Sistemas Deductivos Proposicionales

21 de Diciembre de 2020, ha tenido 501 vistas

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.

Etiquetas utilizadas: , ,

Leer mas »

Formas Prenex, de Skolem y Teorema de Herbrand

18 de Noviembre de 2020, ha tenido 534 vistas

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.

Etiquetas utilizadas: , ,

Leer mas »

Formas Normales, Cláusulas y Algoritmo DPLL

10 de Noviembre de 2020, ha tenido 589 vistas

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.

Etiquetas utilizadas: , ,

Leer mas »

Construir un buscador desde cero

3 de Noviembre de 2020, ha tenido 442 vistas

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.

Etiquetas utilizadas: , , , ,

Leer mas »

Tableros Semánticos en Lógica de Primer Orden

28 de Octubre de 2020, ha tenido 487 vistas

Igual que la Lógica de Primer Orden extiende la Lógica Proposicional, el método de Tableros Semánticos que veremos para Lógica de Primer Orden se obtendrá añadiendo al método de la Lógica Proposicional mecanismos para manipular los nuevos operadores de construcción... pero habrá que tener cuidado con las peculiaridades de su mayor capacidad expresiva, lo que nos llevará a obtener un método que, como es de esperar, no es 100% automatizable, a pesar de ser muy útil e informativo.

Etiquetas utilizadas: , ,

Leer mas »

ALGUNAS ENTRADAS ANTERIORES ... AL AZAR

Teoría Algorítmica de la Información

28 de Marzo de 2012, 545 vistas

La Teoría Algorítmica de la Información (AIT) es el resultado de poner la Teoría de la Información de Shannon y la Teoría de la Computabilidad de Turing en una coctelera y agitar vigorosamente. La idea básica consiste en medir la complejidad de un objeto por el tamaño en bits del menor programa que lo calcula.

(Extraído del Prefacio escrito por G. Chaitin para la segunda edición del libro "Information and Randomness: An Algorithmic Perspective" de C. Calude)

Etiquetas utilizadas: , , , , ,

Variational AutoEncoder

1 de Marzo de 2020, 2895 vistas

Los Variational AutoEncoders (VAE) son modelos de aprendizaje que mezclan las redes neuronales con distribuciones de probabilidad. Su principal uso es el de construir modelos generativos que son capaces de producir datos sintéticos que siguen los mismos patrones que los grandes conjuntos de datos de los que se alimentan. Normalmente, se han usado para generar imágenes que asemejan, por ejemplo, características conocidas tales como caras, vehículos, habitáculos, etc. aunque en teoría podrían usarse para la generación de cualquier tipo de dato, siempre y cuando el conjunto de entrenamiento de datos reales sea adecuado (en tamaño y contenido).

Etiquetas utilizadas: , , ,