Beruflich Dokumente
Kultur Dokumente
ARTIFICIAL
M.Sc. Ing. Avid Roman Gonzalez
¿QUÉ ES LA INTELIGENCIA ARTIFICIAL?
• Es una de las áreas de las ciencias computacionales
encargadas de la creación de hardware y software
con comportamiento inteligentes.
• La Inteligencia Artificial es una combinación de la
ciencia del computador, fisiología y filosofía, tan
general y amplio. Reúne varios campos (robótica,
sistemas expertos, por ejemplo), todos los cuales
tienen en común la creación de máquinas que
pueden "pensar".
• El estudio de las computaciones que permiten
percibir, razonar y actuar
• Estudia como lograr que las máquinas realicen
tareas que, por el momento, son realizadas mejor
por los seres humanos.
INTELIGENCIA ARTIFICIAL EN 4 GRUPOS:
– Agentes
– Sistemas Expertos
– Algoritmos Genéticos
– Lógica Difusa
– Redes Neuronales
AGENTES
¿Qué es un Agente?
sensores
• Un agente es todo
aquello que puede
percepciones
considerarse que
ambiente
percibe su ambiente
?
agente mediante sensores y
acciones
que responde o actúa
en tal ambiente por
efectores
medio de efectores
Agentes Naturales:
Entorno: naturaleza
– Ingeniero de Conocimiento
– Experto
Adquisición de Conocimiento:
Necesitan información completa para Deben ser más tolerantes para operar aun
operar. con la información desconocida.
– Hechos
– Reglas
Mecanismo de inferencia
(x)
A Baja Media Alta
Temperatura
REDES
NEURONALES
INTRODUCCION
• Se trata de una
nueva forma de
computación que
es capaz de
manejar las
imprecisiones
cuando se tratan
de resolver
problemas del
mundo real.
Definición de una Red Neuronal:
• Una nueva forma de computación, inspirada en
modelos biológicos.
• Un modelo matemático compuesto por un gran
número de elementos procesales organizados en
niveles.
• Un sistema de computación hecho por un gran
numero de elementos simples de proceso muy
interconectados.
• Redes Neuronales artificiales son redes
interconectadas masivamente en paralelo de
elementos simples y con organización jerárquica, las
cuales intentan interactuar con los objetos del mundo
real del mismo modo que lo hace el sistema nervioso
biológico.
Ventajas de las redes Neuronales:
Son capaces de aprender de la experiencia, de generalizar de
casos anteriores a nuevos casos, entre las ventajas que
podemos mencionar se encuentran:
• Aprendizaje adaptativo.
• Autoorganización.
• Tolerancia a fallos.
• Operación en tiempo real.
• Fácil inserción dentro de la tecnología existente.
Implementación de las Redes Neuronales:
Realizar redes neuronales consiste
en la implementación de estas
por medio de uno o varios
circuitos integrados. Existen
algunos productos comerciales,
como el N64 de Intel, que
incluye 64 neuronas y
10000sinapsis, o el MB4442 de
Fujistsu con una sola neurona y
capaz de procesar 70000
conexiones por segundo, o el
MD1220 de Micro Device, o el
conjunto NU3232 y N32 de
Neural Semiconductors.
Modelo Biológico:
La teoría y modelado de redes neuronales artificiales
esta inspirado en la estructura y funcionamiento de
los sistemas nerviosos, donde la neurona es el
elemento fundamental.
• 1011 Neuronas
(procesadores)
• Poder
desconocido
• 1000 – 10000
conecciones por
neurona
Funcionamiento del Modelo Biológico:
La mayoría de las neuronas codifican sus
salidas como una serie de breves pulsos
periódicos, llamados potenciales de
acción, que se originan cercanos al soma
de la célula y se propagan a través del
axón. Luego, este pulso llega a las
sinapsis y de ahí a las dendritas de la
neurona siguiente.
Una señal neural eléctrica pre-sináptica, llega al botón sináptico de la figura 2. Allí, ésta
hace que las vesículas sinápticas (en azul en nuestra figura) se rompan, liberándose así
una sustancia llamada neurotransmisor. Esta sustancia química se difunde a través del
espacio entre las neuronas. Luego, es captada por la dendrita, en donde estimula la
emisión de un nuevo impulso eléctrico, postsináptico, que se propaga hacia la derecha.
Así vemos que las dendritas son las zonas receptivas de una neurona, siendo el axón
una línea de transmisión, y los botones terminales comunican los impulsos a otras
neuronas.
Red Neuronal Artificial:
bias
• Modelo simplificado de neurona Entradas w0
biológica u1 w1
función de
– estático
activación
– representación entrada-salida. u2 w2 s
f(.) y
• Múltiples entradas, salida única
– diferente influencia de entradas en Sumador
salida
salida mediante “pesos” (wi) un wn
– w: parámetros de la neurona pesos sinápticos
• Relación entrada-salida no-lineal
– diferentes opciones para f(.)
• step, sat, sigm, tanh
• Capacidad de adaptación
– variación de sus “pesos” con algún
objetivo
• Existen otros modelos
• agregando dinámica,
• modelos no deterministas
• relacionados con estructuras de
redes especificas
Net j xi w ji
a j t 1 F a j t , Net j
y j f j a j t 1
En cualquier sistema
que se este
modelando, es útil
caracterizar tres
tipos de unidades:
entradas, salidas y
ocultas.
Topología de las Redes Neuronales:
Consiste en la organización y
disposición de las neuronas en
la red formando capas o
agrupaciones de neuronas mas
o menos alejadas de la entrada
y salida de la red.
Así tenemos:
• Monocapas:
• Multicapas:
Mecanismo de Aprendizaje:
• Supervisado:
– Aprendizaje por corrección de errores.
– Aprendizaje por refuerzo.
• No Supervisado:
– Aprendizaje Competitivo y Cooperativo.
Representación de la Información
de Entrada y Salida:
• Redes cuyos datos de entrada y salida son
analógicas.
• Redes cuyas entradas y salidas son discretas o
digitales.
• Redes que se podrían llamar hibridas, en las
que las informaciones de entrada pueden
valores continuos, aunque las salidas de las red
son discretas.
Solución de la Función OR con
Redes Neuronales:
Para este caso, las entradas serán dos valores binarios.
La salida que producen es:
Se utilizara la siguiente red
neuronal:
wi t 1 wi t d t yt xi t
Don de d(t) representa la salida deseada.
avid.roman-gonzalez@ieee.org
http://www.avid-romangonzalez.com