Sistemas Inteligentes UTP 2013 III(8)

PERIODO 2013-II

SISTEMAS INTELIGENTES

ESCUELA DE INGENIERÍA DE REDES Y COMUNICACIONES

JOSE EDUARDO TORRES VEGACoronel EP ( R )

Diplomado en Ciencia y TecnologíaIngeniero Electrónico CIP

Maestro en AdministraciónExperto en Logística

Diplomado en Seguridad y Salud OcupacionalDocente Universitario a nivel pre grado y post grado

Consultor en Servicios de TelecomunicacionesEstudios Teóricos de Radiaciones No Ionizantes

PRESENTADO POR:


SEM. HRS. TEMA

1 04Lógica para Sistemas Inteligentes: Introducción a la representación del conocimiento; Introducción a las ontologías formales

2 04 Lógica para Sistemas Inteligentes: Lógicas descriptivas; lógicas híbridas

3 04Computación Neuro borrosa: Teoría de conjuntos borrosos, Definiciones y operaciones básicas, Extensión a la lógica, Algoritmo básico de inferencia borrosa

4 04Computación Neuro borrosa: Redes neuronales: motivaciones, Modelos, historia, Arquitectura de Redes, Aprendizaje: paradigmas, reglas, algoritmos,

5 04Computación Neuro borrosa: Perceptron simple y multicapas, Redes auto organizadas, recurrentes y jerárquicas, Funciones de base radial, Implementaciones y aplicaciones

6 04 Minería de datos: Definición y clasificación; El proceso de minería de datos

7 04 Minería de datos: Métodos supervisados; Métodos no supervisados ; aplicaciones

8 04 Control Inteligente: Introducción a los Sistemas de Control. Modelado y simulación de sistemas dinámicos

9 04 Control Inteligente: Control clásico, Regulación; Control borroso; Control Neuronal

10 02 EXAMEN PARCIAL

11 04 Control Inteligente: Control adaptativo; Control basado en algoritmos genéticos; Control experto; Aplicaciones

12 04Inteligencia ambiental y Sistemas multiagente: Introducción; Tecnología básica para el desarrollo de Sistemas de inteligencia ambiental

13 04Inteligencia ambiental y Sistemas multiagente: Modelos inteligentes; Aplicaciones de inteligencia ambiental; Introducción a los Agentes y Sistemas Multiagente

14 04Inteligencia ambiental y Sistemas multiagente: Arquitecturas; Tipos de agentes; Comunicación; Sistemas multiagente

15 04Ingeniería Web y Web semántica: Introducción; Lenguaje unificado del modelado; Proceso software en la Ingeniería Web

16 04Ingeniería Web y Web semántica: Métodos de desarrollo para aplicaciones web; Web semántica y Ontologías; Análisis temporal de sistemas

17 04Robot autónomos: Introducción. Estructura General; estructura mecánica; Actuadores y Sensores; Capacidades autónomas; Planificación y como evitar colisiones

18 04 Nuevas tendencias en Sistemas Inteligentes: 19 02 EXAMEN FINAL20 02 EXAMEN SUSTITUTORIO


CONTROL SILÁBICO

SUMARIO

1. TECNOLOGÍA BÁSICA PARA EL DESARROLLO DE SISTEMAS DE INTELIGENCIA AMBIENTAL

2. MINERIA DE DATOS MAS CONOCIDOS3. SISTEMAS DE CONTROL

BIBLIOGRAFÍA

1. J-s.R. Jang, C-T Sun and E. Mizutani (1996) Neuro-Fuzzy and Soft Computing – Prentice Hall2. Aranda Almanza, et, al (2000) Fundamentos de Lógica matemática Sanz y Forés3. Dumitrescu, Lazzzerini , Jain (2000) Fuzzy Sets and their application to clustering and

training-CRC Press 2000.



DIMENSION TECNOLÓGICA:

HARDWARE NO OBSTRUCTIVO: MINIATURIZACIÓN Y NANO-TECNOLOGÍAS, DISPOSITIVOS INTELIGENTES, ORDENADORES EMBEBIDOS, ALIMENTACIÓN, SENSORES, ACTIVADORES …INFRAESTRUCTURAS DE COMUNICACIONES CONTINUAS BASADAS EN ACCESO WEB FIJO Y MÓVIL.REDES DE DISPOSITIVOS DINÁMICOS Y DISTRIBUIDOS, DISPOSITIVOS INTEROPERABLES Y REDES CONFIGURABLES A MEDIDA, INTELIGENCIA EMBEBIDA EN REDES.INTERFACES HUMANAS SIMILARES A LAS NATURALES: AGENTES INTELIGENTES, INTERFACES MULTIMODALES, MODELOS DE PERCEPCIÓN DE CONTEXTO.FIABILIDAD Y SEGURIDAD: SISTEMAS ROBUSTOS Y FIABLES, SOFTWARE CAPAZ DE AUTO- CHEQUEO Y AUTO-REPARACIÓN Y AUTOORGANIZACIÓN

TECNOLOGÍA BÁSICA PARA EL DESARROLLO DE SISTEMAS DE INTELIGENCIA AMBIENTAL


DIMENSION SOCIAL:

LA GENTE NO ACEPTA TODO LO QUE SEA TECNOLÓGICAMENTE POSIBLE Y ESTÉ DISPONIBLE.LA POBLACIÓN NECESITA CIERTAS CAPACIDADES Y HABILIDADES PARA ADQUIRIR Y UTILIZAR LAS TECNOLOGÍAS: DINERO, TIEMPO, HABILIDADES, APTITUDES, LENGUAJE, ETC., QUE NO ESTÁN HOMOGÉNEAMENTE DISTRIBUIDAS ENTRE LA POBLACIÓN.LA GENTE PUEDE HACER USO DE TECNOLOGÍAS DE FORMA MUY DIFERENTE A LOS USOS PREVISTOS POR LOS PROVEEDORES (INTERNET, SMS…).NUEVOS USOS DE LAS TIC QUE EMERGEN COMO INTERACCIÓN DE USUARIOS Y PRODUCTORES.LA DEMANDA DE LOS USUARIOS SÓLO SE CUBRE SI EL PRECIO ES ATRACTIVO.NO EXISTE EL PRODUCTO TÍPICO O DE USO NORMAL, SINO UNA DIVERSIDAD DE USOS Y USUARIOS.HAY DIFERENCIA ENTRE PROPIETARIOS, USUARIOS Y FAMILIARIZADOS CON LAS TIC. LA GENTE TIENE TECNOLOGÍA, PERO PUEDE NO UTILIZARLA; LA GENTE USA TECNOLOGÍAS PERO PUEDE NO TENER CONFIANZA EN ELLA


FUNCIONES DEL HOGAR INTELIGENTES:

ORDENADORES QUE AYUDAN A LA POBLACIÓN A VIVIR DE FORMA MÁS SANA, FELIZ Y SEGURAREALIZACIÓN DE TAREAS COTIDIANAS AUTOMÁTICAMENTE REDUCIENDO EL STRESS DE LA GESTIÓN DOMÉSTICAINTEGRACIÓN DEL HOGAR CON EL TRABAJO, EL APRENDIZAJE Y EL OCIODESAPARICIÓN DE TODOS LOS DETALLES EXTRAVAGANTES ACTUALES

PRINCIPALES TENDENCIAS:

ACELERACIÓN DEL RITMO DE LA VIDA DIARIA, ESTILO DE VIDA FRENÉTICO, DEMANDA CRECIENTE DE EFICIENCIA Y FLEXIBILIDAD EN LAS RUTINAS DIARIASLÍMITES POCO CLAROS ENTRE EL TIEMPO Y EL ESPACIO (CRECIMIENTO DE LA TELE- PRESENCIA)ENVEJECIMIENTO DE LA POBLACIÓN CON UNA MAYOR DEMANDA POR PARTE DE LOS MAYORES DE PERMANENCIA EN SUS HOGARESDEMANDA CRECIENTE DE SEGURIDADPRESIÓN CRECIENTE SOBRE LOS PROBLEMAS MEDIOAMBIENTALES Y EL AHORRO ENERGÉTICO (PROMOVER EL DESARROLLO SOSTENIBLE Y COMPENSAR LOS ALTOS PRECIOS DE LA ENERGÍA)INVESTIGACIÓN CRECIENTE DE EXPERIENCIAS Y PROYECTOSNECESIDAD CRECIENTE DEL HOGAR COMO UN SANTUARIO, MODO DE VIDA TECNOLÓGICO


FUNCIONES BÁSICAS A SER CUMPLIDAS POR LOS HOGARES:

AUTOMATIZACIÓN DEL HOGAR: SOPORTE DE LAS FUNCIONES BÁSICAS COMO PUEDE SER LA CALEFACCIÓN, VENTILACIÓN, AIRE ACONDICIONADO ASÍ COMO OTRAS INSTALACIONES ELÉCTRICAS. LAS FUNCIONES DE SEGURIDAD TAMBIÉN ESTÁN INCLUIDAS DENTRO DEL AUTOMATISMO E INCLUYE DIFERENTES ASPECTOS: SEGURIDAD EN TÉRMINOS DE CONTROL DE ACCESO FÍSICO Y SISTEMAS DE ALARMAS, SEGURIDAD EN TÉRMINOS DE SALUD (PREVENCIÓN, MONITORIZACIÓN) Y SEGURIDAD EN TÉRMINOS DE CONSTRUCCIÓN SEGURA Y DE MATERIALES. TAMBIÉN SE INCLUYEN LAS FUNCIONES DE CONTROL.COMUNICACIÓN Y SOCIALIZACIÓN, INCLUYE LA COMUNICACIÓN INTERPERSONAL Y EL ACCESO A INTERNET Y A OTROS SISTEMAS DE INFORMACIÓN.DESCANSO, RELAJACIÓN Y ENTRETENIMIENTO CONSTITUYEN UN ELEMENTO BÁSICO, CON LA ELECTRÓNICA DEL HOGAR COMO VÍDEO, TV, MÚSICA, JUEGOS, ETC. TAMBIÉN INCLUYE LAS FUNCIONES RELACIONADAS CON LA HIGIENE.TRABAJO Y APRENDIZAJE, CON UN AUMENTO DE SUS POSIBILIDADES EN EL HOGAR.INCLUYE EL TRABAJO DE MANTENIMIENTO Y CUIDADO DEL HOGAR, PERO TAMBIÉN LAS ACTIVIDADES PROFESIONALES QUE SE PODRÍAN REALIZAR EN CUALQUIER OTRO SITIO.


AUTOMATIZACIÓN DEL HOGAR:

FUNCIONES BÁSICAS DE AYUDA: CLIMATIZACIÓN, ELECTRICIDAD Y OTRAS INSTALACIONES.

SEGURIDAD

CONTROL DE ACCESO FÍSICO

CUIDADO DE LA SALUD Y BIENESTAR

COMUNICACIÓN

DESCANSO, RELAJACIÓN Y ENTRETENIMIENTO

TRABAJO Y APRENDIZAJE

ACEPTACIÓN


Objetivo Ámbito de uso Usuarios ProveedoresGestión de tráfico- Optimización deluso de las infraestructuras

- Conservación del medioambiente

- Público: gestión,predicción, monitorización y encaminamiento- Comercial: transporte de mercancías

Público en general,pasajeros especiales y usuarios demedios de transporte

-Administraciónpública- Transportistas- Proveedores de servicios- Industria TIC

Navegación- Llegada al destinode la forma más rápida y adecuada- Evitar los cambios de medios de transporte

- Privado y público:información general e individual del tráfico- Público: Ayuda, navegación de vehículos individuales

Público en general - Industria delautomóvil- Autoridades públicas- Transportistas- Proveedores de servicios- Industria TIC

SeguridadReducción delriesgo de accidentes

Público: ayuda alconductor, vigilancia del vehículo y del medio ambiente

- Público en general- Grupos especiales: conductores profesionales- Grupos de riesgo

- Autoridadespúblicas- Industria del automóvil- Industria textil- Artículos de deporte e industria del ocio- Industria TIC

Información móvil y entretenimiento- Información sobreel entorno de una persona, especialmente sobre las opciones de movilidad- Entretenimiento y acceso a información donde sea posible y necesario

- Todos: asistentede información personal- Público y privado: dependiente de la localización- Comercial:multimedia

- Público general- Gruposespeciales: turistas, viajeros de negocios

- Proveedores decontenidos, industria del entretenimiento- Proveedores de servicios- Autoridades semipúblicas: oficinas de turismo- Industria TIC


ADQUISICIÓN VALIDACIÓN REPRESENTACIÓN DIFUSIÓN LAS PRINCIPALES APLICACIONES Y HERRAMIENTAS PARA LOS FUTUROS ESCENARIOS ESTARÁN

ENFOCADAS HACIA ENTORNOS VIRTUALES Y COMUNIDADES VIRTUALES UTILIZACIÓN DE AGENTES INTELIGENTES EN EL PROCESO DE APRENDIZAJE Y EVALUACIÓN

DEL CONOCIMIENTO INTERFACES DE USUARIOS CONTINUAS, ADAPTATIVAS Y INTERACTIVAS HERRAMIENTAS DE ACCESO A INFORMACIÓN REDES ACTIVAS A NIVEL LOCAL, CÍVICAS Y GLOBALES TECNOLOGÍAS MÓVILES CRECIMIENTO DE LA VELOCIDAD/CAPACIDAD DE LOS ORDENADORES CON DISMINUCIÓN

DE SU TAMAÑO EVOLUCIÓN DE LOS DISPOSITIVOS DE PRESENTACIÓN COMUNICACIONES Y ORDENADORES DE BAJO-COSTE ROBOTS INTELIGENTES PARA USO UBICUO

ORGANIZACIÓN DEL CONOCIMIENTO


Categorías Contexto de uso Usuarios

Prevención GeneralComercial Privado Laboral

Público generalGrupos especiales Población de diferentes grupos de edad

Tratamiento PúblicoComercialPrivado

Pacientes

Cuidado PúblicoComercialPrivado

MayoresDiscapacitados Enfermos crónicos Pacientes en rehabilitación Personas en exclusión social

Gestión y administración Público / comercial PacientesCiudadanos

APLICACIONES EN EL AREA DE SALUD


EN EL CONCEPTO DE INTELIGENCIA AMBIENTAL (AMI) CONVERGEN TRES TECNOLOGÍAS: COMPUTACIÓN UBICUA, COMUNICACIONES UBICUAS E INTERFACES INTELIGENTES AMIGABLES PARA EL USUARIO


LAS CARACTERÍSTICAS TECNOLÓGICAS PRINCIPALES DE LA INTELIGENCIA AMBIENTAL, PUEDEN SER: HARDWARE NADA INTRUSIVO Y DE GRAN COMPATIBILIDAD, INCLUYENDO REDES ÓPTICAS, NANO Y MICRO ELECTRÓNICA, TECNOLOGÍAS DE POTENCIA Y DE PRESENTACIÓN, CHIPS DE RADIOFRECUENCIA DE MUY BAJA POTENCIAINFRAESTRUCTURA DE COMUNICACIONES FIJA / MÓVIL CONTINUA, PLATAFORMAS ABIERTAS O ESTÁNDARES DE FACTO QUE PERMITAN LA INTEROPERABILIDAD. REDES DE ÁREA PERSONAL (PAN) INTEGRADAS EN REDES DE ÁREA DE VEHÍCULOS (VAN), A SU VEZ INTEGRADAS EN REDES DE ÁREA AMPLIA (WAN)REDES DE DISPOSITIVOS MASIVA Y DINÁMICAMENTE DISTRIBUIDOSINTERFACES HUMANAS DE ASPECTO NATURAL, TECNOLOGÍAS INTUITIVAS, NUEVOS MATERIALESDESARROLLOS PERSONALES Y COMUNITARIOS, INCLUYENDO FACTORES DE DISEÑO SOCIO- TECNOLÓGICO, SOPORTE DE INTERACCIÓN HOMBRE – HOMBRE, BASES DE DATOS DISTRIBUIDASFIABILIDAD Y SEGURIDAD PRIVADA, SISTEMAS DE AUTENTICACIÓN BIOMÉTRICOS, FIRMA DIGITAL Y MÉTODOS BASADOS EN LA GENÉTICATECNOLOGÍA QUE GARANTICE EL DERECHO A LA INTIMIDAD / ANONIMATO / IDENTIDAD DE LAS PERSONAS Y DE LAS ORGANIZACIONESREDUCIR EL COSTE SOCIAL Y EL RIESGO PARA LA SALUD.


LAS REDES QUE PERMITEN LA INTERCONEXIÓN ENTRE DIFERENTES DISPOSITIVOS LLEVABLES CONSTITUYEN LAS BAN (BODY AREA NETWORKS, EN ESPAÑOL, REDES DE ÁREA CORPORAL). PARA ASEGURAR LA INTEROPERABILIDAD ENTRE DIFERENTES FABRICANTES, ES NECESARIO DEFINIR UN PROTOCOLO DE COMUNICACIONES COMÚN. UN DISPOSITIVO DE UNA BAN PUEDE SER TANTO UN EQUIPO COMPLETO (POR EJEMPLO, UN TELÉFONO MÓVIL) COMO UN COMPONENTE ÚNICO (POR EJEMPLO, UN AUDÍFONO O UN TECLADO). ESTOS ELEMENTOS NORMALMENTE NO NECESITAN COMUNICARSE A MÁS DE 1 A 2 M DE DISTANCIA Y PERMITE LA TRANSMISIÓN DE VARIAS CLASES DE PARÁMETROS.


802.11 802.15 802.16 802.20

Espectro Sin licencia Sin licencia LicenciaSin licencia

Licencia

Banda de frecuencias 2,4GHz, 5GHz Varias segúnaplicación

10-66GHz2-11GHz

Por debajo3,5GHz

Tipo de acceso Area Local Espaciopersonal

Accesos fijosPMP y mallados en MAN

Ubicuidad enáreas metropolitanas

Movilidad Portatibilidad Espaciopersonal

Fijo

Alimentación Batería Batería Red BateríaLOS/NLOS NLOS NLOS LOS (10-

66GHz) NLOS (2-11GHz)

NLOS

Capas afectadas PHY y MACpara LAN

PHY y MACpara PAN

PHY y MACpara acceso inalambrico PMP

PHY y MACpara redes acceso móviles

CONFIGURACIONES INALÁMBRICAS:


Bluetooth HomeRF IEEE802.11a

Wireless1394 IEEE1394+UWB

Espectro 2,4 GHz (Banda ICM)

2,4 GHz (Banda ICM)

5,2 GHz (Banda ICM) 5,2 GHz(Banda ICM)

3,1-10,6 GHz

Régimen de pico a 720 Kb/s 0,8 ~ 1,6Mb/s

~ 54 Mb/s ~ 70 Mb/s >100Mb/s(~ 400 Mb/s)

Modulación FHSS:1600saltos/s

FHSS: 50 saltos/s OFDM OFDM TH-PPM, PAM Modulación bifase

Distancia < 10m < 50m ~ 50m 10 ~ 20m < 10mTopología de conexión

Per-to-peer maestro- esclavo

Peer-to-peerMs-to-BS

MS-to-BS Peer-to-peer, multisalto

Peer-to-peer, multisalto

Prestaciones en tiempo real

SI SI NO SI SI

Aplicación Telefonía móvil Terminales portátiles

PC, periféricos, terminales móviles

Transmisió n de datos IP

Dispositivos del hogar (audio, vídeo, datos IP)

Dispositivos del hogar (audio, vídeo, datos IP)

La Ultra Wide Band (UWB) es un método de transmisión que se basa en la creación de pulsos de banda base ultracortos con enormes anchos de banda (del orden de varios GHz). Al contrario de los sistemas sin hilos convencionales que convierten señales de banda base en portadoras de radiofrecuencia (RF), la UWB se puede usar en banda base y puede ser considerada como un modelo de transmisión de la banda base que se propaga en frecuencias de RF. Se ha demostrado que la UWB proporciona transmisión de datos fiable a un régimen que sobrepasa los 100 Mb/s dentro de edificios, con densidades espectrales de potencia extremadamente bajas


PREDICEN FUTURAS TENDENCIAS Y COMPORTAMIENTOS, PERMITIENDO EN LOS NEGOCIOS TOMAR DECISIONES PROACTIVAS Y CONDUCIDAS POR UN CONOCIMIENTO ACABADO DE LA INFORMACIÓN (KNOWLEDGE-DRIVEN).

SE BASA EN LA EXTRACCIÓN DE INFORMACIÓN OCULTA Y PREDECIBLE DE GRANDES BASES DE DATOS; QUE PERMITE RESPONDER A PREGUNTAS SOBRE EL COMPORTAMIENTO PARTICULAR DE ALGUNOS TEMAS Y QUE CONSUMEN DEMASIADO TIEMPO PARA PODER SER RESUELTAS Y CUYOS USUARIOS DE ESTA INFORMACIÓN NO ESTÁN DISPUESTOS A ACEPTAR. EJ.: REPORTES

LA META ES PRODUCIR NUEVO CONOCIMIENTO QUE EL USUSARIO PUEDA UTILIZAR. PARA LO CUAL SE CONTRUYE UN MODELO DEL MUNDO REAL BASADO EN LOS DATOS DE UNA VARIEDAD DE FUENTES. EL RESULTADO DEL MODELO CONSTRUIDO ES UNA DESCRIPCION DE PATRONES Y RELACIONES EN LOS DATOS QUE SE PUEDE USAR CONFIADAMENTE PARA PREDICCIÓN.

EL MODELADO DE DATOS ES SIMPLEMENTE EL ACTO DE CONSTRUIR UN MODELO EN UNA SITUACION DONDE SE SABE LA RESPUESTA Y LUEGO ESTA SE APLICA A OTRA SITUACION EN LA QUE NO SE SABE LA RESPUESTA

MINERÍA DE DATOS:


PARA OBTENER EL MEJOR RESULTADO, SE DEBE INTEGRARLAS CON UN DATA WAREHOUSE, ASÍ COMO HERRAMIENTAS DE ANÁLISIS INTERACTIVAS Y FLEXIBLES.

MUCHAS HERRAMIENTAS DE ANÁLISIS OPERAN CORRIENTEMENTE FUERA DE UN DATA WARE HOUSE, REQUIRIENDO DE UN PASO PARA EXTRAER, IMPORTAR Y ANALIZAR LOS DATOS. ES CONVENIENTE DISPONER DE UN SERVIDOR QUE REALICE EL PROCESO ANALÍTICO EN LÍNEA (SERVIDOR OLAP).

PARA EVITAR CONFUNDIR LOS ASPECTOS DIFERENTES DE LA MINERIA DE DATOS ES NECESARIO IMAGINAR UNA JERARQUIA DE LAS ELECCIONES Y DECISIONES QUE SE NECESITA HACER ANTES DE EMPEZAR:

META TIPO DE PREDICCIÓN TIPO EJEMPLAR ALGORITMO PRODUCTO

LA CONSTRUCCION DE UN MODELO DE MINERIA DE DATOS CONSISTE EN LA SELECCIÓN DE UN ALGORITMO DE MINERIA DE DATOS QUE SE AJUSTE A LAS METAS QUE SE DESEA OBTENER AL EVALUAR EL CONJUNTO DE CASOS. ESTE A SU VEZ GENERA UN CONJUNTO DE VALORES QUE REFLEJAN UNAS O MÁS VISTAS ESTADÍSTICAS CON EL COMPORTAMIENTO DEL CONJUNTO DE CASOS, LA QUE SE UTILIZA POSTERIORMENTE PARA PROPORCIONAR POSIBLES PATRONES EN CONJUNTOS DE CASOS SIMILARES CON RESULTADOS DESCONOCIDOS


MINERIA DE DATOS PRODUCTIVA O PREDICTIVA:

SE UTILIZAN TECNICAS DE CLASIFICACION Y ESTIMACION PARA DERIVAR UN MODELO DE DATOS CON RESULTADOS CONOCIDOS, QUE ENTONCES SE UTILIZA PARA LLENAR UN ESCENARIO ESPECÍFICO. EL MODELO SE COMPARA ENTONCES CONTRA LOS DATOS DE UN RESULTADO DESCONOCIDO PARA DETERMINAR LA PROBABILIDAD DE TALES DATOS PARA SATISFACER EL MISMO ESCENARIO.

ESTA APROXIMACION SE EMPLEA MEJOR EN UN ESCENARIO CLARO Y PUEDE SER EMPLEADO CONTRA UN GRUPO GRANDE DE DATOS HISTÓRICOS CONOCIDOS PARA CONSTRUIR UN MODELO DE DATOS PREDICTIVO.

ESTE TIPO DE MINERIA DE DATOS ES TRATADA COMO UNA CAJA NEGRA EN QUE EL

USUARIO SE PREOCUPA CADA VEZ MENOS SOBRE EL MODELO Y MÁS SOBRE LOS RESULTADOS QUE SE PUEDEN OBTENER MIRANDO LOS DATOS A TRAVÉS DEL MODELO.

LOS DATOS DIRIGIDOS DE LA MINERIA DE DATOS SE UTILIZAN PARA DESCUBRIR LAS RELACIONES ENTRE ATRIBUTOS DE DATOS DESCONOCIDOS CON O SIN LOS DATOS CONOCIDOS CON QUÉ COMPARAR EL RESULTADO.

PUEDE O NO PUEDE, EXISTIR UN ESCENARIO ESPECÍFICO. EJM. AGRUPACION Y ASOCIACIÓN


MINERIA DE DATOS DIRIGIDA:

LOS PROPIOS DATOS MANEJAN EL PROCESO DE MINERIA DE DATOS.

LA APROXIMACION SE EMPLEA DE MEJOR MANERA EN SITUACIONES EN QUE SE NECESITA DESCUBRIR REGLAS Y PATRONES DE DATOS DESCONOCIDOS.

SE PUEDE LLEGAR A DESCUBRIR ATRIBUTOS SIGNIFICATIVOS Y PATRONES DE DATOS DESCONOCIDOS EN UN CONJUNTO DE DATOS SIN USAR DATOS DE PRUEBA O SIN TENER UN ESCENARIO PREDEFINIDO.

LOS DATOS DIRIGIDOS SON TRATADOS COMO UNA OPERACIÓN DE CAJA BLANCA EN LA QUE EL USUARIO SE INTERESA SOBRE AMBOS PROCESOS UTILIZADOS POR EL ALGORITMO DE LA MINERIA DE DATOS PARA CREAR EL MODELO Y LOS RESULTADOS GENERADOS POR LAS VISTAS A TRAVES DEL MODELO.

CRIPS - DMCROSS-INDUSTRY STANDARD PROCESS FOR DATA MINING.

METODOLOGÍA PARA EL PROCESO DE LA MD. VALIDA EL PROCESO, DISPONE DE MODELOS DE REFERENCIA (PLANTILLAS), AYUDA A

PLANEAR Y ADMINISTRAR PROYECTOS.

SIN PROPIETARIO. DESARROLLADO POR ALGUNOS LÍDERES DE LA INDUSTRIA: IBM, SAS, SPSS/ISL, NCR, DAIMLER-BENZ, OHRA

ALIENTA LA INTER-OPERATIVIDAD DE HERRAMIENTAS. NEUTRAL PARA LA INDUSTRIA Y PARA LA HERRAMIENTA ENFOCADO AL NEGOCIO Y AL ANÁLISIS TÉCNICO


MINERIA DE DATOS MAS CONOCIDOS

ESQUEMA GENERAL

Comprensión del negocio

Comprensión de los datos

Preparación de los datos

Modelación

Evaluación

Despliegue de resultados

DATOS


FasesDETERMINACIÓN DE LOS OBJETIVOS. DEFINICIÓN DE CRITERIOS DE ÉXITO. CALIFICACIÓN DE LA SITUACIÓN. DETERMINACIÓN DE LAS METAS DE LA MINERÍA DE DATOS

RECOLECTAR LOS DATOS INICIALES. DESCRIPCIÓN DE LOS DATOS. EXPLORACIÓN DE LOS DATOS. VERIFICACIÓN DE LA CALIDAD DE LOS DATOS.

SELECCIÓN DE DATOS. LIMPIEZA DE LOS DATOS. CONSTRUCCIÓN DE NUEVOS DATOS. FORMATEO DE LOS DATOS.

SELECCIÓN DE LA TÉCNICA DE MODELACIÓN. GENERACIÓN DE PRUEBAS PARA EL MODELO. CONSTRUCCIÓN DEL MODELO. CALIFICACIÓN DEL MODELO.

APLICACIÓN DEL MODELO A LA RUTINA DIARIA. MONITOREO Y MANTENIMIENTO. REPORTE FINAL

EVALUACIÓN DEL MODELO CON RESPECTO A LOS OBJETIVOS DEL PROYECTO. EVALUACIÓN COSTO-BENEFICIO. EVALUAR SU APLICACIÓN EN LA REALIDAD

COMPRENSIÓN DE NEGOCIO

ENTENDIMIENTO DE DATOS

PREPARACIÓN DE DATOS

MODELADO

EVALUACIÓN

DESPLIEGUE DE RESULTADOS


COMPRENSIÓN DE NEGOCIO


ENTENDIMIENTO DE LOS DATOS


PREPARACIÓN DE LOS DATOS


PREPARACIÓN DE LOS DATOS

Limpieza de datos

Integración de Datos

Transformación de datos

Reducción de datos

Valores extremos Valores null Valores con ruido Valores inconsistentes Valores mal clasificados

Problemas de semántica ¿significa lo mismo?Problemas de temporalidad ¿cuándo fue registrado?Problemas de codificación y formato.Problemas de idioma.Problemas de duplicidad ¿cuál vale?Problema de medio de almacenamiento.

Filas: suma y agregación de datos Columnas: log, sin, exp, tan, etc…Funciones entre columnas.


ENTENDIMIENTO DE LOS DATOS

Recolección de datos iníciales

Descripción de los datos

Exploración de los datos

Verificación de la calidad de los datos

univariadamultivariadaseries de datos


MODELADO


EVALUACIÓN DEL MODELO


EXPLOTACIÓN DE RESULTADOS


TAREAS GENÉRICAS Y RESULTADOS


SEMMA

ES UNA METODOLOGÍA PROPUESTA POR SAS QUE SIGNIFICA:

(SAMPLE, EXPLORE, MODIFY, MODEL, ASSESS)

MUESTREA, EXPLORA, MODIFICA, MODELA, EVALÚA


MUESTREO. EXTRAE MUESTRAS DESDE LA POBLACIÓN, PARA APLICAR EL ANÁLISIS. SELECCIONA UNA MUESTRA REPRESENTATIVA DEL PROBLEMA EN ESTUDIO. MUESTREO ALEATORIO SIMPLE. MUESTREO ALEATORIO CON REPOSICIÓN. ESTABLECE UN NIVEL DE CONFIANZA PARA LA MUESTRA.

EXPLORACIÓN. PARA SIMPLIFICAR EL PROBLEMA Y OPTIMIZAR LA EFICIENCIA DEL MODELO. USA HERRAMIENTAS DE VISUALIZACIÓN Y TÉCNICAS DE ESTADÍSTICAS DESCRIPTIVA. DETERMINA LAS VARIABLES EXPLICATIVAS (ENTRADAS AL MODELO)

MODIFICA

FORMATEA LOS DATOS, PARA SER UTILIZADO POR EL MODELO.


MODELA ESTABLECE UNA RELACIÓN [VARIABLES EXPLICATIVAS Y VARIABLES OBJETIVO] TRABAJA CON UN NIVEL DE CONFIANZA DETERMINADO. LAS TÉCNICAS SON: ANÁLISIS DISCRIMINANTE, MÉTODOS DE AGRUPAMIENTO, Y

ANÁLISIS DE REGRESIÓN, REDES NEURONALES, TÉCNICAS ADAPTATIVAS, LÓGICA FUZZY, ÁRBOLES DE DECISIÓN, REGLAS DE ASOCIACIÓN Y COMPUTACIÓN EVOLUTIVA.

EVALÚA. VALORA LOS RESULTADOS MEDIANTE EL ANÁLISIS DE BONDAD DEL MODELO. CONTRASTA CON OTROS MÉTODOS ESTADÍSTICOS O CON NUEVAS MUESTRAS.


COMPARACIÓN

SEMMA CRISP

ORIENTADO AL DESARROLLO DEL PROCESO DE MD

ORIENTADO A LOS OBJETIVOS EMPRESARIALES

SE INICIA ANALIZANDO LOS DATOS

SE INICIA ANALIZANDO LOS OBJETIVOS DEL NEGOCIO

LIGADA A PRODUCTOS SAS

METODOLOGÍA ABIERTA Y GRATUITA

ORIENTADO A UNA METODOLOGÍA DE GESTIÓN DE PROYECTOS


ESTÁNDARES

OLE DB for DM. Especifica la interfaz común entre un DM Consumer y DM Provider.

Es auspiciado por Microsoft para usar algoritmos de ≠ proveedores.

Define un lenguaje para MD, para crear, entrenar y predecir con modelos.

Define un modelo de datos para los métodos y algoritmos de MD.

CREATE MINING MODEL

[Heart_Health Prediction]

[ID] Int Key,

[Age] Int,

[Smoker] Int,

[Salary] Double discretized,

[HeartAttack] Int PREDICT,

USING [Decision_Trees_101]

INSERT INTO

[Heart_Health Prediction]

([ID], [Age], [Smoker], [Salary])

SELECT [ID],[Age], [Smoker], [Salary]

FROM Patient_Medical M, Patient_Financial F

WHERE M.ID = F.ID

SELECT t.[ID],[Heart_Health

Prediction].[HeartAttack]FROM [Heart_Health Prediction]PREDICTION JOIN (SELECT [ID],[Age],[Smoker],[Salary]FROM Patient_Medical M,

Patient_Financial FWHERE M.ID = F.ID) as tON [Heart_Health Prediction].Age =

t.Age AND [Heath_Health Prediction].Smoker = t.Smoker AND [Heart_Health Prediction].Salary = t.Salary

Identifica las columnas de entrenamiento, la columna a predecir y el algoritmo de

minería de datos

El INSERT representa los datos usados para el entrenamiento del modelo

Usa el modelo entrenado y los datos actuales para hacer predicciones


SQL MM/DM

SQL/ Multimedia for Data Mining) fue propuesto por IBM.

Trabaja con texto, datos espaciales, imágenes y algoritmos de MD.

Trabaja con tipos de datos definidos por los usuarios y métodos en una base de datos para MD.

XML for Analysis:

Es un estándar de la industria propuesto por el “XML / A Council”.

Crea el lenguaje de consultas “query language Data Mining eXtensions” (DMX)

Permite consultas basadas en XML a los servidores de MD.

JAVA DATA MINING API.

Es un paquete JAVA para MD propuesto por ORACLE.

El objetivo es permitir a las aplicaciones JAVA usar motores de MD.


PMML. Es un lenguaje de marcas basado en XML.

Describe modelos estadísticos y de MD.

Define datos de entrada, transformaciones y parámetros del modelo.

Existe un esquema XML para cada tipo de modelo de MD.


SISTEMA DE CONTROL

CONTROL CLÁSICO

– LAZO ABIERTO – LAZO CERRADO

– CONTROL ON-OFF

– CONTROL PROPORCIONAL

– CONTROL PD, PID

CONTROL INTELIGENTE

– CONTROL DIFUSO

TAREA BÁSICA DE UN CONTROLADOR – AJUSTAR EL ESTADO DE UN PROCESO (VARIABLE DE PROCESO - VA) A UN VALOR DESEADO (VALOR DE REFERENCIA - VR)

LA DIFERENCIA ENTRE AMBOS VALORES ES EL ERROR:E = VR - VAENTONCES EL OBJETIVO DEL CONTROLADOR ES REDUCIR EL

ERROR A CERO (O AL MÍNIMO)


Sistema de Control

Controlador Proceso

Sensor

VAVR

E+

-


Ejemplo – mantener al robot a una distancia (DR) de la pared (seguimiento de pared)


Controldirección Robot

Sensor dedistancia

DADR

E

Lazo abierto vs. lazo cerrado

LAZO ABIERTO

SE AJUSTA EL VALOR DEL CONTROLADOR DE ACUERDO AL VALOR DESEADO PERO NO HAY MEDICIÓN DEL VALOR ACTUAL (NO HAY RETROALIMENTACIÓN)

LAZO CERRADO

SE MIDE LA SALIDA DEL PROCESO DE FORMA QUE SE COMPARE CON EL VALOR DESEADO Y SE PUEDA AUTOMÁTICAMENTE REDUCIR EL ERROR

LA FORMA DE AJUSTAR EL PROCESO EN FUNCIÓN DEL ERROR SE LE DENOMINA EL ALGORITMO DE CONTROLALGUNOS DE LOS ALGORITMOS BÁSICOS EN CONTROL CLÁSICO SON:

CONTROL ON –OFF CONTROL PROPORCIONAL CONTROL PROPORCIONAL DERIVATIVO (PD) CONTROL PROPORCIONAL INTEGRAL (PI) CONTROL PROPORCIONAL INTEGRAL-DERIVATIVO (PID)

CONTROL ON - OFFSe basa en que el controlador tiene sólo dos estados (ON/OFF, abierto/cerrado, izq./der.). Si comparamos el VA con el VR, se toma una de las dos posibles acciones dependiendo del signo del errorPor ejemplo, en un control de temperatura de un refrigerador:

– Si Temp > T-ref. encender compresor– Si Temp < T-ref. apagar compresor

OFF

ON

Ref.T


Normalmente se tiene una zona de tolerancia (GAP o histéresis) en la que se mantiene el estado anterior. Algoritmo de control:

E = VR – VA; C = signo ESi |E| - ½ GAP < 0 OFFSi |E| + ½ GAP > 0 ON

Control ON – OFF, con GAP

OFF

ON

Ref.

T

Gap


Control ON – OFF Respuesta

Temp.

Ref.

Tiempo

Control

ON

OFF


LA TEORIA DESARROLLADA PARA EL CONTROL DE PROCESOS, DESDE EL PUNTO DE VISTA CLÁSICO Y MODERNO, TIENE SU BASE ESENCIAL EN EL CONOCIMIENTO DE LA DINÁMICA DEL PROCESO QUE SE DESEA CONTROLAR.

ESTA SE EXPRESA MEDIANTE EL EMPLEO DE ECUACIONES DIFERENCIALES ORDINARIAS Y EN EL CASO DE SISTEMAS LINEALES SE HACE USO DE LA TRANSFORMADA DE LA PLACE PARA OBTENER UNA REPRESENTACION MATEMÁTICA QUE RELACIONE LA SEÑAL QUE SE QUIERE CONTROLAR Y LA SEÑAL DE ENTRADA AL SISTEMA.

ESTA RELACIÓN MATEMÁTICA SE CONOCE COMO FUNCIÓN DE TRANSFERENCIA


DEBEMOS TENER EN CUENTA:

LA FUNCION DE TRANSFERENCIA PUEDE SER EXPRESADA COMO UNA RELACIÓN DE DOS POLINOMIOS; Y ESTA PUEDE SER MÁS GENERAL SI SE HACE USO DE LA TEORÍA DE CONTROL MODERNA, EN DONDE LA REPRESENTACIÓN MATEMÁTICA UTILIZA EL CONCEPTO DENOMINADO ESTADO DEL SISTEMA. SU REPRESENTACIÓN CONSIDERA UNA SEÑAL ADICIONAL DENOMINADA “ESTADO X” DEL SISTEMA, QUE ES LA SEÑAL QUE NOS PROPORCIONARA INFORMACION MAS COMPLETA DEL PROCESO:

Planta o Proceso

Entrada incierta

v

y

x

u

Entrada de Control

Salida

Estado

dx/dt = f(x,u,v)


PARTIENDO DE CUALQUIER REPRESENTACION MATEMÁTICA, SE UTILIZA EL CONCEPTO DE CONTROL RETROALIMENTADO QUE EN FORMA DE DIAGRAMA DE BLOQUES TIENE LA SIGUIENTE ESTRUCTURA:

CONTROLADOR PLANTA O PROCESO

MEDICIÓN

Entrada incierta

Entrada de Control

Entrada de referencia

v

yur Salida

EL PROBLEMA DE CONTROL SE RESTRINGE UNA VEZ QUE HA SIDO SELECCIONADO EL MEJOR SISTEMA DE MEDICIÓN Y QUE TAMBIÉN ES REPRESENTADO POR ECUACIONES, AL DISEÑO DEL CONTROLADOR QUE BUSCA DETERMINAR LA RELACIÓN FUNCIONAL MAS ADECUADA PARA GENERAR LA ENTRADA U (ENTRADA DE CONTROL) DE MANERA QUE EL MODELO DEL SISTEMA SUJETA A ENTRADAS DE COMANDO (ENTRADA DE REFERENCIA) Y POSIBLEMENTE ENTRADAS INCIERTAS,GENERE UNA RESPUESTA DEL ESTADO X(t) O UNA RESPUESTA EN LA SEÑAL DE SALIDA Y(t) CON PROPIEDADES ESPECÍFICAS O COMPORTAMIENTO ACEPTABLE


• EN ALGUNAS APLICACIONES, EL CONTROLADOR PUEDE GENERAR LA MISMA SEÑAL DE COMANDO u= r(t).

• LA SEÑAL DE COMANDO ES UNA SEÑAL EXTERNA QUE COMANDARÁ AL SISTEMA DE CONTROL; ESTA FUNCIÓN DE COMANDO r(t) DEBE SER CONOCIDA PARA PROPÓSITOS DE DISEÑO.

• EL CONTROLADOR PODRÁ SER UNA FUNCIÓN DE LA SEÑAL DE COMANDO Y TAMBIÉN DEL TIEMPO, u [r(t), t]. ESTOS DOS TIPOS DE RELACIONES FUNCIONALES PARA EL CONTROLADOR CORRESPONDEN A LOS SISTEMAS DENOMINADOS DE LAZO ABIERTO.

• LA RELACIÓN FUNCIONAL PARA EL CONTROLADOR PUEDE SER UNA FUNCIÓN DE ENTRADA DE COMANDO Y DE LA SALIDA DEL SISTEMA u = u[r(t), y]; A ESTE TIPO DE SISTEMA SE LE CONOCE COMO CONTROL EN LAZO CERRADO O CONTROL RETROALIMENTADO.

• LOS SISTEMAS DE CONTROL RETROALIMENTADO SE PUEDEN CLASIFICAR EN DOS. AQUELLOS ESQUEMAS QUE RETROALIMENTAN PROPIAMENTE LA SEÑAL DE SALIDA (RETROALIMENTACION DE LA SEÑAL DE SALIDA) Y LOS QUE RETROALIMENTAN EL ESTADO (RETROALIMENTACIÓN DE LAS VARIABLES DE ESTADO) Y CUYA FUNCIÓN SE PUEDE EXPRESAR COMO u= u[r(t), x]


LA RETROALIMENTACIÓN PUEDE TAMBIÉN SER REALIZADA EN FORMA DIRECTA, EN DONDE LAS VARIABLES DE ESTADO SE RETROALIMENTAN DIRECTAMENTE AL CONTROLADOR (SE RETROALIMENTAN TODAS LAS VARIABLES DE ESTADO:


PARA EL CASO EN QUE NO SE PUEDA TENER ACCESO A LOS ESTADOS DEL SISTEMA Y SOLO SE TENGA UN CONJUNTO DE VARIABLES DE SALIDA; SE TIENE QUE DISEÑAR UN ELEMENTO DENOMINADO ESTIMADOR QUE ALIMENTADO POR LA INFORMACIÓN DE SALIDA Y LA ENTRADA DISPONIBLES PUEDA RECONSTRUIR EL ESTADO “x” DEL SISTEMA:


EL PROBLEMA FUNDAMENTAL DE CONTROL ESTA ASOCIADO CON LA TRANSFERENCIA DEL ESTADO DEL SISTEMA x(t) A UN CONJUNTO DESTINO DETERMINADO EN EL ESPACIO DE ESTADOS O CERCA DE ESE DESTINO.

SI EL CONJUNTO DESTINO ES UN CONJUNTO CONSTANTE EN EL ESPACIO DE ESTADOS; EL PROBLEMA DE CONTROL SE CONOCE COMO PROBLEMA DE CONTROL DE REGULACIÓN.

SI EL CONJUNTO DESTINO ES VARIABLE EN EL TIEMPO, EN RELACION A UNA ENTRADA DE COMANDO QUE DEPENDE DEL TIEMPO, ENTONCES EL PROBLEMA SE CONOCE COMO PROBLEMA DE CONTROL DE SEGUIMIENTO.

ASOCIADAS A ESTAS CARACTERISTICAS APARECEN LOS CONCEPTOS DE: LA CONTROLABILIDAD Y LA OBSERVABILIDAD.

LA CONTROLABILIDAD ESTA RELACIONADA CON UNA ENTRADA DE CONTROL QUE SE SUPONE COMO EXISTENTE Y QUE LLEVARÁ AL ESTADO DEL SISTEMA A UN DESTINO DETERMINADO. UN REQUERIMIENTO PRIMORDIAL EN EL DISEÑO DE UN SISTEMA DE CONTROL AUTOMÁTICO ES CONTAR CON SISTEMAS CONTROLABLES. EL OBJETIVO ES QUE LA SALIDA y (t) SE APROXIME A SIGA (SISTEMA INTEGRADO DE GESTION ADMINISTRATIVA) EN LA ENTRADA DE COMANDO x(t). LA TAREA DEL CONTROLADOR ES LLEVAR AL SISTEMA A LA CONDICIÓN DE OPERACIÓN DESEADA


SI EL SISTEMA ES CONTROLABLE, EL OBJETIVO DE DISEÑO CORRESPONDE A HACER QUE EL SISTEMA GLOBAL SEA ESTABLE ALREDEDOR DEL PUNTO DE OPERACIÓN.

LA OBSERVABILIDAD SE ENFOCA EN EL PROBLEMA DE DETERMINAR EL ESTADO x(t) A PARTIR DE LAS MEDICIONES y(t). FRECUENTEMENTE LAS MEDICIONES CONTIENEN SOLAMENTE ALGUNOS DE LOS ESTADOS. SE DICE QUE UN SISTEMA ES OBSERVABLE SI ES POSIBLE INFERIR EL ESTADO INICIAL x (0) A PARTIR DE UN CONJUNTO DE MEDICIONES DE LA SALIDA y (t) SOBRE UN INTERVALO FINITO DE TIEMPO (0,T)

EXISTEN ADEMÁS DE LAS TÉCNICAS MENCIONADAS LAS TÉCNICAS DE CONTROL ÓPTIMO QUE BUSCAN MEDIANTE PROCEDIMIENTOS MATEMÁTICOS DE OPTIMIZACIÓN GENERAR LOS MEJORES PARAMETROS DE CONTROL; LOS DE CONTROL ADAPTATIVO SE PUEDEN CONSIDERAR COMO EL INICIO DE LAS TÉCNICAS DE CONTROL INTELIGENTE; PARA FENÓMENOS ALEATORIOS SE EMPLEA EL CONTROL ESTOCÁSTICO Y PARA MULTIPLES ENTRADAS Y SALIDAS EL CONTROL MULTIVARIABLE


ESQUEMAS DE CONTROL INTELIGENTE:

EL INCREMENTO DE LAS DEMANDAS TECNOLÓGICAS, HA GENERADO SISTEMAS MUY COMPLEJOS QUE REQUIEREN CONTROLADORES MUY SOFISTICADOS PARA ASEGURAR UN ALTO DESEMPEÑO DENTRO DE CONDICIONES ADVERSAS, COMO AQUELLA ORIGINADA POR LA FALTA DE CONOCIMIENTO PRECISO ACERCA DEL PROCESO QUE SE DESEA CONTROLAR.

EL CONTROL INTELIGENTE ES UNA GENERALIZACION DEL CONCEPTO DE CONTROL Y SE PUEDE VER COMO UNA DISCIPLINA DONDE LOS METODOS DE CONTROL SE DESARROLLAN PARA EMULAR ALGUNAS CARACTERÍSTICAS IMPORTANTES DEL SER HUMANO. ESTAS CARACTERÍSTICAS INCLUYEN:ADAPTACION Y APRENDIZAJEPLANEACION BAJO GRAN INCERTIDUMBREEL TRABAJO CON GRAN CANTIDAD DE DATOS.

LAS METODOLOGÍAS DE CONTROL INTELIGENTE ESTÁN SIENDO APLICADAS A LA ROBÓTICA, LAS COMUNICACIONES, LA MANUFACTURA, EL CONTROL DE TRÁFICO.


LAS AREAS EN DONDE SE ESTA REALIZANDO TRABAJO ALREDEDOR DEL CONTROL INTELIGENTE SON: REDES NEURONALES, CONTROL DIFUSO, ALGORITMOS GENÉTICOS, SISTEMAS DE PLANEACIÓN, SISTEMAS EXPERTOS Y SISTEMAS HÍBRIDOS.

UN SISTEMA DE CONTROL INTELIGENTE DEBE SER AUTONOMO. EXISTEN VARIOS GRADOS DE AUTONOMIA: UN CONTROLADOR TOTALMENTE AUTÓNOMO DEBERÍA TENER LA HABILIDAD DE REPARAR SU PROPIO HARDWARE SI UNO DE SUS COMPONENTES FALLA.

LOS SISTEMAS DE CONTROL CONVENCIONALES SE DISEÑAN USANDO LOS MODELOS MATEMÁTICOS DE SISTEMAS FÍSICOS.

SE SELECCIONA UN MODELO MATEMÁTICO QUE CAPTURA EL COMPORTAMIENTO DE LA DINÁMICA DE INTERÉS.

SE APLICAN LAS TÉCNICAS DE DISEÑO, PARA DISEÑAR EL MODELO MATEMÁTICO APROPIADO DEL CONTROLADOR (CAD)

SE REALIZA EL CONTROLADOR YA SEA EN HARDWARE O EN SOFTWARE EN EL SISTEMA FÍSICO.


SE EJECUTAN INTERACCIONES HASTA LOGRAR EL MEJOR COMPORTAMIENTO.

POR LO GENERAL EL COMPORTAMIENTO DE LA PLANTA SE APROXIMA EN LAS VECINDADES DE UN PUNTO DE OPERACIÓN PARA HACER MÁS SENCILLO EL DISEÑO DEL CONTROLADOR. ESTO SIGNIFICA QUE LOS CONTROLADORES PUEDEN DISEÑARSE PARA CUMPLIR LAS ESPECIFICACIONES ALREDEDOR DE UN PUNTO DE OPERACIÓN, DONDE EL MODELO LINEAL ES VÁLIDO.

EN SISTEMAS DE CONTROL CON ALTO GRADO DE AUTONOMÍA SE NECESITA INCREMENTAR SIGNIFICATIVAMENTE EL GRADO DE OPERACIÓN

LA FORMA EN COMO SE INCREMENTA LA COMPLEJIDAD DE UN CONTROLADOR, SE PUEDE DESCRIBIR:

o EN EL NIVEL MAS BAJO.SE UTILIZA EL CONTROL RETROALIMENTADO DETERMINISTICO BASADO EN LA TEORIA DE CONTROL CONVENCIONAL; EN PARTICULAR PARA LAS PLANTAS QUE PUEDEN SER REPRESENTADAS CON MODELOS LINEALES MÁS SIMPLES QUE SON ESENCIALMENTE BUENAS APROXIMACIONES AL COMPORTAMIENTO REAL


o SI SE INCREMENTA LA COMPLEJIDAD DE LA PLANTALOS CONTROLADORES NECESITARÁN ESTIMADORES DE ESTADO. SI SE INCREMENTA LA SEÑAL DE RUIDO, SE NECESITAN FILTROS KALMAN U OTRO TIPO DE FILTROS. SI SE REQUIERE COMPLETAR UNA TAREA DE CONTROL EN UN TIEMPO MÍNIMO (O ENERGÍA MÍNIMA), SE UTILIZAN TÉCNICAS DE CONTROL ÓPTIMO.

o CUANDO HAY CARACTERÍSTICAS CUANTIFICABLES ESTOCÁSTICAS EN LA PLANTA, SE USA LA TEORÍA DE CONTROL ESTOCÁSTICO.

o SI HAY VARIACIONES SIGNIFICATIVAS DE LOS PARAMETROS DE LA PLANTA, TAL QUE LA TEORÍA DEL CONTROL ROBUSTO SEA INAPROPIADA, SE EMPLEAN TÉCNICAS DE CONTROL ADAPTATIVO.

o PARA PLANTAS AÚN MAS COMPLEJAS ES NECESARIO USAR CONTROL DE APRENDIZAJE O AUTO ORGANIZADO.

o EN EL NIVEL MAS ALTO DE JERARQUÍALA COMPLEJIDAD DE LA PLANTA ES TAL Y LAS ESPECIFICACIONES SON TAN DEMANDANTES QUE SE USAN TÉCNICAS DE CONTROL INTELIGENTE.

o SE CAMBIA A CONTROLADORES MÁS SOFISTICADOS SOLAMENTE SI LOS MAS SIMPLES NO PUEDEN LOGRAR LOS OBJETIVOS BUSCADOS.


o LA NECESIDAD DE USAR CONTROL AUTÓNOMO INTELIGENTE SE ORIGINA DE LA NECESIDAD POR INCREMENTAR LA HABILIDAD DE TOMAR DECISIONES AUTÓNOMAS PARA EJECUTAR TAREAS COMPLEJAS DE CONTROL.

CONTROL DIFUSO:

PARA EL DISEÑO NO SE REQUIERE EL MODELO ANALÍTICO COMPLETO DEL SISTEMA DINÁMICO. EL RESULTADO DE ESTE DISEÑO ES UN CONTROLADOR HEURÍSTICO BASADO EN CONOCIMIENTO, UTILIZADO PARA CONTROLAR UN SISTEMA COMPLEJO E INDEFINIDO.

PARA EL DISEÑO SE INCORPORAN TRES BLOQUES: FUZZIFICACIÓN, DEFUZZIFICACIÓN Y OTRO ETIQUETADO COMO INFERENCIA.

LA FUNCIÓN INVOLUCRADA EN EL PRIMER BLOQUE, LA FUZZIFICACIÓN TIENE EL OBJETIVO DE TOMAR EL VALOR DE LA SEÑAL LEIDA DEL PROCESO (EN ESTE ESQUEMA ES LA SEÑAL DE ERROR) Y TRANSFORMARLA EN UNA SEÑAL ENTENDIBLE POR EL SISTEMA DIFUSO.


LA FUNCION DE FUZZIFICACIÓN TIENE EL OBJETIVO DE CONVERTIR EL RESULTADO DEL BLOQUE ETIQUETADO COMO INFERENCIA DESDE UN RESULTADO DIFUSO, A UN RESULTADO ENTENDIBLE PARA EL PROCESO.

FINALMENTE EL BLOQUE ETIQUETADO COMO INFERENCIA SE ENCARGA DE REALIZAR TODO EL RAZONAMIENTO DEL SISTEMA DE CONTROL

CUANDO SE DISEÑA UN CONTROL DIFUSO ES NECESARIO DETERMINAR LAS VARIABLES DE ENTRADA Y DE SALIDA. LAS VARIABLES DE SALIDA REPRESENTAN EL RESULTADO DE LA OPERACIÓN QUE REALIZARÁ EL CONTROLADOR Y SERÁN DETERMINADAS POR EL OBJETIVO DE CONTROL. LA DECISIÓN DE LAS VARIABLES DE ENTRADA DEPENDEN DE LA SITUACIÓN EN PARTICULAR.

GENERALMENTE EN SISTEMAS DE MULTIPLES ENTRADAS Y SALIDAS, ES DIFICIL GENERAR REGLAS DE CONTROL. EL DISEÑO DE UN CONTROLADOR DIFUSO INVOLUCRA LA CONSTRUCCIÓN DE REGLAS DE CONTROL. EN MUCHOS CASOS SE PUEDEN OBTENER ESTAS REGLAS DESCRIBIENDO LAS ACCIONES DE LOS OPERADORES DEL SISTEMA DE CONTROL EN EL FORMATO IF THEN



LOS PARÁMETROS DE LOS CONJUNTOS DIFUSOS REPRESENTAN LOS PARÁMETROS PARA EL CONTROLADOR. LA SINTONIZACIÓN SIGNIFICA AJUSTAR LOS PARÁMETROS PARA LOS CONJUNTOS DIFUSOS, INCLUIDAS LAS REGLAS DE CONTROL.

SE PUEDE MEJORAR EL FUNCIONAMIENTO DEL CONTROLADOR CON LA SINTONIZACIÓN DE TALES PARÁMETROS. SI LAS CONDICIONES DE FUNCIONAMIENTO NO PUEDEN SER MEJORADAS SE DEBE MEJORAR LAS REGLAS DE CONTROL Y SINTONIZAR LOS PARÁMETROS PARA LAS NUEVAS REGLAS.

PARA UN CONTROLADOR DIFUSO SE DEBE TENER EN CUENTA:

o SE CONSIDERA A X UN CONJUNTO DETERMINADO DE VALORES DENOMINADO “UNIVERSO DE DISCURSO” FORMADO POR TODOS LOS NÚMEROS REALES

o CONJUNTO DIFUSO: UN CONJUNTO DIFUSO a EN X ES UN SUBCONJUNTO DE X CUYA FUNCIÓN DE MEMBRESÍA Ua(x) TIENE VALORES EN EL INTERVALO REAL (0, 1)

o FUNCION DE MEMBRESÍA: CUALQUIER FUNCIÓN DE LA FORMA a: X (0,1) DESCRIBE A UNA FUNCIÓN DE MEMBRESÍA ASOCIADA CON UN CONJUNTO DIFUSO a

o ETIQUETA: A ESTOS CONJUNTOS DIFUSOS SE LES ASOCIA UN NOMBRE O ETIQUETA QUE REPRESENTA UN TÉRMINO LINGÜISTICO CONOCIDO COMO POR EJEMPLO: EL CONJUNTO DIFUSO a PUEDE SER ETIQUETADO CON EL NOMBRE DE NEGATIVO

o PARTICIÓN DIFUSA: N CONJUNTOS DIFUSOS a1,……an QUE CUBREN EL ESPECTRO COMPLETO X, ES DECIR EL UNIVERSO DE DISCURSO.


LAS REGLAS DIFUSAS TIENEN LA SIGUIENTE ESTRUCTURA:IF (antecedente 1) AND (antecedente 2) AND……AND (antecedente n), THEN (consecuencia 1),……(consecuencia n)SE DISTINGUEN DOS TIPOS DE CONTROLADORES CARACTERIZADOS ESENCIALMENTE POR LA FORMA EN QUE SE DEFINEN LOS CONSECUENTES, DENOMINADOS MAMDAMI Y TAKAGI SUGENO


CONSTRUCCION DE UN SISTEMA NEURODIFUSO Y SU EMPLEO COMO UN CONTROLADOR

SISTEMA NEURODIFUSO ES UNA COMBINACIÓN DE REDES NEURONALES Y SISTEMAS DIFUSOS DE TAL FORMA QUE LA RED NEURONAL O LOS ALGORITMOS DE APRENDIZAJE DE LA RED NEURONAL SE USAN PARA DETERMINAR PARÁMETROS DEL SISTEMA DIFUSO (CREA O MEJORA UN SISTEMA DIFUSO AUTOMÁTICAMENTE POR MEDIO DE LOS MÉTODOS O ALGORITMOS DE LAS REDES NEURONALES.

UNA RED NEURONAL DIFUSA, ES UNA RED NEURONAL QUE USA MÉTODOS DIFUSOS PARA APRENDER MÁS RÁPIDO O PARA FUNCIONAR MEJOR EN ESTE CASO LA INTENCIÓN PRINCIPAL ES MEJORAR LA RED NEURONAL. LA RED NEURONAL PROPORCIONA EL MODELO DE LA ESTRUCTURA CONEXIONISTA (TOLERANCIA A FALLAS Y PROPIEDADES DE REPRESENTACIÓN DISTRIBUIDA) CON HABILIDADES DE APRENDIZAJE A LOS SISTEMAS DE LÓGICA DIFUSA; Y LA LÓGICA DIFUSA PROPORCIONA A LAS REDES NEURONALES UNA ARMAZÓN ESTRUCTURAL CON REGLAS DE REPRESENTACIÓN DEL CONOCIMIENTO Y DEL RAZONAMIENTO DE ALTO NIVEL SI- ENTONCES


COMBINACIONES:REDES NEURONALES DIFUSAS-FUZZY:

EN ESTE TIPO DE COMBINACIÓN SE USAN MÉTODOS DIFUSOS PARA INCREMENTAR LA CAPACIDAD DE APRENDIZAJE DE UNA RED NEURONAL POR EJEMPLO SE PUEDE VARIAR LA RAZÓN DE APRENDIZAJE USANDO REGLAS DIFUSASSISTEMAS NEURONAL/DIFUSO FUZZY CONCURRENTES:

EN ESTE TIPO DE SISTEMAS UNA RED NEURONAL Y UN SISTEMA DIFUSO TRABAJAN JUNTOS EN LA MISMA TAREA SIN INFLUENCIARSE EL UNO AL OTRO. USUALMENTE LA RED NEURONAL SE USA PARA PREPROCESAR LA ENTRADA O POST PROCESAR LA SALIDA DEL SISTEMA DIFUSO.MODELOS NEURODIFUSOS COOPERATIVOS:

EN ESTE TIPO DE ESQUEMAS UNA RED NEURONAL SE USA PARA DETERMINAR LOS PARÁMETROS DE UN SISTEMA DIFUSO (REGLAS, PESOS Y/O CONJUNTOS DIFUSOS). DESPUÉS DE LA FASE DE APRENDIZAJE, EL SISTEMA DIFUSO TRABAJA SIN LA RED NEURONAL. ESTOS MODELOS SUELEN DE SER 4 CLASES:oAPRENDE CONJUNTOS DIFUSOS FUERA DE LÍNEAoAPRENDE REGLAS DIFUSAS FUERA DE LÍNEAoAPRENDE CONJUNTOS DIFUSOS EN LÍNEAoAPRENDE REGLAS DIFUSAS EN LÍNEA


ALGORITMO DE BÚSQUEDA BASADO EN LA MECÁNICA DE LA GENÉTICA Y LA SELECCIÓN NATURAL.

UN ALGORITMO GENÉTICO PUEDE RESOLVER PROBLEMAS QUE AÚN NO ESTÁN COMPLETAMENTE CARACTERIZADOS O SON DEMASIADO COMPLEJOS PARA PERMITIR UNA COMPLETA CARACTERIZACIÓN. PROBLEMAS PARA LOS CUALES NO CONOCEMOS CÓMO LLEGAR A UNA BUENA SOLUCIÓN, PERO SI PODEMOS EVALUAR EL VALOR RELATIVO DE UNA SOLUCIÓN (O AL MENOS EL VALOR RELATIVO DE UNA SOLUCIÓN POTENCIAL EN COMPARACIÓN CON OTRA).

SU CONCEPTO BÁSICO ES LA CODIFICACIÓN DE UNA SOLUCIÓN POTENCIAL DE UN PROBLEMA COMO UNA SERIE DE PARÁMETROS.

UN CONJUNTO DE VALORES DE PARÁMETROS ES TRATADO COMO EL GENOMA O MATERIAL GENÉTICO DE UNA SOLUCIÓN INDIVIDUAL. SE CREA UNA GRAN POBLACIÓN DE SOLUCIONES CANDIDATAS (INICIALMENTE CON VALORES DE PARÁMETROS AL AZAR). ESTAS SOLUCIONES SON ESENCIALMENTE APAREADAS UNAS CON OTRAS POR VARIAS GENERACIONES SIMULADAS BAJO EL PRINCIPIO DE SUPERVIVENCIA DEL MÁS APTO.

EL APAREAMIENTO TIENE LUGAR HACIENDO USO DE OPERADORES TALES COMO EL ENTRECRUZAMIENTO, Y LA MUTACIÓN (ESENCIALMENTE LA INTRODUCCIÓN DE RUIDO). EL TERCER OPERADOR BÁSICO ES LA REPRODUCCIÓN.

CONTROL BASADO EN ALGORITMO GENÉTICO


LOS AGs, TEÓRICA Y PRÁCTICAMENTE HAN PROBADO QUE PROVEEN UNA BÚSQUEDA ROBUSTA EN ESPACIOS COMPLEJOS. SON SIMPLES COMPUTACIONALMENTE Y NO ESTÁN LIMITADOS POR SUPOSICIONES RESTRICTIVAS ACERCA DEL ESPACIO DE BÚSQUEDA (SUPOSICIONES ACERCA DE CONTINUIDAD, EXISTENCIA DE DERIVADAS, UNIMODALIDAD Y/U OTRAS CUESTIONES).

DIFERENCIAS ENTRE AGs Y LOS METODOS TRADICIONALES DE BÚSQUEDA

1. TRABAJAN CON LA CODIFICACIÓN DEL CONJUNTO DE PARÁMETROS, NO CON LOS PARÁMETROS.

2. BUSCAN A PARTIR DE UNA POBLACIÓN DE PUNTOS, NO UN PUNTO ÚNICO.

3. USAN INFORMACIÓN DE UNA FUNCIÓN OBJETIVO (O MÁS), NO DERIVADAS U OTRO CONOCIMIENTO ADICIONAL.

4. USAN REGLAS DE TRANSICIÓN PROBABILÍSTICAS, NO REGLAS DETERMINÍSTICAS.


EL SISTEMA EXPERTO MODELA EL PROCESO DE RAZONAMIENTO HUMANO CON UN MÓDULO CONOCIDO COMO EL MOTOR DE INFERENCIA. EL QUE TRABAJA CON LA INFORMACIÓN CONTENIDA EN LA BASE DE CONOCIMIENTOS Y LA BASE DE HECHOS PARA DEDUCIR NUEVOS HECHOS. CONTRASTA LOS HECHOS PARTICULARES DE LA BASE DE HECHOS CON EL CONOCIMIENTO CONTENIDO EN LA BASE DE CONOCIMIENTOS PARA OBTENER CONCLUSIONES ACERCA DEL PROBLEMA.

ESTÁ CONFORMADO POR:

o BASE DE CONOCIMIENTOS (BC).o BASE DE HECHOS (MEMORIA DE TRABAJO).o MOTOR DE INFERENCIA: INTENTANDO MODELAR EL PROCESO DE

RAZONAMIENTO HUMANO.o MÓDULOS DE JUSTIFICACIÓN: MUESTRA EL RAZONAMIENTO SEGUIDO PARA

LLEGAR A UNA CONCLUSIÓN DETERMINADA.o INTERFAZ DE USUARIO.

SISTEMA EXPERTO


TIPOS DE SISTEMAS EXPERTOS (SEGÚN NATURALEZA DEL PROBLEMA):

DETERMINISTAS:

EL ESTADO ACTUAL DEPENDE DEL ESTADO ANTERIOR Y LAS ACCIONES SOBRE EL ENTORNO. SON LOS SISTEMAS EXPERTOS BASADOS EN REGLAS, QUE USAN UN MECANISMO DE RAZONAMIENTO LÓGICO PARA SACAR SUS CONCLUSIONES.

ESTOCÁSTICOS:

SISTEMAS EN LOS QUE EXISTE INCERTIDUMBRE, POR LO QUE NECESITA SER TRATADA. SON LOS SISTEMAS EXPERTOS PROBABILÍSTICOS Y LA ESTRATEGIA DE RAZONAMIENTO USADA ES EL RAZONAMIENTO PROBABILÍSTICO.


BASE DE CONOCIMIENTOS (BC):

ES LA PARTE DEL SISTEMA EXPERTO QUE CONTIENE EL CONOCIMIENTO SOBRE EL DOMINIO. HAY QUE OBTENER EL CONOCIMIENTO DEL EXPERTO Y CODIFICARLO EN LA BASE DE CONOCIMIENTOS. UNA FORMA CLÁSICA DE REPRESENTAR EL CONOCIMIENTO EN UN SISTEMA EXPERTO SON LAR REGLAS. UNA REGLA ES UNA ESTRUCTURA CONDICIONAL QUE RELACIONA LÓGICAMENTE LA INFORMACIÓN CONTENIDA EN LA PARTE DEL ANTECEDENTE CON OTRA INFORMACIÓN CONTENIDA EN LA PARTE DEL CONSECUENTE.

BASE DE DATOS O BASE DE HECHOS:

CONTIENE LOS HECHOS SOBRE UN PROBLEMA QUE SE HAN DESCUBIERTO DURANTE UNA CONSULTA. DURANTE UNA CONSULTA CON EL SISTEMA EXPERTO, EL USUARIO INTRODUCE LA INFORMACIÓN DEL PROBLEMA ACTUAL EN LA BASE DE HECHOS. EL SISTEMA EMPAREJA ESTA INFORMACIÓN CON EL CONOCIMIENTO DISPONIBLE EN LA BASE DE CONOCIMIENTOS PARA DEDUCIR NUEVOS HECHOS.


MOTOR DE INFERENCIA

ES EL SISTEMA DE SOFTWARE QUE RELACIONA LAS REGLAS ALMACENADAS EN LA BASE DE CONOCIMIENTOS CON LOS ACONTECIMIENTOS (HECHOS) ALMACENADOS EN LAS BASE DE HECHOS, Y POR MEDIO DE TÉCNICAS DE BÚSQUEDA HEURÍSTICA INFIERE NUEVOS CONOCIMIENTOS.

ES UN INTÉRPRETE QUE EJECUTA LAS REGLAS Y OBTIENE LA CADENA DE RAZONAMIENTO QUE SOLUCIONA EL PROBLEMA, ESTÁ COMPUESTO DE DOS ELEMENTOS: INTERPRETE DE REGLAS Y ESTRATEGIA DE CONTROL.

INTERPRETE DE REGLAS: MECANISMO DE RAZONAMIENTO QUE DETERMINA QUÉ REGLAS DE LA BC SE PUEDEN APLICAR PARA RESOLVER EL PROBLEMA.

ESTRATEGIA DE CONTROL: ES LA ESTRATEGIA DE RESOLUCIÓN DE CONFLICTOS.

LA INFERENCIA PERMITE DEDUCIR NUEVO CONOCIMIENTO A PARTIR DE CONOCIMIENTO QUE SE SABE QUE ES CIERTO.

USA LA BASE DE HECHOS Y EL CONOCIMIENTO BASE PARA OBTENER NUEVAS CONCLUSIONES O HECHOS.


FUNCION: EJECUTAR ACCIONES PARA RESOLVER EL PROBLEMA (OBJETIVO) A PARTIR DE UN

CONJUNTO INICIAL DE HECHOS Y EVENTUALMENTE A TRAVÉS DE UNA INTERACCIÓN CON EL USUARIO

LA EJECUCIÓN PUEDE LLEVAR A LA DEDUCCIÓN DE NUEVOS HECHOS. TIPOS DE INFERENCIA: EXISTEN DIFERENTES REGLAS DE INFERENCIA (MODUS PONENS, MODUS TOLLENS) EXISTEN DIFERENTES ESTRATEGIAS DE INFERENCIA (ENCADENAMIENTO DE REGLAS

HACIA DELANTE Y HACIA ATRÁS). ENCADENAMIENTO HACIA DELANTE (FORWARD CHAINING) DEDUCTIVO: SE EJECUTAN

LAS REGLAS QUE LA SITUACIÓN ESPECIFICADA EN LA BASE DE HECHOS PERMITE. CADA REGLA EJECUTADA MODIFICA LA BASE DE HECHOS LO QUE HACE QUE OTRAS REGLAS PUEDAN SER EJECUTADAS. SE CONTINUA EL PROCESO HASTA QUE NO PUEDAN EJECUTARSE MÁS REGLAS. (EJEMPLO CONFIGURACIÓN DE PCS).

ENCADENAMIENTO HACIA ATRÁS (BACKWARD CHAINING) INDUCTIVO : SE PARTE DE UN CONJUNTO DE HIPÓTESIS QUE SON CONTRASTADAS CON LAS CONCLUSIONES DE CIERTAS REGLAS; PARA PODER EJECUTAR UNA DE ESTAS REGLAS, SE SUSTITUYE EL OBJETIVO INICIAL POR UN CONJUNTO DE SUB OBJETIVOS INDICADOS POR LAS PREMISAS DE LA REGLA INDICADA, EL PROCESO CONTINÚA HASTA QUE SE PUEDE EJECUTAR LA REGLA. (EJEMPLO DIAGNÓSTICO DE ACCIDENTES EN PLANTAS NUCLEARES)


MÓDULO DE JUSTIFICACIÓN:

UNA CARACTERÍSTICA DE LOS SISTEMAS EXPERTOS ES SU HABILIDAD PARA EXPLICAR SU RAZONAMIENTO. USANDO EL MÓDULO DEL SUBSISTEMA DE EXPLICACIÓN, UN SISTEMA EXPERTO PUEDE PROPORCIONAR UNA EXPLICACIÓN AL USUARIO DE POR QUÉ ESTÁ HACIENDO UNA PREGUNTA Y CÓMO HA LLEGADO A UNA CONCLUSIÓN. ESTE MÓDULO PROPORCIONA BENEFICIOS TANTO AL DISEÑADOR DEL SISTEMA COMO AL USUARIO. EL DISEÑADOR PUEDE USARLO PARA DETECTAR ERRORES Y EL USUARIO SE BENEFICIA DE LA TRANSPARENCIA DEL SISTEMA.

INTERFAZ DE USUARIO:

LA INTERACCIÓN ENTRE UN SISTEMA EXPERTO Y UN USUARIO SE REALIZA EN LENGUAJE NATURAL. TAMBIÉN ES ALTAMENTE INTERACTIVA Y SIGUE EL PATRÓN DE LA CONVERSACIÓN ENTRE SERES HUMANOS. PARA CONDUCIR ESTE PROCESO DE MANERA ACEPTABLE PARA EL USUARIO ES ESPECIALMENTE IMPORTANTE EL DISEÑO DEL INTERFAZ DE USUARIO. UN REQUERIMIENTO BÁSICO DEL INTERFAZ ES LA HABILIDAD DE HACER PREGUNTAS. PARA OBTENER INFORMACIÓN FIABLE DEL USUARIO HAY QUE PONER ESPECIAL CUIDADO EN EL DISEÑO DE LAS CUESTIONES. ESTO PUEDE REQUERIR DISEÑAR EL INTERFAZ USANDO MENÚS O GRÁFICOS.


GRACIAS POR SU ATENCIÓN


Sistemas Inteligentes UTP 2013 III(8)

Documents

Transcript of Sistemas Inteligentes UTP 2013 III(8)