1. Lenguajes de Programación Lógica
1.1. Sistemas Expertos
1.1.1. Los sistemas expertos utilizados en inteligencia artificial son software que emula el comportamiento de un experto humano en la solución de un problema.
1.1.1.1. https://rociomedina.files.wordpress.com/2011/03/2011012902310300001358370000218544.jpg?w=510
1.1.1.2. Funciona con lógica proposisional
1.1.1.3. Mejora conforme el tiempo
1.2. Metodología del Simbolismo
1.2.1. https://4.bp.blogspot.com/-pDwXjIvJqIY/Wa696uHPHnI/AAAAAAAABBk/M_3Nqqsbb3wUucJW_byHVXVphkn8tur7gCLcBGAs/s1600/SUE%25C3%2591OS.jpg
1.2.2. La Metodología del Simbolismo se origina a partir de la Cognición Computacional. El propósito de la Cognición Computacional es dar como pauta el estudio de la cognición humana para entrar en una fase científica de investigación regular.
1.2.2.1. Basado en el pensamiento humano para la computación.
1.2.2.2. Asume buenas practicas de programación emulando el simbolismo humano
2. Metodología del Conexionismo
2.1. Modelo de Red Neuronal de Hopfield
2.1.1. Origen evolutivo del Modelo de Red Neuronal en el Sistema Nervioso
2.1.2. Cada neurona de la red esta interconectada desde su salida a otras neuronas a través de conexiones, y al mismo tiempo, recibe la información enviada de otras neuronas.
2.1.2.1. Lo hace muy estable
2.1.2.2. Conexión entre pesos de neuronas estables
2.1.2.3. Parametros de red cambiantes
2.1.3. La NNH es una conexión completa de una sola capa y de un sistema de retro alimentación completo compuesto de componentes no lineales
2.2. Modelo de Red Neuronal Back-Propagation
2.2.1. En un modelo de propagación feed-forward
2.2.1.1. Las señales de entrada son procesadas desde una capa a la siguiente por capas ocultas multiples y después de esto, se propagan a la capa de salida.
2.2.1.2. Cada neurona de salida en una capa sólo afecta el estado de la siguiente capa.
2.2.1.3. El error es propagado hacia atrás cuando aparece entre la entrada y la salida esperada durante el proceso feed-forward
2.2.1.4. Durante se efectúa el back-propagation, los valores de los pesos en cada conexión entre cada capa de neuronas son corregidos y gradualmente ajustados hasta que el error de salida mínimo sea alcanzado.
2.2.2. Backpropagation explicación
2.3. Algoritmos Genéticos
2.3.1. Los algoritmos genéticos requieren para su aplicación de representaciones codificadas como un cromosoma.
2.3.1.1. Cada cromosoma tiene varios genes que corresponden a los parámetros del problema en cuestión
2.3.1.2. Se representan en una cadena de N elementos (Genes)
2.3.1.3. https://www.google.com.mx/url?sa=i&rct=j&q=&esrc=s&source=images&cd=&cad=rja&uact=8&ved=0ahUKEwil-vjMqfnWAhWI34MKHaHLBQEQjRwIBw&url=https%3A%2F%2Fes.wikipedia.org%2Fwiki%2FAlgoritmo_gen%25C3%25A9tico&psig=AOvVaw3FiNpcsWXPscJLdYyIfckB&ust=1508387000109171
2.3.1.4. ¿Qué es un algoritmo genético?
3. Metodología del Conductismo (Behaviorism)
3.1. Lógica Difusa
3.1.1. Se basa en entender los cuantificadores de nuestro lenguaje
3.1.1.1. Para cada conjunto difuso, existe asociada una función de pertenencia para sus elementos, que indican en qué medida el elemento forma parte de ese conjunto difuso
3.1.1.2. Insercción
3.1.1.3. Diferencia
3.1.1.4. Negación
3.1.1.5. Diferencia
3.1.2. Logica Difusa Inteligencia Artificial
3.2. Control de un Robot
3.2.1. a teoría de control es una rama importante de la investigación en la robótica. Los problemas tratados son los sistemas sensoriales, movimientos óptimos de brazos, y planificación de métodos para la implementación de secuencia en la ejecución de un robot, del cual el control es una parte importante para estas investigaciones.
3.3. Control Inteligente
3.3.1. a teoría de control es una rama importante de la investigación en la robótica. Los problemas tratados son los sistemas sensoriales, movimientos óptimos de brazos, y planificación de métodos para la implementación de secuencia en la ejecución de un robot, del cual el control es una parte importante para estas investigaciones.
3.3.1.1. Auto-aprendizaje
3.3.1.2. Auto-Organización
3.3.1.3. Características intelectuales APERY