Beruflich Dokumente
Kultur Dokumente
90666 59J
Clase 6
Prof. Arturo Vilca Romn avilcar@usmp.pe ciclo 2013-1
Redes Neuronales en la IA
Ramas de la Inteligencia Artificial en sus inicios: Simblica-deductiva:
Sistemas formales de reglas y manipulacin simblica Rama ms conocida de la IA
Conexionista:
Inspirada en las redes neuronales biolgicas Mtodos Inductivos: a partir de ejemplos
Ambas tratan de resolver problemas no algoritmicos a partir de la experiencia almacenada como conocimiento
Inspiracin biolgica
Entender el cerebro y emular su potencia
Cerebro:
Gran velocidad de proceso Tratamiento de grandes cantidades de informacin procedentes de:
Los sentidos Memoria almacenada
Inspiracin biolgica
Transmisin neuronal:
Impulso elctrico que viaja por el axn Liberacin de neurotransmisores Apertura/cierre de canales inicos Variacin potencial en dendrita Integracin de entradas en soma Si se supera umbral de disparo se genera un PA
Inspiracin biolgica
Red Neuronal Biolgica:
de 1010 a 1011 neuronas 1014 sinapsis Organizacin por capas Organizacin por niveles:
Sistema Nervioso Central (SNC) Circuitos entre regiones Circuitos locales Neuronas rboles dendrticos Microcircuitos neuronales Sinapsis Canales inicos Molculas
Inspiracin biolgica
Caractersticas SNC:
Inclinacin a adquirir conocimiento desde la experiencia Conocimiento almacenado en conexiones sinpticas Gran plasticidad neuronal Comportamiento altamente no-lineal Alta tolerancia a fallos (muerte neuronal) Apto para reconocimiento, percepcin y control
Modelado Neuronal
Una red neuronal artificial (RNA) es un sistema de procesamiento de informacin que tiene ciertas aptitudes en comn con las redes neuronales biolgicas:
El procesamiento de informacin ocurre en muchos elementos simples llamados neuronas. Las seales son transferidas entre neuronas a travs de enlaces de conexin. Cada conexin tiene un peso asociado, el cual, tpicamente, multiplica a la seal transmitida. Cada neurona aplica una funcin de activacin (usualmente no lineal) a su entrada de red (suma de entradas pesadas) para determinar su salida.
Laurene Fausett
Modelado Neuronal
Enfoques:
Computacional:
Modelos eficientes, potentes y simples reas de aprendizaje inductivo y reconocimiento de patrones
Cognitivo:
Interesado por capacidades cognitivas de los modelos Centrados en representacin del conocimiento
Biocognitivo:
Premisa la plausibilidad biolgica
Psicofisiolgico:
Mecanismos naturales de procesos cognitivos reales
Modelado Neuronal
Neurona Natural vs. Artificial:
Neurona = Unidad de proceso Conexiones sinpticas = Conexiones Pesadas Efectividad sinptica = Peso sinptico Exitatorio/Inhibitorio = Pesos + Efecto combinado de sinapsis = Funcin suma Activacin-> Ratio disparo = Funcin activacin -> salida
Modelado Neuronal
Aprendizaje:
Estimulacin de la RN por el entorno Cambios en la RN debido a estimulacin Nueva forma de responder debido a cambios de la estructura interna de la RN
Modelado Neuronal
Paradigmas de aprendizaje:
Aprendizaje Supervizado Aprendizaje por Reforzamiento Aprendizaje Auto-organizado (No Supervizado) Precalculado o prefijado
Modelado Neuronal
Aprendizaje no supervisado:
Se presentan slo patrones de entrada Basado en la redundancia en las entradas Aprendizaje se extrae de los patrones:
Familiaridad con patrones tpicos o promedios del pasado Anlisis de las Componentes Principales Clustering Prototipos, correspondientes a las categorias existentes Codificacin Mapa de Caractersticas
Modelado Neuronal
Algoritmos de aprendizaje ms comunes:
Perceptrn multicapa o Backpropagation (BPN)
Aprendizajes supervizados bajo correccin de error
Modelado Neuronal
Propiedades y Capacidades
Generalizacin Estructura altamente paralela No linealidad Mapeo de EntradaSalida Adaptabilidad Respuesta graduada Informacin Contextual Tolerancia a fallos Implementacin VLSI Uniformidad en el Anlisis y Diseo Analoga Neurobiolgica
Implementaciones
Medio biolgico vs. medio silicio
Velocidad:
Neuronas: 10-3 s., Puertas lgicas: 10-9 s.
Tamao:
Neuronas 5 6 rdenes de magnitud menores
Eficiencia energtica:
Cerebro: 10-16 J/op./s., Mejores ordenadores: 10-6
Fan-In:
Promedio de 10.000 sinapsis por neurona, mucho mayor que en silicio
Implementaciones
Neurosimuladores:
Software:
Flexibles Econmicos
Hardware:
Eficientes
Implementaciones
Tipos Neurosoftware:
Programacin directa Libreras Entornos de desarrollo
Caractersticas deseables:
Facilidad de uso Potencia Eficiente Extensibilidad
Implementaciones
Neurohardware:
VLSI analgico Opto-Electrnicos FPGAs Neuro-Chips (VLSI Digital) Neuro-Tarjetas Mquinas paralelas de propsito general Biochips
Objetivo:
Acelerar fases de aprendizaje y ejecucin
Implementaciones
Biochips
Aplicaciones
Tipos de problemas abordables:
Asociacin Clasificacin de Patrones Prediccin Control Aproximacin Optimizacin
En general:
Difcil describir conocimiento/forma de resolverlos Se dispone de una gran cantidad de datos
Problemas de Prediccin
Airline Marketing Tactician (AMT):
Monitoriza y recomienda la reserva de plazas
Neuralstocks:
Servico de predicciones financieras a corto plazo
Problemas de Control
Control de robots:
Cinemtica inversa Dinmica
ALVINN:
Conduccin de vehculo
Problemas de Aproximacin
Aproximacin de funciones utilizando RBFs
Problemas de Optimizacin
Optimizacin de rutas:
TSP