Вы находитесь на странице: 1из 3

INTELIGENCIA ARTIFICIAL (1956) Inteligencia Artificial

CC de la computación + Ing. Mecánica/Electrónica + Filosofía/Fisiología


-Ciencia que intenta comprender el comportamiento de
entidades inteligentes. Resumen de Historia
-Ingeniería que se esfuerza en construir máquinas 1943-1956
inteligentes. 1° modelo de neurona (McCulloch y Pitts)Hebb-
aprendizaje1°Simulador de red neuronal
-Máquina inteligentes: Máquinas que perciben, (Minsky)Taller de DartmouthTeórico Lógico
razonan, aprenden, comunican y actúan en entornos (Newell)
complejos. 1952-1969 Entusiasmo inicial-Grandes expectativas
Nota: LISP (alto nivel)Perceptrones
La inteligencia natural es la capacidad de: (Rosenblatt)Adalines (Widroff y Hoff)Minsky y
Papert “muerte abrupta” RNs.
 Entender y comprender el entorno 1966-1973 Sistemas basados en el conocimiento
 Aprender de la experiencia DENDRAL (uso de conocimiento
 Pensar y actuar con cierta intención específico)Sistemas expertosMYCINfactores
 De resolver problemas de certeza
-Ciencia: Construcción de algoritmos para imitar el Backpropagation (Werbos)TRA
comportamiento y razonamiento de los humanos. (Grossberg)Cognitrón y Neocognitron
1980-hoy La IA se industrializa
-Ciencia: Diseño de Sistemas Inteligentes (inteligencia 1° Sistema experto comercial”Quinta generación”
de conductas humanas) FB. (Japón)MCC (EEUU)La IA crece
rápidamenteInvierno de la IATrabajar sobre
-Ciencia: Automatización de la conducta inteligente. LS.
teorías existentes y demostrar su utilidad en
-Ciencia: Máquinas inteligentes (software). No limitarse aplicaciones en el mundo real.
a métodos biológicamente observables. JMc.
Aplicaciones de la IA
Objetivos de la IA (Desarrollar sistemas que…)
 Lingüística computacional
-Piensan cm humanos 1 -Actúan cm humanos 2  Minería de Datos
-Piensan racionalmente 3 -Actúan racionalmente 4  Mundos virtuales
 Procesamiento de lenguaje natural
(1) Ciencia Cognitiva/Psicología experimental  Robótica
(2) Test de Turing (1950)- ¿Operador o humano?  Sistemas de apoyo a la decisión
Nota:  Videojuegos
Supondría:
Sistemas Inteligentes
 Procesamiento del Lenguaje Natural
 Representación del Conocimiento Permiten implementar algunas características y
 Razonamiento Automático mecanismos de procesamiento de los sistemas
 Aprendizaje Automático biológicos. Destacan: Redes Neuronales Artificiales y la
Lógica Difusa.
(3) Lógica formal
Nota: REDES NEURONALES ARTIFICIALES
Inconveniente: Comparación
Cerebro Computador
 Representación del conocimiento informal
Almacenamiento: más Almacenamiento: evolución
(difuso)
neuronas que bits computacional vertiginosa.
 Uso de probabilidades Velocidad: 10 ^ 10 más Velocidad: nano segundo
 Explosión combinatoria posibilidades rápido que el computador. contra micro segundos.
 Aprendizaje Automático Procesamiento paralelo. Tarea individual.
(4) Uso de agentes: percepción + actuación. Se
Tolerancia a fallas: Una Tolerancia a fallas: Mínimo
busca lograr Acciones reflejas. (más allá del
neurona dallada afecta de error daña todo el
pensamiento racional) manera marginal al procesamiento a nivel del
comportamiento del computador.
cerebro.
Complejidad en ejecución: Complejidad en ejecución: Elementos Básicos
Tareas muy complejas Tareas muy complejas
sencillas para el ser difíciles de realizar.  Función de entrada
humano.  Función de activación
Procesamiento: Procesamiento:  Función de salida
Distribuido Centralizado
Semejanzas Ejemplos de Redes Neuronales
Aumentar su capacidad de almacenamiento de memoria.
+recuerdos mediante fuertes conexiones sinápticas  Perceptron
+chips/discos duros.  Adalaine y Madalaine
Auto mantenimiento: Cerebro repara sus vías y
 Perceptron Multicapa
Computador por backup o programas especiales.
Deterioro: edad y tiempo.  Neocognitron
Diferencias  Hopfield
Sus pulsos eléctricos son diferentes: natural-baja  SOM
intensidad vs artificial-alta intensidad.  ART
El cerebro es libre, el computador solo sigue patrones e
instrucciones.
El cerebro no evoluciona notablemente, el computador PERCEPTRÓN
evoluciona a diario.
El cerebro no puedo realizar múltiples tareas a la vez (no Red neuronal más antigua; utilizándose hoy en día para
fisiológicas), el cerebro si puede (solo programadas). aplicación como identificador de patrones. Este modelo
El cerebro está bajo emociones, el computador bajo la era capaz de generalizar, es decir, después de haber
lógica.
aprendido una serie de patrones podía reconocer otros
El cerebro no se apaga, la computadora sí.
El cerebro innova, la computadora solo sigue patrones. similares, aunque no se le hubiesen presentado en el
El cerebro no es comprendido al 100%, el computador sí. entrenamiento. Sin embargo, tenía una serie de
limitaciones, por ejemplo, su incapacidad para resolver
el problema de la función OR-exclusiva y, en general,
Una Red Neuronal Artificial es un arreglo masivo de era incapaz de clasificar clases no separables
elementos de procesamiento simple, llamados linealmente.
neuronas, interconectados. Cascada y Retroceso. Estas
tratan de interactuar con los objetos del mundo real del EXPOSICIONES
mismo modo que el sistema nervioso biológico.
Tema 1: GAN (Redes Generativas antagónicas)
Aprendizaje
Las redes generativas antagónicas (GAN) son
 Actualización de pesos. arquitecturas netas profundas de red compuestas por
 Unidades de entrada y salida (Neuronas de dos redes llamadas generador y discriminador. El
entrada y salida). potencial de GAN es enorme, ya que pueden aprender a
 El nivel de excitación es un cálculo individual. imitar cualquier distribución de datos.

Tipos de Aprendizaje Una red neuronal, llamada generador, genera nuevas


instancias de datos, mientras que la otra,
Presenta patrones con su salida deseada. el discriminador, evalúa su autenticidad; es decir, el
Supervisado Se ajustan los pesos hasta lograr lo
discriminador decide si cada instancia de datos que
deseado. Backpropagation.
No Patrones de entrada. Redundancia de revisa pertenece o no al conjunto de datos de
supervisado entradas. Agrupación por similitud. entrenamiento real.
Híbrido Supervisado y no supervisado.
Tema 2: PERCEPTRON MULTICAPA
Reforzado Reforzamiento en base al error.
El Perceptrón multicapa es una generalización del
Ventajas de las Redes Neuronales Perceptrón simple y surgió como consecuencia de las
 Aprendizaje Adaptativo limitaciones de dicha arquitectura en lo referente al
problema de la separabilidad no lineal. Usa
 Auto organización
Backpropagation. Aprendizaje: Supervisado, Con
 Tolerancia a Fallos
recompensa/castigo, No supervisado.
 Operación en Tiempo Real
Se calcula el error de salidaSe ajustan los pesosSe
 Integración en Tecnología existente
calcula el errorSe ajusta los pesos
Tema 3: NeoCognitrón

Extensión del Perceptrón. Su objetivo principal es


reconocer patrones visuales. Su desventaja fue que su
baja tolerancia al ruido. Es jerárquica y multicapa. Tipos
de aprendizaje: Con un maestro y Sin un maestro. El
principio básico del neocognitron es llamado la
extracción jerárquica de rasgos, el cual consiste en la
distribución de rasgos extraídos en severas etapas. En
cada etapa la unión de estos rasgos representa al
patrón reconocido que se ha ingresado como entrada.

Cada etapa consiste de 3 capas: S V y C.

Tema 4: Lógica Difusa

Tema 5: Red SOM

Las neuronas compiten unas con otras para llevar a


cabo una tarea dada. Organizan la información de
entrada de entre un gran volumen de datos. En su
entrenamiento no se presentan salidas objetivo. La red
descubre por si misma rasgos comunes y lo incorpora a
su estructura interna de conexiones, que son los pesos.
Las neuronas se auto-organizan en función de estímulos
externos.

Tema 6: Hopfield

Es una estructura en donde la matriz de pesos es


cuadrada y simétrica. Es decir, los pesos de un nodo a
otro tienen el mismo valor en ambas direcciones. Red
monocapa, utiliza aprendizaje no supervisado. Entradas
binarias (0,1) o bipolar (-1,1). Dos fases: fase de
almacenamiento y fase de recuperación. Función de
energía.

Tema 6: Redes ART

Es una teoría neuronal y cognitiva de como el cerebro


aprende a categorizar, reconocer y predecir objetos y
eventos en un mundo cambiante. ART aclara los
procesos cerebrales a partir de los cuales experiencias
conscientes emergen. Aprendizaje tipo no supervisado.