Nace en la Universidad de Sevilla el IAI-Lab: Laboratorio de Inteligencia Artificial Inmersiva con el objetivo de proporcionar a los miembros de la Universidad un lugar donde investigar cómo integrar los últimos avances de la IA/ML con las técnicas más novedosas para experiencias inmersivas (AR+VR). Pulsa aquí para saber más.
Nuevo Lab: IAI-Lab
Sistemas Deductivos Proposicionales
En temas anteriores hemos visto algunos algoritmos para resolver el problema de la deducción, por ejemplo, por medio de Tableros Semánticos o DPLL, todos ellos basados en el hecho de que: $\Sigma\models A \Leftrightarrow \Sigma \cup \{\neg A\}\mbox{ es insatisfactible}$. Sin embargo, esta forma (que sería algo parecido a hacer una reducción al absurdo) no es la más habitual (ni más clásica) de abordar el problema de la deducción. En muchas áreas (por ejemplo, matemáticas, sitio por excelencia de la deducción formal) es más normal acudir al concepto de demostración, que parte de un conjunto de enunciados básico que actúa como conjunto de axiomas (o hipótesis), y que asumimos como ciertos inicialmente, y de un proceso constructivo por el que vamos obteniendo una sucesión de enunciados intermedios, deducibles unos a partir de otros, hasta llegar al resultado que queremos demostrar.
Formas Prenex, de Skolem y Teorema de Herbrand
Al igual que vimos cómo extender los Tableros Semánticos de LP a LPO, en este capítulo vamos a ver los fundamentos necesarios para extender las Formas Normales y Formas Clausales vistas en LP a un formato igualmente útil en LPO. El objetivo no solo es disponer de fórmulas equivalentes, sino ver hasta qué punto podemos trasladar los algoritmos que se desarrollan para LP al contexto de Primer Orden.
Formas Normales, Cláusulas y Algoritmo DPLL
En este tema vamos a abordar los métodos más comunes de preprocesamiento de fórmulas LP, que también serán aplicables a fórmulas LPO, y mostraremos uno de los algoritmos centrales para $SAT$ que hace uso de este preprocesamiento, $DPLL$, en el que se basan la gran mayoría de métodos actuales que abordan ese problema.
Construir un buscador desde cero
En esta entrada vemos cómo se pueden implementar de forma muy sencilla buscadores en Espacios de Estados en un lenguaje con características funcionales. La idea no es presentar implementaciones muy eficientes, sino únicamente encontrar patrones comunes y flexibles que permiten estas representaciones y posibles ampliaciones y adaptaciones futuras.
- « Página anterior
- 1
- 2
- 3
- 4
- …
- 30
- Página siguiente »
ALGUNAS ENTRADAS ANTERIORES ... AL AZAR
NetLogo: Una herramienta de modelado / A Modeling Tool
Ya está disponible el nuevo libro de modelado con NetLogo, con versiones en inglés y español, con el que podrás aprender desde los fundamentos del lenguaje hasta conceptos avanzados que te permitirán crear modelos adecuados para comprobar hipótesis acerca de problemas complejos de cualquier disciplina. Al comprar el libro recibes ambas versiones por el precio de una. Además, una parte del precio que pagues por él se donará al Proyecto NetLogo para ayudar a que siga evolucionando y proporcionando tantas satisfacciones a sus usuarios.
Now available the new book about modeling with NetLogo, with versions in English and Spanish, where you can learn from the basics to advanced concepts of the language, allowing you to create models to test hypotheses about complex problems of any discipline. When you buy the book, you get both versions for the price of one. In addition, part of the price you pay for it will be donated to NetLogo Project to support the continuous evolution of this wonderful tool.
Redes Neuronales: una visión superficial
Una Red Neuronal Artificial (RNA) es un modelo matemático inspirado en el comportamiento biológico de las neuronas y en cómo se organizan formando la estructura del cerebro. El cerebro puede considerarse un sistema altamente complejo, donde se calcula que hay aproximadamente 100 mil millones (\(10^{11}\)) neuronas en la corteza cerebral y que forman un entramado de más de 500 billones de conexiones neuronales (una neurona puede llegar a tener 100 mil conexiones, aunque la media se sitúa entre 5000 y 10000 conexiones).
