SI (Simbolica) - UDC

La diferencia entre la IA simbólica y subsimbólica es... Contienen conocimiento explícito. Razonan mediante inferencia lógica. Suele requerir grandes volúmenes de datos. a) y b).

Que el conocimiento sea explícito, implica. Alta explicabilidad. Alta reusabilidad. Alta capacidad de ser manipulado. Todas son correctas.

La arquitectura del agente. Contiene módulos y componentes imprescindibles para el funcionamiento del agente. Estructura el programa del agente. Contiene componentes de selección, percepción y acción. Todas son correctas.

Cuál de estas opciones es correcta con respecto al agente reactivo simple. Selecciona una acción en base a percepciones actuales denominadas reflejos. Selecciona una acción en base a cómo evoluciona el mundo y qué efecto tienen sus acciones ejecutadas. Selecciona una acción en base a una serie de objetivos a alcanzar, planificando secuencias de acciones. Selecciona una acción en base a un estado interno que mide qué tan beneficioso es un estado.

Cuál de estas opciones es correcta con respecto al agente basado en modelos. Selecciona una acción en base a percepciones actuales denominadas reflejos. Selecciona una acción en base a cómo evoluciona el mundo y qué efecto tienen sus acciones ejecutadas. Selecciona una acción en base a una serie de objetivos a alcanzar, planificando secuencias de acciones. Selecciona una acción en base a un estado interno que mide qué tan beneficioso es un estado.

Cuál de estas opciones es correcta con respecto al agente basado en metas. Selecciona una acción en base a percepciones actuales denominadas reflejos. Selecciona una acción en base a cómo evoluciona el mundo y qué efecto tienen sus acciones ejecutadas. Selecciona una acción en base a una serie de objetivos a alcanzar, planificando secuencias de acciones. Selecciona una acción en base a un estado interno que mide qué tan beneficioso es un estado.

Cuál de estas opciones es correcta con respecto al agente basado en utilidad. Selecciona una acción en base a percepciones actuales denominadas reflejos. Selecciona una acción en base a cómo evoluciona el mundo y qué efecto tienen sus acciones ejecutadas. Selecciona una acción en base a una serie de objetivos a alcanzar, planificando secuencias de acciones. Selecciona una acción en base a un estado interno que mide qué tan beneficioso es un estado.

Cuál de estas opciones es correcta con respecto al agente reactivo simple. Presenta reglas de condición-acción. Presenta un estado interno asociado al efecto de una acción. Presenta un mecanismo de reflejos que imitan lo que ocurre en el medio ambiente. Ninguna es correcta.

Cuál de estas opciones es incorrecta con respecto al agente reactivo simple. Es el tipo de agente más sencillo. Selecciona la acción en base a percepciones actuales. Tiene un comportamiento similar a los reflejos. Mantiene un estado interno con el efecto de sus acciones.

Cuál de estas opciones es incorrecta con respecto al agente basado en modelos. Puede planificar una secuencia de acciones para realizar la acción. Puede medir el efecto de sus acciones con respecto al mundo. Mantiene un estado interno con cómo evoluciona el mundo. Mantiene un estado interno con el efecto de sus acciones.

Cuál de estas opciones es incorrecta con respecto al agente basado en metas. Puede planificar una secuencia de acciones para realizar la acción. Puede medir el efecto de sus acciones con respecto al mundo. Mantiene unas reglas internas de condición-acción. Mantiene un estado interno con el efecto de sus acciones.

Escoja la opción que define a un estado determinista. Cada acción del agente deriva a un estado predecible. Cada acción del agente deriva a un estado impredecible. Cada acción del agente deriva a un estado predecible bajo un valor aleatorio. Cada acción del agente deriva a un estado predecible bajo un valor pseudoaleatorio.

Escoja la opción que define a un estado estocástico. Cada acción del agente deriva a un estado predecible. Cada acción del agente deriva a un estado impredecible. Cada acción del agente deriva a un estado dependiente de un valor aleatorio. Cada acción del agente deriva a un estado dependiente de un valor fijo.

De estas opciones, cuál NO es una observabilidad completa?. Crucigrama. Ajedrez. Conducción autónoma. Clasificación de imágenes.

De estas opciones, cuál TIENE una observabilidad parcial?. Crucigrama. Solitario. Conducción autónoma. Clasificación de imágenes.

En cuanto a la definición formal de un problema, el estado inicial el agente indica... Cada situación posible en el problema con un estado. Para un estado inicial cualquiera del agente, lista las posibles acciones. Cualquier estado donde el agente deba tomar una decisión se considera estado inicial. Todas son correctas.

En cuanto a la definición formal de un problema, las descripciones de acciones del agente indican... Cada situación posible en el problema con un estado. Para un estado dado cualquiera del agente, lista las posibles acciones. Lista de todas las acciones del problema completo desde el estado inicial. Describen las acciones de los agentes en el problema.

Escoja la opción correcta con respecto al espacio de estados de un problema de búsqueda de un agente. El espacio de estados del problema es un grafo dirigido que deriva implícitamente del estado inicial, las acciones y los modelos de transición. El espacio de estados es el conjunto de todos los caminos posibles desde el estado inicial hasta el estado objetivo. Los nodos del espacio de estados son las acciones a realizar, mientras que los arcos son los estados posibles tras dicha accion. El espacio de estados se puede hacer explícito (finito o infinito) mediante el modelo de transición.

El test objetivo en la definición formal de un problema. Determina si un estado es el estado meta. Verifica si pertenece al conjunto explícito de espacios de estados. Asigna un coste numérico a cada camino que llegue al objetivo. a) y b).

La función coste del camino en la definición formal de un problema. Se suman todos los costes del problema. La acción que lleva de X a Y y se llama W se denota como C(X,W,Y). Asigna un coste numérico a cada camino que llegue al objetivo. b) y c).

Cuál de las siguientes NO es correcta con respecto a la solución de un problema de búsqueda. Secuencia de acciones que transforman el estado inicial en el estado meta. Camino crítico que relaciona acciones con estados. La función de coste del camino mide la calidad de dicha solución. Puede existir una solución que no sea óptima para un problema.

Escoja la opción correcta con respecto a la resolución de problemas de búsquedas. El espacio de estados es una representación exclusiva del dominio del problema y no indica como obtener la solución. Entre los procesos de búsqueda, se incluyen los criterios de decisión que indican el siguiente movimiento. Los criterios de selección y aplicación y aplicación de operadores relevantes. Todos son correctos.

La dirección del proceso de búsqueda. Es un proceso progresivo o dirigido por los datos. Es un proceso regresivo, evocativo o dirigido por los objetivos. a) y b). Ninguno es correcto.

Escoja la afirmación incorrecta sobre búsqueda. Cuando existen operadores reversibles, la repetición es inevitable. Cuando el EE es un grafo, si se usa un algoritmo para árboles se producen caminos redundantes. Si se lleva cuenta sobre los nodos explorados, podemos evitar la redundancia. Un EE finito solo puede producir un árbol de búsqueda finito.

Escoja la afirmación correcta sobre la búsqueda de árboles. Obliga a comprobar si cada estado generado está explorado o no. Requiere de más memoria para almacenar nodos repetidos en la frontera. Si se lleva cuenta sobre los nodos explorados, podemos evitar la redundancia. Un EE finito solo puede producir un árbol de búsqueda finito.

Proceso de selección sistemática de acciones a aplicar. Emparejamiento. Asignación. Representación. Selección.

Cuál de estas tareas es una de las más costosas en programas de IA. Emparejamiento. Búsqueda de grafos. Búsqueda de árboles. Crear la tabla de estados.

Si queremos estimar el beneficio de una transición en un EE mediante números usaríamos una. Función Heurística. Función Discreta. Función Numérica. Función Entrópica.

Escoja la opción incorrecta con respecto a las funciones Heurísticas. Son de carácter numérico. Permiten optimizar procesos de búsqueda. Guian la exploración a través de los estados más provechosos posibles. A partir de todos los caminos posibles recorridos, escoge el más rápido.

Qué estructura de datos usarías para almacenar los nodos explorados?. Una pila. Un árbol. Una tabla hash. Un grafo.

Qué estructura de datos usarías para almacenar los nodos fronterizos?. Una pila. Una cola. Una tabla hash. Un árbol binario.

Para evaluar una estrategia de búsqueda, esa opción no sería importante. La completitud. La complejidad temporal y espacial. La optimización. La carga computacional.

Qué valor NO pertenece a la efectividad?. Coste total. Coste de búsqueda. Coste de camino. Coste computacional.

Qué valor NO se mide en la complejidad temporal y espacial?. Factor de ramificación. Profundidad de la solución menos costosa. Máxima profundidad del espacio de estados. Número de nodos meta en el EE.

La búsqueda que no dispone de información adicional acerca de los estados más allá de la que le proporciona la definición del problema. No informada o ciega. Informada o heurística. De información parcial. De información por partición.

La búsqueda que dispone del conocimiento específico del problema para alcanzar el objetivo de manera más eficiente. No informada o ciega. Informada o heurística. De información parcial. De información por partición.

La búsqueda preferente en amplitud, o breadth-first. La solución del problema es independiente de la profundidad del árbol. No siempre encuentra la solución que requiere menos pasos si existe. Es eficiente temporalmente y no consume grandes recursos. Su amplitud deriva de la cola FIFO, que expande el nodo menos profundo primero.

Escoja la opción correcta con respecto a la evaluación de la búsqueda preferente en amplitud. La solución puede ser completa y no óptima. La solución puede ser óptima pero no completa. La solución puede ser u óptima o completa. Ninguna de las respuestas es correcta.

Escoja la opción correcta con respecto a los caminos con coste. Todas las operaciones tienen el mismo coste (pasar al siguiente nodo). En los casos donde las operaciones no tienen el mismo coste, la solución más corta es la menos costosa. Una mejora con respecto a la búsqueda convencional sería almacenar el coste de la acción que lleva a un nodo. El nodo meta más cercano es el óptimo para la solución en breadth-first.

Escoja la opción correcta con respecto a la búsqueda de coste uniforme. Si expandimos los nodos con menor coste, entonces la frontera se manejará con una cola de prioridad ordenada. Si expandimos los nodos con menor coste, entonces la frontera se manejará con una pila. Si expandimos los nodos con menor coste, entonces la frontera se manejará con una cola FIFO. Si expandimos los nodos con menor coste, entonces la frontera se manejará con una cola LIFO.

Escoja la opción incorrecta con respecto a la búsqueda de coste uniforme. La frontera siempre tiene el camino más corto a los nodos contenidos en ella. El primer nodo meta en ser expandido será el óptimo. El coste de camino es el mismo que el coste de la solución óptima. Es completa y óptima.

Escoja la opción correcta con respecto a la búsqueda de coste uniforme. La frontera siempre tiene el camino más corto a los nodos contenidos en ella. El primer nodo meta en ser expandido será el óptimo. El coste de camino es el mismo que el coste de la solución óptima. Todas son verdaderas.

Escoja la opción correcta con respecto a la búsqueda en profundidad. Es completa en todos los casos. Es óptima en la mayoría de los casos. La complejidad temporal y espacial son del mismo O. El mayor número de nodos almacenados se alcanza en el nodo inferior más izquierdo.

La idea de mejora de la búsqueda de backtracking. Descartar del almacenamiento aquellos caminos que no hayan devuelto una solución. Para nodos profundos, combinar el breadth-first con la profundidad para aumentar el rendimiento de búsqueda. La expansión de nodos deberá ser bottom-to-top, permitiendo encontrar un estado meta mucho antes. La función de sucesores de cada nodo expandirá a múltiples sucesores de cada vez.

La idea de mejora de la búsqueda de profundidad limitada. Fijar un límite a la profundidad máxima. Puede darse el caso de que a la meta nunca se llegue. Soluciona el problema de caminos infinitos. Todas son correctas.

La idea de mejora de la búsqueda de profundidad iterativa. Mejora la búsqueda de profundidad limitada aumentan gradualmente el límite. Mejora la búsqueda de profundidad incluyendo colas iterativas. Mejora la búsqueda preferente en profundidad fijando un límite a la profundidad máxima. Mejora la búsqueda breadth-first incluyendo un proceso de autoasignación iterativo.

En cuanto a la búsqueda preferente por el mejor, el nodo a expandir... Se selecciona en base a una función de evaluación f(n) donde se elige el menor mejor valor. Se selecciona en base a una función de evaluación f(n) donde se elige el mayor mejor valor. Se selecciona en base a una función heurística h(n) donde se elige el menor mejor valor. Se selecciona en base a una función heurística h(n) donde se elige el mayor mejor valor.

Escoja la opción falsa con respecto a la búsqueda preferente por el mejor. Está basada en el algoritmo de búsqueda en árbol o grafo. La información de cómo prometedor es un estado la proporciona una función heurística. Un estado es prometedor si es menos costoso desde el estado nodo n hasta el estado meta. Si n es un nodo meta, entonces la función heurística h(n) = 1.

En cuanto a las formas de implementar la búsqueda por el mejor nodo... Cuando la función de evaluación f(n) y la función de heurística h(n) valen lo mismo, entonces estamos en una búsqueda avara. Cuando la función de evaluación f(n) y la función de heurística h(n) valen lo mismo, entonces estamos en una búsqueda A*. Cuando la función de evaluación f(n) y la función de heurística h(n) valen lo mismo, entonces estamos en una búsqueda A. Cuando la función de evaluación f(n) y la función de heurística h(n) valen lo mismo, entonces estamos en una búsqueda de árbol binario.

En cuanto a las formas de implementar la búsqueda por el mejor nodo... escoja la falsa. Si f(n) = h(n) entonces estamos en una búsqueda avara. La búsqueda avara ocurre cuando la f(n) considera el coste mínimo estimado. La búsqueda A* ocurre cuando la f(n) = g(n) + h(n), siendo g(n) el coste consumido para llegar a n. La búsqueda A* ocurre cuando la f(n) considera el coste máximo total del camino a un nodo solución.

En cuanto a las formas de implementar la búsqueda por el mejor nodo... escoja la correcta. La búsqueda avara implementa una cola de prioridad que atiende al costo g(n). La búsqueda avara implementa una cola de prioridad que atiende a la heurística h(n). La búsqueda avara implementa una cola de prioridad que atiende a la función de evaluación f(n). La búsqueda avara implementa una cola FIFO que atiende al costo g(n).

En cuanto a las formas de implementar la búsqueda por el mejor nodo... escoja la falsa. En la búsqueda avara, se expande el nodo que se estima que está más cerca de la meta. La búsqueda avara implementa una cola de prioridad que atiende a h(n) para los nodos explorados. Normalmente la búsqueda avara no suele ser óptima. La búsqueda avara puede perderse en bucles o recorrer rutas infinitas.

En cuanto a las formas de implementar la búsqueda por el mejor nodo... escoja la falsa. La búsqueda A* combina la búsqueda avara y la búsqueda de coste uniforme. La búsqueda A* presenta una cola de prioridad de la heurística para la frontera. En la búsqueda A* se expande el nodo cuya solución es más prometedora. A* puede usarse para encontrar el camino más rápido posible en el menor numero de pasos.

En cuanto a las formas de implementar la búsqueda por el mejor nodo... escoja la verdadera. A* se comporta como profundidad si los nodos se ordenan de más a menos. A* se comporta como profundidad si los nodos se ordenan de menos a más. A* se comporta como profundidad si los nodos no están ordenados. A* se comporta como profundidad si los nodos tienen máxima entropía.

En cuanto a las formas de implementar la búsqueda por el mejor nodo... escoja la verdadera. A* se comporta como anchura si los nodos se ordenan de más a menos. A* se comporta como anchura si los nodos se ordenan de menos a más. A* se comporta como anchura si los nodos no están ordenados. A* se comporta como anchura si los nodos tienen máxima entropía.

Para que A* sea óptima. La heurística debe ser consistente y admisible. La heurística debe ser consistente. La heurística debe ser admisible. La heurística debe ser consistente o admisible.

Cuando hablamos de que la heurística debe ser consistente nos referimos a. Hay estados S no meta a los que se puede llegar de varias maneras. Los valores de f a lo largo de cualquier camino no son decrecientes. El primer nodo meta seleccionado para la expansión deberá ser una solución óptima. Todas las respuestas son correctas.

Cuando hablamos de que la heurística debe ser admisible nos referimos a. Que nunca sobreestime el coste real de alcanzar la meta. Que nunca subestime el coste real de alcanzar la meta. Que siempre consiga el coste real de alcanzar una meta. a) o b).

Escoja al opción falsa en cuanto a A*. Tiene una complejidad espacial que no es práctica para problemas muy grandes. A* es óptimamente eficiente para una heurística consistente dada. La complejidad temporal es lineal y acomodada al tamaño del problema. Es completa si todos los pasos tiene coste positivo y b es finito.

No usaremos A* cuando. Se desee obtener el mejor resultado. Existe información de tipo heurístico disponible. No existen buenas heurística posibles. El tamaño del problema es pequeño.

La idea de relajar un problema en diseño de buenas heurísticas. La idea es simplificar el problema para calcular una solución sin hacer una búsqueda. Consiste en eliminar ciertas restricciones para solucionar un problema complejo. a) y b). Ninguna es correcta.

Escoja la opción correcta con respecto a la estrategia de búsqueda local. Usa un estado actual y se mueve a múltiples caminos disponibles. El camino a la meta es tan importante como encontrar un estado que verifique el test de meta. Por lo general, suelen ser aptos para problemas de optimización. A efectos prácticos, se encargan de maximizar una función heurística.

El algoritmo que selecciona el primer mejor sucesor que el estado actual se denomina. De máximo vecino. Del best-neighbor. De máxima pendiente. De best-state.

El estado puntual mejor que cualquiera de sus vecinos pero peor que otros estados más alejados se denomina. Máximo local. Máximo global. Meseta. Cresta.

Región del espacio de estados con estados que tienen mejores valores de la h(n) que los de regiones colindantes pero a los que no podemos llegar mediante transiciones simples. Máximo local. Máximo global. Meseta. Cresta.

Región del espacio de estados en la que todos los estados individuales tienen el mismo valor de h(n) y por lo tanto no es posible determinar la mejor dirección para continuar. Máximo local. Máximo global. Meseta. Cresta.

Como solución para el algoritmo de escalada, la solución que consiste en hacer backtracking se usa en. Máximo local. Máximo global. Meseta. Cresta.

Como solución para el algoritmo de escalada, la solución que consiste en hacer un gran salto en el espacio de búsqueda y tratar de alcanzar una región diferente se usa en. Máximo local. Máximo global. Meseta. Cresta.

Como solución para el algoritmo de escalada, la solución que consiste en aplicar un operador antes de realizar la prueba de meta se usa en. Máximo local. Máximo global. Meseta. Cresta.

Conjunto de secuencias en lenguaje formal. Base de Conocimiento. Motor de Inferencias. Dominio de conocimiento. Esquema inferencial.

Algoritmos independientes del dominio. Base de Conocimiento. Motor de Inferencias. Dominio de conocimiento. Esquema inferencial.

Escoja la opción incorrecta con respecto a los agentes de conocimiento simple. El agente recibe como entrada una percepción y devuelve una acción. El agente presenta una base de conocimiento que son aserciones sobre el mundo. Es posible aumentar el número de elementos de la base de conocimiento de un agente. El agente puede razonar sobre el estado del mundo de manera autónoma.

Dentro de la definición REAS, qué elemento dispone para el agente el medio ambiente donde participa. Medida de rendimiento. Entorno. Actuadores. Sensores.

Dentro de la definición REAS, qué elemento restringe al agente en las acciones que este puede hacer. Medida de rendimiento. Entorno. Actuadores. Sensores.

Dentro de la definición REAS, qué elemento permite al agente interactuar con el medio ambiente. Medida de rendimiento. Entorno. Actuadores. Sensores.

Lenguaje formal que permite representar la información de forma que se pueda llegar a conclusiones. Lógica. Hechos. Reglas. Redes semánticas.

Relaciones condicionales de si-entonces. Lógica. Hechos. Reglas. Redes semánticas.

Afirmaciones sobre el mundo y sus estados. Lógica. Hechos. Reglas. Redes semánticas.

El algoritmo inferencial que enumera todos los posibles modelos para comprobar que una afirmación es cierta en todos los modelos. Model checking. Truth-preserving. Model Counting. Sound.

El algoritmo inferencial que deriva solamente en sentencias implicadas. Model checking. Truth-preserving. Model Counting. Model Implier.

Dos sentencias A y B son equivalentes a nivel lógico si. A es igual a B y si A infiere a B y B infiere a A. A es igual a B y si A infiere a B. A es igual a B. A infiere a B y B infiere a A.

Una sentencia es válida si. Es cierta en todos los modelos. Es una tautología. a) y b). Ninguna de las anteriores.

La lógica monotónica. No se puede invalidar cualquier conclusión inferida anteriormente. Las sentencias que se infieren solamente pueden incrementar a medida que se añade informacion a la base de conocimiento. Las reglas inferencias de este tipo de lógica se pueden aplicar siempre que las premisas adecuadas estén en la base de conocimiento. Todas son correctas.

Regla de inferencia única que proporciona un algoritmo de inferencia completo unida con cualquier algoritmo de búsqueda completo. Resolución. Inferencia. Tautología. Proposición.

Escoja la opción correcta con respecto a la factorización. Es la eliminación de copias múltiples de literales. Es una regla satisfacible pero no sólida. Forma base de una familia de procedimientos inferenciales parciales. Todas las anteriores.

Escoja la opción correcta con respecto a la completitud. El cierre de resolución son todas las cláusulas derivables por la aplicación repetida de la regla de resolución. RC es finito. El teorema fundamental de resolución dice que si un conjunto de cláusulas es insatisfacible, entonces la resolución de las mismas es una cláusula vacía. Todas son correctas.

La diferencia fundamental entre las cláusulas definidas y las cláusulas de Horn es que. Las cláusulas definidas tienen exactamente 1 positivo y las de Horn mínimo tienen como mucho 1 positivo. Las cláusulas Horn tienen exactamente 1 positivo y las definidas mínimo tienen como mucho 1 positivo. Las cláusulas definidas tienen exactamente 1 positivo y las de Horn tienen más de una cláusula positiva. Las diferencias radican en la resolución de cláusulas de cada uno solamente.

Escoja la opción falsa. Toda cláusula definida se puede describir como una implicación, con una premisa, conclusión y hecho. La inferencia con cláusulas de Horn se puede hacer a través de algoritmos de encadenamiento. Todas las cláusulas definidas son inherentemente cláusulas de Horn, ya que son cláusulas con literales no positivos. Decidir la implicación en las cláusulas de Horn suele ser un proceso costoso para las KB grandes.

Escoja la opción incorrecta con respecto a los algoritmos de encadenamiento progresivo. Determina si un único símbolo proposicional deriva en una KB de cláusulas definidas. Funciona en tiempo real. Comienza a partir de los literales positivos (hechos). El proceso se detiene únicamente cuando no se pueden realizar más inferencias.

Escoja la opción incorrecta con respecto a los algoritmos de encadenamiento regresivo. Hay que comprobar si cada nueva submeta está ya en el stack de metas. Hay que comprobar si cada nueva submeta se ha probado True o False. Tiene el mismo coste computacional que el encadenamiento progresivo. Es una forma de razonamiento dirigido por las metas.

En el caso de resolución de un problema del estilo "Cómo puedo encontrar las notas de SI?". Encadenamiento regresivo. Encadenamiento progresivo. Búsqueda preferente al mejor dato. Búsqueda de grado dirigido.