones
			Metodos abortivos:
			Metodos anticonceptivos:evitamos que estos individuos invalidos nazcan 
			Metodos reparativos: modificamos el genoma para hacer que pase de no valido a valido
			Funcion de penalizacion: nos da un valor que depende de que tan malo es el individuo

	**algoritmos de migracion

		**centralizado /en granja

		**islas /distribuido:

		**Modelo de grano fino o celular:

	**optimizcion multiobjetivo:
		
		-combinacon de objetivo:
			f(X)= sumatoria Fi(X)*W  (w=peso )

		-asignacion de prioridades:

		-optimo de edgeworth-pareto o optimo de pareto
			1.-la solucion ma es peor que ninguna otra por cada objetivo
			2.- la solucion es mejor que todas las demas por las menos en 1 objetivo 

	**division por nichos:
		Funcion de distancia:d(x,y)=R entran dos individuos y regresa la diatancia 
		sharing: 
					   --
					  |
				sh(d)=|
					  |
					  --


//20 de septiembre
	
	**sub-simbolicos


		estados iniciales: estado desde donde podemos empezar nuestro problema
		1.- definir estados , todos los posibles estados del problema
		2.- definir estados iniciales
		3.-encontrar estados finales
		4.-aplicar operadores

		estrategias de control de busqueda:
			*direccion :hacia adelante,hacia atras y bidireccional
						factor de ramificacion medio
						dependiendo del problema (induccion / deduccion)
						necesidad de justificar los pesos

			*info utilizada:
							sin informacion(ciega)
							con informcion (heuristica)

			*considerqacion del efecto regla:
							ventajas:irrevocable , con una consideracion irrevocable podriamos no alcanzar estado final

//21 de septiembre
		camino optimo pasante por m
		f(m)=g(ml)+ h(m) m= a camino optimo m->EF
					  |-->coste del camino optimo m0->m		

		f(m)= g(m)+ h(m)


//27 de septiembre 


		
		Busqueda de contrincante:
			1.-dos jugadores
			2.-victoria de uno corresponde a la victoria de otro
			3.-que podemos calcular los estados de victoria , derrota,empate
			4.-se conocen las posibilidades de movimiento
			5.-se conocen los mov hechos 
			6.-se desconoce la estrategia del contrincante
			7.-no interviene el azar


			min-max:
				1:si n es max->v(n) = max hijos
				2:si n es min->v(n)= min hijos
				3:si estamos en la frontera de exploracion v(n)= f(n)

			ALFA_BETA:

				efecto horizonte:
					busqueda con proffit iterativa


				mejoras:
					1:ordenamiento de los nodos
					2:profundizacion iterativa
					3:Movimiento nulo
					4:movimiento asesino
					5:ventana pequeña
					6:movimiento de ibro