Notas de Lab SI 🧊

1. Bloque de búsqueda

Lab 1

Guía para instalar aima-python

• Descargarlo de aquí como .zip
• Descomprimirlo
• Dentro de la carpeta pegar el fichero search4e-Busqueda_2023_2024.ipynb del campus
• Meterlo en la carpeta del aima descargada
• Darle doble click
• Seleccionar el kernel (Python 3.9.10)
• Ejecutar

Ejercicio 2

• Comprobar que el coste es el indicado en el Word

• Para cambiar si usa el h0, el h1 o el h2 modificar aquí:

• Modificamos el h2:

# Mi solución
sum = 0;
 
for i in range(9):
 
	if node.state[i] != 0:
	
	sum += abs(i//3 - self.goal.index(node.state[i])//3) + abs(i%3 - self.goal.index(node.state[i])%3)
 
return sum
 
#------------------------------------------------------------
 
# Solución del profe
sum = 0;
 
for i in range(9):
 
	if (i!=0):
	
	X1, Y1 = (node.state.index(i)%3, node.state.index(i)//3) #board positions of the i tilde in node.state
	
	Xg, Yg = (self.goal.index(i)%3, self.goal.index(i)//3) #board positions of the i tilde in goal.state
	
	sum += abs(X1-Xg) + abs(Y1-Yg)
 
return sum

• h2 es el más eficiente en tiempo

Ejercicio 4

• Hay que modificar esta función:

• Solución:

ok = False
 
  
 
while not ok:
 
	node = frontier.pop()
	
	if node.path_cost > reached[node.state].path_cost:
	
		DUMMY_NODES += 1
	
	else:
	
		ok = True

Ejercicio 5

• Solución

# Reexpansion control, number of states reexpanded
 
if node.state in expanded:
 
	STATES_REEXPANDED += 1
 
else:
 
	expanded[node.state] = True
 
# counting expansions
 
NODES_EXPANDED += 1

Ejercicio 6

• Para ejecutar el PA* usamos la función weighted_astar_search

Lab 2

Lab 3

• El elitismo consiste en conservar los mejores que tengamos (no perder una mejor solución, sino mantenerla)
  • Lo que pretende conseguir es que las diferencias entre los buenos y los malos sean más grandes
  • Para escalar el fitness podemos elevar dos números a una potencia muy grande, para que su diferencia sea mayor (por ejemplo)

Lab 4

Lab 5

Ejercicio 1

• La probabilidad de que tenga cáncer de pulmón es 48,87%
• Como ha viajado al extranjero, ahora la probabilidad es un 37,15%
  • Se ha decrementado porque ha aumentado la probabilidad de que tenga tuberculosis debido a su viaje en el extranjero

Lab 6

• Media MB se refiere a Markov Blanket

• Hacer para cada una de las redes 5 veces:

  • Generar evidencia random
  • Generar variables de interes aleatorias
  • Hacer para cada algoritmo la misma evidencia y la misma variable de interés

• Hacer la media de las 5 veces por cada

• Usar método setSampleSize(10000) ← para indicar cuántas muestras se usen para los cálculos

• Usar setSeed() para establecer la misma ejecucion

• Hacerlo para: HuginPropagation, LogicSampling y LikelihoodWeighting

• Con diabetes no hacer VEPropagation porque tarda pila

Lab 7

Ejercicio 1

• Depende del dominio en el que estemos.
  • Parece asumible (porque es un dominio médico)

Ejercicio 2

• Son bastante parecidos (39% - 28%)
• Estas diferencias se deben a las muestras de la prueba, no al algoritmo

Ejercicio 3

• Usar la seccion de filtro de excel

1. 15,4%
2. 39,47%

Ejercicio 4

• Como la probabilidad es muy pequeña, el error es muy grande (y en ponderación es unas 4 veces menor)
  • Ponderación de la verosimilitud es mejor que muestreo estocástico

Ejercicio 5

• Hay dos valores distintos: 0,0098 y 0,0049

• Se nos va a preguntar sobre el punto 3 Aprendizaje de redes