Sumario Introducción Inspiración biológica Modelado Neuronal Implementaciones Aplicaciones Grupo de trabajo Futuro de las RNAs
Redes Neuronales en la IA Ramas de la Inteligencia Artificial en sus inicios: Simbólica-deductiva: Sistemas formales de reglas y manipulación simbólica Rama más conocida de la IA Conexionista: Inspirada en las redes neuronales biológicas Métodos Inductivos: a partir de ejemplos
Ambas tratan de resolver problemas no algoritmicos a partir de la experiencia almacenada como conocimiento
Inspiración biológica “Entender el cerebro y emular su potencia”
Cerebro: Gran velocidad de proceso Tratamiento de grandes cantidades de información procedentes de: Los sentidos Memoria almacenada Capacidad de tratar situaciones nuevas Capacidad de aprendizaje
Inspiración biológica Transmisión neuronal: Impulso eléctrico que viaja por el axón Liberación de neurotransmisores Apertura/cierre de canales iónicos Variación potencial en dendrita Integración de entradas en soma Si se supera umbral de disparo se genera un PA
Inspiración biológica Red Neuronal Biológica: de 1010 a 1011 neuronas 1014 sinapsis Organización por capas Organización por niveles: Sistema Nervioso Central (SNC) Circuitos entre regiones Circuitos locales Neuronas Árboles dendríticos Microcircuitos neuronales Sinapsis Canales iónicos Moléculas
Inspiración biológica Características SNC: Inclinación a adquirir conocimiento desde la experiencia Conocimiento almacenado en conexiones sinápticas Gran plasticidad neuronal Comportamiento altamente no-lineal Alta tolerancia a fallos (muerte neuronal) Apto para reconocimiento, percepción y control
Modelado Neuronal Una red neuronal artificial (RNA) es un sistema de procesamiento de información que tiene ciertas aptitudes en común con las redes neuronales biológicas: El procesamiento de información ocurre en muchos elementos simples llamados neuronas. Las señales son transferidas entre neuronas a través de enlaces de conexión. Cada conexión tiene un peso asociado, el cual, típicamente, multiplica a la señal transmitida. Cada neurona aplica una función de activación (usualmente no lineal) a su entrada de red (suma de entradas pesadas) para determinar su salida.
Modelado Neuronal Enfoques: Computacional: Modelos eficientes, potentes y simples Áreas de aprendizaje inductivo y reconocimiento de patrones Cognitivo: Interesado por capacidades cognitivas de los modelos Centrados en representación del conocimiento Biocognitivo: Premisa la plausibilidad biológica Psicofisiológico: Mecanismos naturales de procesos cognitivos reales
Modelado Neuronal Neurona Natural vs. Artificial: Neurona = Unidad de proceso Conexiones sinápticas = Conexiones Pesadas Efectividad sináptica = Peso sináptico Exitatorio/Inhibitorio = Pesos + ó – Efecto combinado de sinapsis = Función suma Activación-> Ratio disparo = Función activación -> salida
Modelado Neuronal Aprendizaje: Estimulación de la RN por el entorno Cambios en la RN debido a estimulación 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 supervizado: Se presentan sólo patrones de entrada Basado en la redundancia en las entradas Aprendizaje extrae de los patrones: Familiaridad con patrones típicos o promedios del pasado Análisis de las Componentes Principales Clustering Prototipos, correspondientes a las categorias existentes Codificación Mapa de Características Grandes plausibilidades biológicas
Modelado Neuronal Algoritmos de aprendizaje más comunes: Perceptrón multicapa o Backpropagation (BPN) Aprendizajes supervizados bajo corrección de error Mapas Auto-organizados (SOM) Aprendizajes competitivo no supervizados Extractores de características (GHA ó ICA) Aprendizajes hebbianos no supervizados
Modelado Neuronal Generalización Estructura altamente paralela No linealidad Mapeo de Entrada-Salida Adaptabilidad Respuesta graduada Información Contextual Tolerancia a fallos Implementación VLSI Uniformidad en el Análisis y Diseño Analogía Neurobiológica Propiedades y Capacidades
| Página siguiente |