Este curso pretende introducir las metodologías más importantes que se usan para la implementación del razonamiento aproximado dentro del campo de la Inteligencia Artificial
1 Introducción:
* La incertidumbre y el razonamiento aproximado en la Inteligencia
Artificial
* Imprecisión e incertidumbre.
* Medidas de incertidumbre y vaguedad.
2 Modelos Probabilísticos :
* Introducción
* Primeros modelos probabilísticos: Nilsson,Prospector,Mycin.
* Representación del conocimiento probabilístico en grafos
causales: - Redes de Markov - Redes Bayesianas
* Propagación de evidencias en redes Bayesianas: - Algoritmos de
Pearl - Algoritmos de Lauritzen i Spiegelhalter.
3 Modelo Evidencial :
* Teoría de la evidencia de Dempster-Shafer.
* Fundamentación lógica del razonamiento evidencial.
4 Modelos Posibilísticos:
* Introducción
* Lógica Posibilística.
* Lógica Fuzzy
* Sistemas i aplicaciones basados en lógica Fuzzzy - El sistema
MILORD II
5 Razonamiento por analogía:
* Introducción
* Razonamiento basado en similaridades.
* Razonamiento aproximado y Razonamiento Basado en Casos
6 Lógicas para el Razonamiento Aproximado:
* Introducción
* Lógicas Multivaluadas
* Lógicas Modales
* Lógicas de la similaridad.