Inteligencia Computacional
Combinación:
Ciencias de la Computación
Neuro-Fisiología
Filosofía (Teoría del conocimiento y lógica)
Creación de Máquinas que puedan
Pensar en el sentido del test de Turin
Corteza Cerebral Humana:
Aproximadamente 10 neuronas
1000 a 10.000 Synapsis por neurona
Comunicación tren de impulsos electro-quimicos ( mensaje modulado)
Proceso Cognitivo
tiempo (milisegundos)
Operación Masiva Paralela
Secuencial en 100 Etapas
11
Célula Nerviosa
Soma: Info. Hereditaria + Plasma +
Generación Señales
Dendritas: Recepción Señales ? Impulsos
Axón: Transmisión de Señales
Sinapsis: Interfaz Neuronal (Inhibitoria, Excitatoria)
4
1943 W.McCulloch, W. Pitts: Modelo ANN ( El Perceptrón )
1959 Bernard Widrow ( SU): Filtro Adaline (Adaptative Linear Neuron) y el Madaline (Multiple Adaline) Basado en ( ANN)
1969 Minsky y Papert: El Perceptrón (limitaciones).
1982 J. Hopfield: Memoria Asociativa "Redes de Hopfield".
1986 Rumulhart, Hunton y Williams : redescubren el BPL algoritmo de "back-propagation learning" ( Paul Werbor, 1974)
1989 K. Hornik, M. Stinchcombe, H. White: Multi-FANN y Aproximación Universal
Breve Historia
5
Red neuronal artificial (ANN)
ANN: Es un sistema dinámico compuesto por redes paralelas y distribuidas de procesadores elementales, con la capacidad de aprender y almacenar "conocimiento".
Arquitectura
Interacción
Función de proceso
ANN: SM sobre-parametrizado
Aplicaciones de las ANN
Resolver problemas Complejos
Hacer generalizaciones
Establecer Relaciones no evidentes
Análisis de sistemas complejos
Percepción
Comprensión y Aprendizaje
Generación de nuevo conocimiento
Aplicaciones de las ANN
Telecomunicaciones
Informática
Minería
Energía
Finanzas
Transporte
Salud
Aplicaciones de las ANN
Clasificación
Pre-procesamiento de datos
Reconocimiento de patrones
Aproximación de funciones
Predicción de Series de Tiempo
Optimización Combinatorial
Control
9
Modelo Neuronal: Mc Culloch & Pitts 1943
bi
w
1i
w
ni
. . .
0
1
0
1
0
1
xi(t)
xi(t) =
(Gp:) 1
å wij xj(t-1) – bi
n
j=1
?
10
ANN y Neuronales Biológicas
Neurona y Conecciones Sinápticas
Procesador Elemental
Neuronas: El aprendizaje se produce mediante la variación de la efectividad de las sinapsis, de esta manera cambia la influencia que unas neuronas ejercen sobre otras.
ANN: La regla de aprendizaje usada indica como se ajustan los pesos de las conexiones en función del vector entrada
11
Analogías
12
Procesador Elemental.
PE: Es una unidad básica de procesamiento
la que posee múltiples entradas y solo una salida.
Cada entrada xi es ponderada por un factor (peso) wi y se calcula la suma ponderada de las entradas:
Luego es aplicada una transformación mediante la función de activación :
Página siguiente |