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 |