Inteligencia artificial : un enfoque moderno / Stuart J. Russell y Peter Norvig.

CONTENIDO
Prólogo
Sobre los autores
1 Introducción
1.1 ¿Qué es la IA?
Comportamiento humano: el enfoque de la Prueba de Turing
Pensar como un humano: el enfoque del modelo cognitivo
Pensamiento racional: el enfoque de las "leyes del pensamiento"
Actuar de forma racional: el enfoque del agente racional
1.2 Los fundamentos de la inteligencia artificial
1.3 Historia de la inteligencia artificial
Génesis de la inteligencia artificial (1943-1955)
Nacimiento de la inteligencia artificial (1956)
Entusiasmo inicial, grandes esperanzas (1952-1969)
Una dosis de realidad (1966-1973)
Sistemas basados en el conocimiento: ¿clave del poder? (1969-1979)
La IA se convierte en una industria (desde 1980 hasta el presente)
Regreso de las redes neuronales (desde 1986 hasta el presente)
IA se convierte en una ciencia (desde 1987 hasta el presente)
Emergencia de los sistemas inteligentes (desde 1995 hasta el presente)
1.4 El estado del arte
2 Agentes inteligentes
2.1 Agentes y su entorno
2.2 Buen comportamiento: el concepto de racionalidad
Medidas de rendimiento
Racionalidad
Omnisciencia, aprendizaje y autonomía
2.3 La naturaleza del entorno
2.4 Estructura de los agentes
Programas de los agentes
Agentes reactivos simples
Agentes reactivos basados en modelos
Agentes basados en objetivos
Agentes basados en utilidad
Agentes que aprenden
3 Resolver problemas mediante búsqueda
3.1 Agentes resolventes-problemas
Problemas y soluciones bien definidos
Formular los problemas
3.2 Ejemplos de problemas
Problemas de juguete
Problemas del mundo real
3.3 Búsqueda de soluciones
Medir el rendimiento de la resolución del problema
3.4 Estrategias de búsqueda no informada
Búsqueda primero en anchura
Búsqueda de costo uniforme
Búsqueda primero en profundidad
Búsqueda de profundidad limitada
Búsqueda primero en profundidad con profundidad iterativa
Búsqueda bidireccional
Comparación de las estrategias de búsqueda no informada
3.5 Evitar estados repetidos
3.6 Búsqueda con información parcial
Problemas sin sensores
Problemas de contingencia
4 Búsqueda informada y exploración
4.1 Estrategias de búsqueda informada (heurísticas)
Búsqueda voraz primero el mejor
Búsqueda A*: minimizar el costo estimado total de la solución
Búsqueda heurística con memoria acotada
Aprender a buscar mejor
4.2 Funciones heurísticas
El efecto de la precisión heurística en el rendimiento
Inventar funciones heurísticas admisibles
Aprendizaje de heurísticas desde la experiencia
4.3 Algoritmos de búsqueda local y problemas de optimización
Búsqueda de ascensión de colinas
Búsqueda de temple simulado
Búsqueda por haz local
Algoritmos genéticos
4.4 Búsqueda local en espacios continuos
4.5 Agentes de búsqueda online y ambientes desconocidos
Problemas de búsqueda en línea (online)
Agentes de búsqueda en línea (online)
Búsqueda local en línea (online)
Aprendizaje en la búsqueda en línea (online)
5 Problemas de satisfacción de restricciones
5.1 Problemas de satisfacción de restricciones
5.2 Búsqueda con vuelta atrás para PSR
Variable y ordenamiento de valor
Propagación de la información a través de las restricciones
Comprobación hacia delante
Propagación de restricciones
Manejo de restricciones especiales
Vuelta atrás inteligente: mirando hacia atrás
5.3 Búsqueda local para problemas de satisfacción de restricciones
5.4 La estructura de los problemas
6 Búsqueda entre adversarios
6.1 Juegos
6.2 Decisiones óptimas en juegos
Estrategias óptimas
El algoritmo minimax
Decisiones óptimas en juegos multi-jugador
6.3 Poda alfa-beta
6.4 Decisiones en tiempo real imperfectas
Funciones de evaluación
Corte de la búsqueda
6.5 Juegos que incluyen un elemento de posibilidad
Evaluación de la posición en juegos con nodos de posibilidad
Complejidad del minimaxesperado
Juegos de cartas
6.6 Programas de juegos
6.7 Discusión
7 Agentes lógicos
7.1 Agentes basados en conocimiento
7.2 El mundo de wumpus
7.3 Lógica
7.4 Lógica proposicional: una lógica muy sencilla
Sintaxis
Semántica
Una base de conocimiento sencilla
Inferencia
Equivalencia, validez y satisfacibilidad
7.5 Patrones de razonamiento en lógica proposicional
Forma normal conjuntiva
Un algoritmo de resolución
Completitud de la resolución
Encadenamiento hacia delante y hacia atrás
7.6 Inferencia proposicional efectiva
Un algoritmo completo con backtracking ("vuelta atrás")
Algoritmos de búsqueda local
Problemas duros de satisfacibilidad
7.7 Agentes basados en lógica proposicional
Encontrar hoyos y wumpus utilizando la inferencia lógica
Guardar la pista acerca de la localización y la orientación del agente
Agentes basados en circuitos
Una comparación
8 Lógica de primer orden
8.1 Revisión de la representación
8.2 Sintaxis y semántica de la lógica de primer orden
Modelos en lógica de primer orden
Símbolos e interpretaciones
Sentencias atómicas
Sentencias compuestas
Cuantificadores
Cuantificador universal
Cuantificación existencial
Cuantificadores anidados
Conexiones entre Cuantificador universal y Cuantificadores anidados
8.3 Utilizar la lógica de primer orden
Aserciones y peticiones en lógica de primer orden
El dominio del parentesco
Números, conjuntos y listas
El mundo de wumpus
8.4 Ingeniería del conocimiento con lógica de primer orden
El proceso de ingeniería del conocimiento
El dominio de los circuitos electrónicos
Identificar la tarea
Recopilar el conocimiento relevante
Decidir el vocabulario
Codificar el conocimiento general del dominio
Codificar la instancia del problema específico
Plantear peticiones al procedimiento de inferencia
Depurar la base de conocimiento
9 Inferencia en lógica de primer orden
9.1 Lógica proposicional vs. Lógica de primer orden
Reglas de inferencia para cuantificadores
Reducción a la inferencia proposicional
9.2 Unificación y sustitución
Una regla de inferencia de primer orden
Almacenamiento y recuperación
9.3 Encadenamiento hacia delante
Cláusulas positivas de primer orden
Un algoritmo sencillo de encadenamiento hacia delante
Encadenamiento hacia delante eficiente
Emparejar reglas con los hechos conocidos
Encadenamiento hacia delante incremental
Hechos irrelevantes
9.4 Encadenamiento hacia atrás
Un algoritmo de encadenamiento hacia atrás
Programación lógica
Implementación eficiente de programas lógicos
Inferencia redundante y bucles infinitos
Programación lógica con restricciones
9.5 Resolución
Formas normales conjuntivas en lógica de primer orden
La regla de inferencia de resolución
Demostraciones de ejemplo
Completitud de la resolución
Manejar la igualdad
Estrategias de resolución
Resolución unitaria
Resolución mediante conjunto soporte
Resolución lineal
Subsunción
Demostradores de teoremas
Diseño de un demostrador de teoremas
Ampliar el Prolog
Demostradores de teoremas como asistentes
Usos prácticos de los demostradores de teoremas
10 Representación del conocimiento
10.1 Ingeniería ontológica
10.2 Categoría y objetos
Objetos compuestos
Sustancias y objetos
10.3 Acciones, situaciones y eventos
La ontología del cálculo de situaciones
Descripción de acciones en el cálculo de situaciones
Resolver el problema de la representación del marco
Resolver el problema de la inferencia del marco
El tiempo y el cálculo de eventos
Eventos generalizados
Flujos y objetos
10.4 Eventos mentales y objetos mentales
Una teoría formal de creencias
Conocimiento y creencia
Conocimiento, tiempo y acción
10.5 El mundo de la compra por Internet
Comparación de ofertas
10.6 Sistemas de razonamiento para categorías
Redes semánticas
Lógica descriptiva
10.7 Razonamiento con información por defecto
Mundos abiertos y cerrados
Negación como fallo y semánticas de modelado estables
Circunscripción y lógica por defecto
10.8 Sistemas de mantenimiento de verdad
11 Planificación
11.1 El problema de planificación
El lenguaje de los problemas de planificación
Expresividad y extensiones
Ejemplo: transporte de carga aéreo
Ejemplo: el problema de la rueda de recambio
Ejemplo: el mundo de los bloques
11.2 Planificación con búsquedas en espacios de estado
Búsquedas hacia-delante en el espacio de estados
Búsquedas hacia-atrás en el espacio de estados
Heurísticas para la búsqueda en el espacio de estados
11.3 Planificación ordenada parcialmente
Ejemplo de planificación de orden parcial
Planificación de orden parcial con variables independientes
Heurísticas para planificación de orden parcial
11.4 Grafos de planificación
Grafos de planificación para estimación de heurísticas
El algoritmo GRAPHPLAN
Interrupción de GRAPHPLAN
11.5 Planificación con lógica proposicional
Descripción de problemas de planificación en lógica proposicional
Complejidad de codificaciones proposicionales
11.6 Análisis de los enfoques de planificación
12 Planificación y acción en el mundo real
12.1 Tiempo, planificación y recursos
Programación con restricción de recursos
12.2 Redes de planificación jerárquica de tareas
Representación de descomposición de acciones
Modificación de planificadores para su descomposición
12.3 Planificación y acción en dominios no deterministas
12.4 Planificación condicional
Planificación condicional en entornos completamente observables
Planificación condicional en entornos parcialmente observables
12.5 Vigilancia de ejecución y replanificación
12.6 Planificación continua
12.7 Planificación multiagente
Cooperación: planes y objetivos conjuntos
Planificación condicional en entornos parcialmente observables
Mecanismos de coordinación
Mecanismos de coordinación
13 Incertidumbre
13.1 Comportamiento bajo incertidumbre
Manipulación del conocimiento incierto
Incertidumbre y decisiones racionales
Diseño de un agente de decisión teórico
13.2 Notación básica con probabilidades
Sucesos atómicos
Probabilidad priori
Probabilidad condicional
13.3 Los axiomas de la probabilidad
Utilización de los axiomas de probabilidad
Por qué los axiomas de la probabilidad son razonables
13.4 Inferencia usando las distribuciones conjuntas totales
13.5 Independencia
13.6 La Regla de Bayes y su uso
Aplicación de la regla de Bayes: el caso sencillo
Utilización de la regla de Bayes: combinación de evidencia
13.7 El mundo wumpus revisado
14 Razonamiento probabilista
14.1 La representación del conocimiento en un dominio incierto
14.2 La semántica de las redes bayesianas
La representación de la distribución conjunta completa
Un método para la construcción de redes bayesianas
Compactación y ordenación de nodos
Relaciones de independencia condicional en redes bayesianas
14.3 Representación eficiente de las distribuciones condicionales
Redes bayesianas con variables continuas
14.4 Inferencia exacta en redes bayesianas
Inferencia por enumeración
El algoritmo de eliminación de variables
La complejidad de la inferencia exacta
Algoritmos basados en grupos
14.5 Inferencia aproximada en redes bayesianas
Métodos de muestreo directo
Muestreo por rechazo en redes bayesianas
Ponderación de la verosimilitud
Inferencia por simulación en cadenas de Markov
14.6 Extensión de la probabilidad a representaciones de primer orden
14.7 Otros enfoques al razonamiento con incertidumbre
Métodos basados en reglas para razonamiento con incertidumbre
Representación de la ignorancia: teoría de Dempster-Shafer
Representación de la vaguedad: conjuntos difusos y lógica difusa
15 Razonamiento probabilista en el tiempo
15.1 El tiempo y la incertidumbre
Estados y observaciones
Procesos estacionarios e hipótesis de Markov
15.2 Inferencia en modelos temporales
Filtrado y predicción
Suavizado
Encontrarla secuencia más probable
15.3 Modelos ocultos de Markov
Algoritmos matriciales simplificados
15.4 Filtros de Kalman
Actualización de distribuciones gaussianas
Un ejemplo unidimensional sencillo
Aplicabilidad del filtrado de Kalman
15.5 Redes bayesianas dinámicas
Construcción de RBDs
Inferencia exacta en RBDs
Inferencia aproximada en RBDs
15.6 Reconocimiento del habla
Sonidos del habla
Palabras
Oraciones
Construcción de un reconocedor del habla
16 Toma de decisiones sencillas
16.1 Combinación de creencias y deseos bajo condiciones de incertidumbre
16.2 Los fundamentos de la teoría de la utilidad
Restricciones sobre preferencias racionales
16.3 Funciones de utilidad
La utilidad del dinero
Escalas de utilidad y evaluación de la utilidad
16.4 Funciones de utilidad multiatributo
Predominio
Estructura de preferencia y utilidad multiatributo
Preferencias sin incertidumbre
Preferencias con incertidumbre
16.5 Redes de decisión
Representación de un problema de decisión mediante una red de decisión
Evaluación en redes de decisión
16.6 El valor de la información
Un ejemplo sencillo
Una fórmula general
Propiedades del valor de la información
Implementación de un agente recopilador de información
16.7 Sistemas expertos basados en la teoría de la decisión
17 Toma de decisiones complejas
17.1 Problemas de decisión secuenciales
Optimalidad en problemas de decisión secuenciales
17.2 Iteración de valores
Utilidades de los estados
El algoritmo de iteración de valores
Convergencia de la iteración de valores
17.3 Iteración de políticas
17.4 Procesos de decisión de Markov parcialmente observables
17.5 Agentes basados en la teoría de la decisión
17.6 Decisiones con varios agentes: teoría de juegos
17.7 Diseño de mecanismos
18 Aprendizaje de observaciones
18.1 Formas de aprendizaje
18.2 Aprendizaje inductivo
18.3 Aprender árboles de decisión
Árboles de decisión como herramienta de desarrollo
Expresividad de los árboles de decisión
Inducir árboles de decisión a partir de ejemplos
Elección de los atributos de test
Valoración de la calidad del algoritmo de aprendizaje
Ruido y sobreajuste
Extensión de la aplicabilidad de los árboles de decisión
18.4 Aprendizaje de conjuntos de hipótesis
18.5 ¿Por qué funciona el aprendizaje?: teoría computacional del aprendizaje
¿Cuántos ejemplos se necesitan?
Aprendizaje de listas de decisión
19 Conocimiento en el aprendizaje
19.1 Una formulación lógica del aprendizaje
Búsqueda mejor-hipótesis-actual
Búsqueda de mínimo compromiso
19.2 Conocimiento en el aprendizaje
19.3 Aprendizaje basado en explicaciones
Extraer reglas generales a partir de ejemplos
Mejorar la eficiencia
19.4 Aprendizaje basado en información relevante
Determinar el espacio de hipótesis
Aprender y utilizar información relevante
19.5 Programación lógica inductiva
Métodos de aprendizaje inductivo de arriba a abajo (Top-down)
Aprendizaje inductivo con deducción inversa
Hacer descubrimientos con la programación lógica inductiva
20 Métodos estadísticos de aprendizaje
20.1 Aprendizaje estadístico
20.2 Aprendizaje con datos completos
Aprendizaje del parámetro de máxima verosimilitud: modelos discretos
Modelos de Bayes simples (Naive Bayes)
Aprendizaje de parámetros de máxima verosimilitud: modelos continuos
Aprendizaje de parámetros Bayesiano
Aprendizaje de la estructura de las redes bayesianas
20.3 Aprendizaje con variables ocultas: el algoritmo EM
Agrupamiento no supervisado: aprendizaje de mezclas de gaussianas
Aprendizaje de redes bayesianas con variables ocultas
Aprendizaje de modelos de Markov ocultos
Forma general del algoritmo EM
Aprendizaje de la estructura de las redes de Bayes con variables ocultas
20.4 Aprendizaje basado en instancias
Modelos de vecinos más cercanos
Modelos núcleo
20.5 Redes neuronales
Unidades en redes neuronales
Estructuras de las redes
Redes neuronales de una sola capa con alimentación-hacia-delante (perceptrones)
Redes neuronales multicapa con alimentación hacia delante
Aprendizaje de la estructura de las redes neuronales
20.6 Máquinas núcleo
21 Aprendizaje por refuerzo
21.2 Aprendizaje por refuerzo pasivo
Estimación directa de la utilidad
Programación dinámica adaptativa
Aprendizaje de diferencia temporal
21.3 Aprendizaje por refuerzo activo
Aprendizaje de una Función Acción-Valor
21.4 Generalización en aprendizaje por refuerzo
Aplicaciones a juegos
Aplicación a control de robots
21.5 Búsqueda de la política
22 La comunicación
22.1 La comunicación como acción
Fundamentos del lenguaje
Etapas de la comunicación
22.2 Una gramática formal para un fragmento del español
El léxico de e0
La Gramática de e0
22.3 Análisis sintáctico
Análisis sintáctico eficiente
22.4 Gramáticas aumentadas
Subcategorización del verbo
Capacidad generativa de las gramáticas aumentadas
22.5 Interpretación semántica
La semántica de un fragmento en español
Tiempo y forma verbal
Cuantificación
Interpretación pragmática
Generación de lenguajes con DCGs
22.6 Ambig edad y desambig edad
Desambiguación
22.7 Comprensión del discurso
Resolución por referencia
La estructura de un discurso coherente
22.8 Inducción gramatical
23 Procesamiento probabilístico del lenguaje
23.1 Modelos probabilísticos del lenguaje
Gramáticas probabilísticas independientes del contexto
Aprendizaje de probabilidades para PCFGs
Aprendizaje de la estructura de las reglas para PCFGs
23.2 Recuperación de datos
Evaluación de los Sistemas de RD
Refinamientos RD
Presentación de los conjuntos de resultados
Implementar sistemas RD
23.3 Extracción de la información
23.4 Traducción automática
Sistemas de traducción automáticos
Traducción automática estadística
Probabilidades de aprendizaje para la traducción automática
24 Percepción
24.1 Introducción
24.2 Formación de la imagen
Imágenes sin lentes: la cámara de orificio o pinhole
Sistemas de lentes
Luz: la fotometría de la formación de imágenes
Color: la espectrofotometría de la formación de imágenes
24.3 Operaciones de procesamiento de imagen a bajo nivel
Detección de aristas
Segmentación de la imagen
24.4 Extracción de información tridimensional
Movimiento
Estereoscopia binocular
Gradientes de textura
Sombreado
Contorno
24.5 Reconocimiento de objetos
Reconocimiento basado en la intensidad
Reconocimiento basado en las características
Estimación de postura
24.6 Empleo de la visión para la manipulación y navegación
25 Robótica
25.1 Introducción
25.2 Hardware robótico
Sensores
Efectores
25.3 Percepción robótica
Localización
Generación de mapas
Otros tipos de percepción
25.4 Planear el movimiento
Espacio de configuración
Métodos de descomposición en celdas
Métodos de esqueletización
25.5 Planificar movimientos inciertos
Métodos robustos
25.6 Movimiento
Dinámica y control
Control del campo de potencial
Control reactivo
25.7 Arquitecturas software robóticas
Arquitectura de subsumpción
Arquitectura de tres capas
Lenguajes de programación robóticos
25.8 Dominios de aplicación
26 Fundamentos filosóficos
26.1 IA débil: ¿pueden las máquinas actuar con inteligencia?
El argumento de incapacidad
La objeción matemática
El argumento de la informalidad
26.2 IA fuerte: ¿pueden las máquinas pensar de verdad?
El problema de mente-cuerpo
El experimento del "cerebro en una cubeta"
El experimento de la prótesis cerebral
La habitación china
26.3 La ética y los riesgos de desarrollar la Inteligencia Artificial
27 IA: presente y futuro
27.1 Componentes de los agentes
27.2 Arquitecturas de agentes
27.3 ¿Estamos llevando la dirección adecuada?
¿Qué ocurriría si la IA tuviera éxito?
Análisis asintótico
B.1 Definición de lenguajes con Backus-Naur Form (BNF)