1. Integrantes:
1. Michael Bryang Chevez Angulo
2. Silvio Jose Carballo Valverde
3. Luis Ernesto Navarro Castañeda
4. Jorge Uriel Carballo Hernández

2. Arboles de decisión
 Los
árboles de decisión son una forma de
representación sencilla, muy usada entre los sistemas
de aprendizaje supervisado, para clasificar ejemplos en
un número finito de clases. Se basan en la partición del
conjunto de ejemplos según ciertas condiciones que se
aplican a los valores de los atributos.
 Los sistemas basados en árboles de decisión forman
una familia llamada TDIDT (Top-Down Induction of
Decision Trees), cuyo representante más conocido es
ID3 ( [Quinlan, 86] ).

3.  ID3 (Interactive Dichotomizer) se basa en la reducción
de la entropía media para seleccionar el atributo que
genera cada partición (cada nodo del árbol),
seleccionando aquél con el que la reducción es
máxima. Los nodos del árbol están etiquetados con
nombres de atributos, las ramas con los posibles
valores del atributo, y las hojas con las diferentes
clases. Existen versiones secuenciales de ID3, como
ID5R ( [Utgoff, 89] ).

4.  C4.5 ( [Quinlan, 93] , [Quinlan, 96] ) es una variante
de ID3, que permite clasificar ejemplos con atributos
que toman valores continuos.

5. Ejemplo de árboles de decisión.
 Los árboles de decisión se usan en los sistemas
expertos porque son más precisos que el hombre para
poder desarrollar un diagnostico con respecto a algo,
ya que el hombre puede dejar pasar sin querer un
detalle, en cambio la maquina mediante un sistema
experto con un árbol de decisión puede dar un
resultado exacto.
 Una deficiencia de este es que puede llegar a ser más
lento pues analiza todas las posibilidades pero esto a su
vez es lo que lo vuelve más preciso que al hombre.

6. A continuación se presenta un ejemplo de un sistema experto y
de cómo puede llegar a diagnosticar que se emplee un fármaco X
en una persona con presión arterial.

7. Se le administrara un fármaco X al paciente si
1
2
3
• Tiene presión alta, su azúcar en la sangre es alto,
es alérgico a antibióticos y NO tiene otras
alergias.
• Tiene presión alta, su azúcar en la sangre es alto y
NO es alérgico a los antibióticos.
• Tiene presión arterial alta y su azúcar en la sangre
es bajo.

8. Continuación ejemplo
4
5
• Tiene presión arterial media y
su índice de colesterol es bajo.
• Tiene presión arterial baja

9. No se le administra el fármaco x si:
1
2
• Tiene presión arterial alta, su azúcar
en la sangre es bajo, es alérgico a los
antibióticos y SI tiene otras alergias.
• Tiene presión arterial media y su
índice de colesterol es alto.

10. Listas de decisión
son otra forma de representación basada en lógica de
proposiciones
Es una generalización de los árboles de decisión y de
representaciones conjuntivas (CNF) y disyuntivas (DNF).
Una lista de decisión es una lista de pares de la forma
(d1, C1), (d2, C2),..., (dn, Cn)

11. Listas de decisión
Donde cada di es una descripción elemental,
cada Ci es una clase, y la última descripción Cn
es el valor verdadero
La clase de un objeto será Cj cuando dj sea la
primera descripción que lo satisface

12. Ejemplo de listas de decisión
 LISP, acrónimo de lenguaje de Procesamiento de
Listas, fue inventado por John McCarthy y su equipo
en la Universidad de Stanford a finales de 1950.
 Originalmente fue creado como un modelo
computacional de procesos matemáticos, reflejando el
rigor de las propias matemáticas.
 LISP actualmente está diseñado para manejar símbolos
matemáticos (variables), por lo que es utilizado
perfectamente para la investigación en IA, donde un
símbolo puede representar cualquier cosa

13. Características de LISP
Es altamente flexible
Es indefinidamente extensible

14. Ciclo de LIPS
Leer
Imprimir
Evaluar

15. Conceptos característicos de LIPS
Listas y
átomos
La función
Gestión
dinámica de
memoria

16. Manejo de listas
setq: Asigna valores a una lista
let: Asigna valores a una lista
atom: Nos dice si el elemento es un átomo o si es una lista.
endp: Comprueba si la lista está vacía
first: Devuelve el primer elemento de una lista. Es lo mismo que car