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  |