Академический Документы
Профессиональный Документы
Культура Документы
Profesor
Dr. Eric M. Rosales Pea Alfaro
Materia
INGENIERA DEL CONOCIMIENTO
Secuencia:
3NM70
ndice
INTRODUCCIN..................................................................................................................3
Objetivo...................................................................................................................... 3
Justificacin .............................................................................................................. 3
REDES NEURONALES ........................................................................................................4
Qu son las redes neuronales?...............................................................................4
Para qu sirven?......................................................................................................4
Cmo funcionan?.....................................................................................................5
Arquitecturas de Redes Neuronales...........................................................................5
Ejemplos de Sistemas Expertos y redes neuronales. ...............................................7
SISTEMAS EVOLUTIVOS......................................................................................................8
Introduccin a sistemas evolutivos.............................................................................8
Arquitectura general de un sistema evolutivo.............................................................8
Diagrama de arquitectura...........................................................................................8
Metodologa de desarrollo del sistema evolutivo........................................................9
MATRICES EVOLUTIVAS.....................................................................................................11
Antecedentes........................................................................................................... 11
Matriz evolutiva y reconocimiento de formas............................................................13
Matriz evolutiva y sistemas expertos........................................................................14
Una representacin N-dimensional..........................................................................17
Espacios n-dimensionales evolutivos.......................................................................18
CONCLUSIN...................................................................................................................20
Global...................................................................................................................... 20
Individual.................................................................................................................. 20
Aguilar Palma Arturo.............................................................................................20
Me parece que las redes neuronales es una forma importante en la inteligencia
artificial ya que sin ellas no podramos desarrollar sistemas expertos importantes y
muchos de ellos en la actualidad se han dado gracias a estas funciones, nos falta
aprender ms conocimiento acerca de ello para desarrollarlo de tal forma que sea
de forma progresiva para el ser humano..............................................................20
Flores Dionisio Eduardo Daniel............................................................................20
Neri Jacinto Cesar Sal........................................................................................20
Velasco Ortiz Carlos Sal.....................................................................................20
Villanueva Jimnez Rubn...................................................................................20
BIBLIOGRAFA..................................................................................................................21
Introduccin
Una red neuronal o red neural, puede referirse a: Red neuronal artificial, modelos
matemticos, computacionales, artificiales, ideales de una red neuronal empleados en
estadstica, psicologa cognitiva, e inteligencia artificial.
Caractersticas importantes:
1. Topologa
2. El mecanismo de aprendizaje
3. Tipo de asociacin entre la informacin de entrada y de salida
4. La forma de representacin de la informacin
Objetivo
Conocer las redes neuronales y cul es la importancia, funcionamiento y el impacto
que tienen en la creacin de sistemas artificiales y la forma en que se mesclan con la
creacin de sistemas expertos los cuales ayudan en la resolucin de problemas de
gran complejidad.
Desde hace aos y hasta nuestros das, la investigacin neurofisiolgica y el estudio
de sistemas neuronales artificiales (ANS, Artificial Neural Systems) han ido de la
mano. Sin embargo, los modelos de ANS no se centran en la investigacin
neurolgica, si no que toma conceptos e ideas del campo de las ciencias naturales
para aplicarlos a la resolucin de problemas pertenecientes a otras ramas de las
ciencias y la ingeniera.
Justificacin
Las Redes Neuronales son un campo muy importante dentro de la Inteligencia
Artificial. Inspirndose en el comportamiento conocido del cerebro humano
(principalmente el referido a las neuronas y sus conexiones), trata de crear modelos
artificiales que solucionen problemas difciles de resolver mediante tcnicas
algortmicas convencionales.
Redes Neuronales
Qu son las redes neuronales?
"Una red neuronal es un sistema compuesto de muchos elementos procesadores
simples operando en paralelo, cuya funcin es determinada por la estructura de la red,
fuerza en las conexiones y el procesamiento realizado por los elementos
computacionales en los nodos.
REDES NEURONALES BIOLOGICAS.
Son el principal elemento del Sistema Nervioso. Las redes neuronales biolgicas
estn compuestas por un gran nmero de elementos llamados neuronas. Una neurona
es una clula compuesta por cuerpo, un nmero de extensiones llamadas dendritas,
que sirven de entradas, y una larga extensin llamada axn que acta como salida. La
sinapsis conecta el axn de una neurona a las dendritas de las otras neuronas. Las
neuronas estn dispuestas en capas. En general las neuronas de una capa reciben
entradas desde otra capa y envan sus salidas a neuronas de una tercera.
Dependiendo de la aplicacin tambin es posible que las neuronas de una capa
reciban entradas y provean salidas a neuronas de la misma capa.
REDES NEURONALES ARTIFICIALES.
Para qu sirven?
Cmo funcionan?
La idea bsica es podar o recortar esos caminos del haz y la forma ms sencilla de
hacerlo es aplicar un umbral de poda o recorte a esos caminos. El umbral es un
umbral de distancias, y los caminos que superen el umbral, sern recortados.
Sistemas Evolutivos
Introduccin a sistemas evolutivos
Uno de los problemas ms graves de la Informtica actual se presenta por su poca
capacidad para modelar en tiempo real los fenmenos que ocurren en la realidad, ya
que es comn que cuando un Sistema de Informacin: Nmina, Compilador,
Reconocedor de Imgenes, Sistema de Inventarios, Sistema Experto de Diagnstico
Mdico, etc., se libera ya prcticamente es obsoleto, ya sea porque:
1) El problema modelado se modific.
2) Porque el modelo no cubri los aspectos esenciales.
3) O simplemente la informacin y el conocimiento que se tiene sobre el tema ha
quedado rebasado por algn nuevo dato o hecho conocido previamente.
10
Diagrama de arquitectura
11
12
Matrices evolutivas
Antecedentes
A mediados de los 70's en un seminario de Inteligencia Artificial organizado en el
Centro Nacional de Clculo (CENAC) del IPN de la Cd. de Mxico en colaboracin con
la Escuela Superior de Fsica y Matemticas (ESFM) del mismo instituto, trabajando
junto con Gustavo Nuez Esquer llegamos a una representacin de red neuronal.
Donde, a partir del modelo de neurona desarrollado por Mc Cullot y Pitts, generamos
nuestra propia propuesta, basada en una representacin matricial de la red neuronal,
en la cual cada una de las seales de entrada a las neuronas se representa como una
columna de la matriz y cada una de las neuronas equivale a un rengln, de tal forma
que, en la interseccin de cada rengln y columna se almacena el valor que toma la
dendrita en caso de que reciba una seal de entrada, como se puede ver en el
siguiente ejemplo, donde la red neuronal de la siguiente figura:
13
Se presenta como:
Donde
14
si se tienen varios
ratones, la matriz
forma:
15
16
Donde aij es el peso que tiene el sntoma j en la regla i. Entonces si llega un problema
que tiene por ejemplo los sntomas 1, 3, 7,..., n, con pesos 0.5, 1.3, 0.7,..., 2.5, solo se
requiere representar el problema como el vector: (0.5 0 1.3 0 0 0 0.7.... 2.5) y operar el
vector con la matriz.
La forma ms fcil de operar el vector con la matriz consiste en tomar el vector y
multiplicarlo por la matriz con lo que se tiene un vector resultante y solo se requiere
buscar el elemento i mximo para detectar a que regla corresponde el conjunto de
sntomas.
17
Y llega un problema con los sntomas (1.0 0 1.5 0 0 0.7), entonces se multiplica la
matriz por el vector quedando el resultado:
Si llegan ahora los sntomas (0.7 0 0 0 3.2 0), como la colisin con el vector
almacenado es baja, pregunta por el diagnostico, si el nuevo diagnstico es diferente
crea un nuevo rengln, quedando la matriz:
Si llega una cadena de sntomas con alta colisin, como por ejemplo:(1.0 0 0 0.8 0 1.2)
El sistema emite el diagnostico D1 y acumula el nuevo sntoma sobre la matriz anterior
en el rengln 1:
18
19
Por lo que si se quiere distinguir entre varios objetos midiendo una variable con
distribucin uniforme se necesita que sea menor que uno, o sea que el nmero de
objetos sea menor que el nmero de valores posibles que toma la variable.
Para el ejemplo de las personas la calificacin no es una buena variable ya que en
general en un grupo se tienen ms de 10 alumnos y adems la distribucin no es
uniforme. Otra variable mejor podra ser la altura en centmetros (nuevamente
supondremos el caso ideal de distribucin uniforme y que la probabilidad de tomar
cualquier valor es la misma)
Si el rango de altura es [151, 170] cm. entonces = (170 - 151) + 1 = 20, si se tienen
pocos alumnos funciona, pero al final tampoco es un buen criterio para discriminar
entre alumnos.
Ahora bien, si se tienen dos variables no correlacionadas y se utilizan combinadas el
espacio se multiplica, o sea que, si se categoriza a un conjunto de objetos mediante 2
variables independientes y si 1 es el nmero de puntos en x, y 2 es el nmero de
puntos en y entonces 1* 2 es el nmero de puntos en el espacio de valores (conocido
tambin como espacio de caos).
Por ejemplo, en el caso de los alumnos, s. Calificacin = 11 y. tamao = 20 entonces.
espacio=. calificacin*. tamao=11*20=220. Con lo que el espacio crece y las
colisiones se reducen.
Si se tienen 3 o 4 o ms variables rpidamente se llega a espacios con una gran
cantidad de posibles valores, por lo que si se tienen objetos caracterizados por 1000
variables la posibilidad de que 2 objetos diferentes tomen el mismo valor es muy
pequea.
Si dejamos de suponer una distribucin uniforme y suponemos una distribucin
normal, se tiene que el comportamiento del espacio probabilstico para una variable es
de forma normal.
Si tenemos dos variables x, y se tiene un espacio donde se interceptan dos curvas
normales. El espacio con centro en (x.media, y.media) y que tiene como radios la
varianza de x y la varianza de y se conoce como elipse de Chevichev.
Conforme aumenta la cantidad de variables se termina teniendo una hiperelipse de
Chevichev de n dimensiones con la caracterstica de que todos los puntos de la
hiperelipse se pueden ver como casos particulares de un mismo objeto representado
por el punto medio (d1,d2,d3,...,dn) de la elipse. O sea que todos los puntos
"cercanos" a (d1, d2, d3,..., dn) se pueden considerar como ejemplos del mismo objeto
o como objetos similares.
De donde una tcnica para reconocer un objeto o fenmeno o patrn de algn tipo
consiste en encontrar su representacin "promedio" en un espacio de n dimensiones y
todos los objetos cercanos (que caen dentro de la elipse de Chevichev) se pueden
considerar como objetos similares.
20
valor digitalizado corresponde a una variable, por lo que, por ejemplo, una imagen de
600 x 500 pixels o sea que est formada por 300000 puntos, corresponde a un punto
representado por 300000 (trescientos mil) variables o sea que cada imagen
corresponde a un punto en un espacio de 300000 dimensiones. Con lo que la
posibilidad de que dos objetos no similares colisionen es pequea.
Otra aplicacin de esta idea se presenta en el rea de los sistemas experto, donde en
general si se tienen n sntomas o variables e1,e2,...,en, donde ei * [ai, bi]. y las
variables son independientes o estn muy poco correlacionadas entre s, entonces la
regla e1e2...en se puede ver como un punto en un espacio n-dimensional y el nmero
de valores diferentes que puede tomar es * ((bi-ai)+1).
Para darnos cuenta de lo que esto significa supongamos que se tienen 12 sntomas
e1,e2,...,e12 y cada sntoma puede tomar 10 posibles valores, entonces se tienen
10*10*10...*10=1012 combinaciones y la probabilidad de que dos objetos diferentes
tomen los mismos valores es de 1/1012.
Como se puede ver conforme aumenta el nmero de variables o sntomas la
posibilidad de que los objetos colisionen disminuye. Lo anterior es la base de una
tcnica de reconocimiento de formas conocida como anlisis de cmulos, que
basicamente toma una muestra significativa de objetos similares, los representa como
puntos en un espacio n-dimensional, encuentra la media y la varianza de estos puntos
y cuando llega un objeto nuevo al sistema, mide la distancia entre el punto nuevo y el
punto medio, si esta es pequea lo reconoce como un objeto similar y si no lo
desecha.
Sin embargo, es comn que cuando se aplica esta tcnica, los patrones o espacios de
Chevichev ya estn prefijados, ya sea porque explcitamente fueron asignados o
porque se obtuvieron mediante un proceso de aprendizaje y quedaron fijos e
inmutables. Ahora bien, en el caso de las matrices evolutivas tambin cada imagen,
regla o cadena de sntomas promedio se representa como un punto en un espacio de
n dimensiones, o sea que, todas las reglas forman una nube de puntos, pero con la
caracterstica de que la matriz evolutiva permanentemente se est modificando.
Originalmente la matriz evolutiva est vaca y representa un espacio que tambin lo
est, ms adelante cuando llegan las primeras reglas o imgenes surgen los primeros
puntos, pero estos no estn fijos, ya que, cuando una regla de la matriz evolutiva se
modifica el punto que la representa tambin cambia de posicin, o sea que, en forma
natural y permanente el espacio n-dimensional se est afinando y evolucionando.
21
Conclusin
Global
El equipo 8 concluye que los sistemas expertos o basados en redes neuronales son
dos cosas; primero un intento de imitar nuestra forma de pensar, por otro lado un
magnfico algoritmo basado en la paralizacin masiva, al contrario de los sistemas
informticos habituales que se basan en procesar las cosas en serie. Esa, es tambin
la forma que tiene el ser humano de pensar, pero a pesar de ello un sistemas neuronal
artificial se queda bastante corto en muchas situaciones como el reconocimiento de
rostros o reacciones como pueden ser los impulsos nerviosos.
Individual
22
mientras que por otra parte las redes neuronales se enfocan en la adquisicin del
conocimiento.
23
Bibliografa
Salvador Climent Serrano, Sistemas Expertos
URL(www.uv.es/~scliment/investigacion/1999/sistemasexpertos.PDF)
Toms Len Quintanar, Sistemas expertos y sus aplicaciones
URL(www.uaeh.edu.mx/docencia/Tesis/icbi/licenciatura/documentos/Sistemas
%20expertos%20y%20sus%20aplicaciones.pdf)
Ariel E. Chvez, Inteligencia Artificial
URL(es.slideshare.net/uni_fcys_sistemas/sistemas-expertos-14737155)
BENCHIMOL Guy, Pierre Levine y Jean Charles Promerol. Los sistemas expertos en la
empresa. Macrobit. Cuarta edicin, Mxico, 2004
CRIADO Briz Jos Mario. Introduccin a los Sistemas Expertos.
URL (www.ingenieroseninformatica.org/recursos/tutoriales/sist_exp/index.php). 2007
BRATKO Ivan. Prolog programming for Artificial Intelligence. Addison Wesley. Segunda
Edicin. New York, 1999
CRIADO Briz Jos Mario. Sistemas Expertos.
URL(http://home.worldonline.es/jmariocr/)
24