EJERCICIO
domingo, 31 de enero de 2016
PERCEPTRON UNICAPA Y MULTICAPA
INTRODUCCIÓN
En el siguiente documento se dará a saber una de las clases de redes de neuronas, como lo es el Perceptrón Multicapa.
El Perceptrón Multicapa es una descendencia del Perceptrón Simple, cuenta con la habilidad de aprender a partir de un conjunto de ejemplos, aproximar, filtra ruidos en los datos, esto es lo que lo hace que sea un modelo conveniente para poder resolver problemas reales.
En la actualidad el Perceptrón Multicapa está desempeñando un rol muy importante con respecto a la resolución de problemas, esto sin duda alguna se debe a su capacidad como aproximador universal, así como su fácil uso y su aplicabilidad.
MARCO TEÓRICO
ARQUITECTURA DEL PERCEPTRÓN
La arquitectura del Perceptrón , llamada mapeo de patrones (pattern-mapping), aprende a clasificar modelos mediante un aprendizaje supervisado. Los modelos que clasifica suelen ser generalmente vectores con valores binarios (0,1) y las categorías de la clasificación se expresan mediante vectores binarios.
ARQUITECTURA DEL PERCEPTRÓN MULTICAPA
El perceptrón multicapa se identifica porque este tiene sus neuronas agrupadas entre sí, cada capa la conforma un conjunto de neuronas entre ellas se tienen 3 capas deferentes:
- Capa de Entrada
- Capas Ocultas
- Capa de Salida
En el caso de las neuronas de entrada solo se encargan exclusivamente de recibir las señales y extender dichas señales a las demás neuronas de la capa siguiente.
Las neuronas de las capas ocultas cumplen un procesamiento no lineal de los patrones recibidos.
Las conexiones de Perceptrón Multicapa siempre van hacia adelante nunca hacia atrás, es decir las neuronas de una capa constantemente se conectan con las neuronas de la siguiente capa.
La última capa funciona como la salida de la red, aportando al exterior la respuesta de la red hacia cada modelo de entrada. Las conexiones entre las neuronas tienen un peso y también un umbral, en este caso el umbral se le trata como una conexión más a la neurona, esta entrada es constante e igual a 1.
CARACTERÍSTICAS
Una de sus características es que posee una arquitectura para la resolución de problemas reales.
Tienen una capa de entrada y una capa de unidades procesadoras que constituyen la capa de salida.
APRENDIZAJE EN EL PERCEPTRÓN MULTICAPA
El objetivo principal del aprendizaje del perceptrón multicapa es ajustar los parámetros de red: Pesos y Umbrales ya que se quiere que la entradas produzcan las salidas deseadas.
Se evalúa el error cuadrático.
Se implementa las reglas para la modificación de pesos y umbrales:
Se calculan los valores para todas las neuronas de la capa de salida.
Se calcula para el resto de neuronas, empezando por la última capa oculta y terminando en la capa de entrada.
Se modifica los pesos y umbrales.
CONCLUSIONES
El perceptrón tiene una capa de datos, dándole paso a la siguiente capa para de esa manera dar respuestas acertadas con respecto a las variables de entrada en base al aprendizaje.
El perceptrón multicapa a pesar de ser una de las redes más utilizadas, no necesariamente es una de las más potentes ya que posee ciertas limitaciones como es el caso del proceso de aprendizaje para problemas complejos.
BIBLIOGRAFÍA
Basogian, X. 2010. Redes neuronales Artificiales y sus Aplicaciones. Tesis. Escuela Superior de Ingeniería de Bilbao. (En Línea). Consultado el 22 de Junio, 2015. Formato PDF. Disponible en: http://www.ciberesquina.una.edu.ve:8080/2014_2/350_E.pdf
Viñuela, P y Galván, I. 2004. Redes de Neuronas artificiales. Un enfoque práctico. Pearson Education. Madrid. p 1-5.
APRENDIZAJE DE UNA RED DE NEURONA ARTIFICIAL
INTRODUCCIÓN
En nuestro sistema nervioso
existen células llamadas neuronas que son una unidad de procesamiento que recibe
un estímulo eléctrico de otras neuronas principalmente a través de su árbol
dendrítico. El estímulo eléctrico recibido al pasar de un cierto umbral causa
que la neurona a su vez envié una señal eléctrica a través de su axón a otras
sucesivas neuronas. Basado en la fuerza de interconexión entre las neuronas la
red puede ser capaz de cómputos y detección de patrones complejos.
MARCO TEÓRICO
¿QUE ES UN APRENDIZAJE?
Simon (1983),
define el aprendizaje como cambios en el sistema que se adaptan de manera que
permiten llevar a cabo la misma tarea de un modo más eficiente y eficaz.
En
la práctica, el aprendizaje se usa para resolver problemas y puede representar
la diferencia entre la resolución rápida y la imposibilidad de resolverlo. La
idea de poder aprender de la propia experiencia en la resolución de problemas
nos lleva a esperar obtener mejores soluciones en un futuro.
APRENDIZAJE SUPERVISADO
El aprendizaje supervisado se caracteriza porque el proceso de aprendizaje se realiza mediante un entrenamiento controlado por un agente externo (supervisor, maestro) que determina la respuesta que debería generar la red a partir de una entrada determinada.
El supervisor controla la salida de la red y en caso de que ésta no coincida con la deseada, se procederá a modificar los pesos de las conexiones, con el fin de conseguir que la salida obtenida se aproxime a la deseada.
APRENDIZAJE NO SUPERVISADO
En este tipo de redes la salida representa el grado de familiaridad o similitud entre la información que se le está presentando a la entrada y las informaciones que se le han mostrado hasta entonces. Está constituido por un conjunto de reglas que dan a la red la habilidad de aprender asociaciones entre los patrones que ocurren en conjunto, (frecuentemente) . Una vez que los patrones se han aprendido como asociación le permite a las redes realizar tareas útiles de reconocimiento de patrones y la habilidad de recordar.
APRENDIZAJE POR REFUERZO
Se trata de un aprendizaje supervisado, más lento que el anterior, que se basa en la idea de no disponer de un ejemplo completo del comportamiento deseado, es decir, de no indicar durante el entrenamiento exactamente la salida que se desea que proporcione la red ante una determinada entrada.
CONCLUSIONES
Las redes neuronales artificiales buscan imitar el comportamiento del cerebro a través de un modelo, para esto se realiza una simplificación, averiguando cuáles son los elementos relevantes del sistema, ya que la cantidad de información que existe es mucha y esta puede ser redundante. El desarrollo de estas redes se puede aplicar a diferentes campos como la biología, medicina, finanzas etc. Ya que son una tecnología computacional emergente.
BIBLIOGRÁFICAS
Salas, R. 2004. Redes Neuronales artificiales. (En línea). ES. Consultado, 31 de Ene. 2016. Formato PDF. Disponible en: http://www.inf.utfsm.cl.
Teahan, W. 2010. Artificial Intelligence – Agents and Environments. (En Línea). EC. Consultado, 31 de Ene. 2016. Formato PDF. Disponible en: http://www.bookboon.com.
Párraga, J; Anzules, M; Ramírez, C; Santander, L. 2013. Implementación en C# de una Red Neuronal Artificial en el control locomotor de una hormiga robótica. Guayaquil, EC. Revista Tecnológica ESPOL – RTE. Vol. 26. Num. 2. p 16-27.
En nuestro sistema nervioso
existen células llamadas neuronas que son una unidad de procesamiento que recibe
un estímulo eléctrico de otras neuronas principalmente a través de su árbol
dendrítico. El estímulo eléctrico recibido al pasar de un cierto umbral causa
que la neurona a su vez envié una señal eléctrica a través de su axón a otras
sucesivas neuronas. Basado en la fuerza de interconexión entre las neuronas la
red puede ser capaz de cómputos y detección de patrones complejos.
MARCO TEÓRICO
Simon (1983), define el aprendizaje como cambios en el sistema que se adaptan de manera que permiten llevar a cabo la misma tarea de un modo más eficiente y eficaz.
En
la práctica, el aprendizaje se usa para resolver problemas y puede representar
la diferencia entre la resolución rápida y la imposibilidad de resolverlo. La
idea de poder aprender de la propia experiencia en la resolución de problemas
nos lleva a esperar obtener mejores soluciones en un futuro.
El
aprendizaje está relacionado con el conocimiento. Puede definirse como el
proceso mediante el cual un ente adquiere conocimiento. Este conocimiento puede
ser suministrado por otro ente denominado profesor o puede adquirirse sin la
ayuda del mismo.
APRENDIZAJE SUPERVISADO
El aprendizaje supervisado se caracteriza porque el proceso de aprendizaje se realiza mediante un entrenamiento controlado por un agente externo (supervisor, maestro) que determina la respuesta que debería generar la red a partir de una entrada determinada.
El supervisor controla la salida de la red y en caso de que ésta no coincida con la deseada, se procederá a modificar los pesos de las conexiones, con el fin de conseguir que la salida obtenida se aproxime a la deseada.
El supervisor controla la salida de la red y en caso de que ésta no coincida con la deseada, se procederá a modificar los pesos de las conexiones, con el fin de conseguir que la salida obtenida se aproxime a la deseada.
APRENDIZAJE NO SUPERVISADO
En este tipo de redes la salida representa el grado de familiaridad o similitud entre la información que se le está presentando a la entrada y las informaciones que se le han mostrado hasta entonces. Está constituido por un conjunto de reglas que dan a la red la habilidad de aprender asociaciones entre los patrones que ocurren en conjunto, (frecuentemente) . Una vez que los patrones se han aprendido como asociación le permite a las redes realizar tareas útiles de reconocimiento de patrones y la habilidad de recordar.
APRENDIZAJE POR REFUERZO
Se trata de un aprendizaje supervisado, más lento que el anterior, que se basa en la idea de no disponer de un ejemplo completo del comportamiento deseado, es decir, de no indicar durante el entrenamiento exactamente la salida que se desea que proporcione la red ante una determinada entrada.
CONCLUSIONES
Las redes neuronales artificiales buscan imitar el comportamiento del cerebro a través de un modelo, para esto se realiza una simplificación, averiguando cuáles son los elementos relevantes del sistema, ya que la cantidad de información que existe es mucha y esta puede ser redundante. El desarrollo de estas redes se puede aplicar a diferentes campos como la biología, medicina, finanzas etc. Ya que son una tecnología computacional emergente.
BIBLIOGRÁFICAS
Salas, R. 2004. Redes Neuronales artificiales. (En línea). ES. Consultado, 31 de Ene. 2016. Formato PDF. Disponible en: http://www.inf.utfsm.cl.
Teahan, W. 2010. Artificial Intelligence – Agents and Environments. (En Línea). EC. Consultado, 31 de Ene. 2016. Formato PDF. Disponible en: http://www.bookboon.com.
Párraga, J; Anzules, M; Ramírez, C; Santander, L. 2013. Implementación en C# de una Red Neuronal Artificial en el control locomotor de una hormiga robótica. Guayaquil, EC. Revista Tecnológica ESPOL – RTE. Vol. 26. Num. 2. p 16-27.
MODELO COMPUTACIONAL REDES DE NEURONAS
INTRODUCCIÓN
Los primeros programas de computadoras se guiaban mediante los algoritmos, diferencia principal de una maquina conexionista de una convencional, ya que la conexionista como su nombre lo indica, posee una serie de conexiones las cuales le permite tener una resolución de problemas de manera más eficaz y sin necesidad de tener un algoritmo que lo resuelva.
MARCO TEORICO
MODELO COMPUTACIONAL
Existen modelos muy diversos de redes de neuronas en los cuales se siguen filosofías de sueño, reglas de aprendizaje y funciones de construcción de las respuestas muy distintas. Una primera clasificación se hace en función del recorrido que sigue la información dentro de la red, y así se distinguen redes alimentadas hacia adelante y redes con retro-alimentación (Isasi, P y Galván,I. 2004).
Una red viene determinada por:
LA NEURONA ARTIFICIAL
El modelo de Rumelhart y McClelland (1986) define un elemento de proceso (EP), o neurona artificial, como un dispositivo que a partir de un conjunto de entradas, xi (i=1…n) o vector x, genera una única salida y.
ESTRUCTURA BÁSICA DE LA RED
En general, las neuronas suelen agruparse en unidades estructurales llamadas capas. Dentro de una capa, las neuronas suelen ser del mismo tipo. Se pueden distinguir tres tipos de capas:
- De entrada: reciben datos o señales procedentes del entorno.
- De salida: proporcionan la respuesta de la red a los estímulos de la entrada.
- Ocultas: no reciben ni suministran información al entorno (procesamiento interno de la red) (Teahan, W. 2010).
Generalmente las conexiones se realizan entre neuronas de distintas capas, pero puede haber conexiones intracapa o laterales y conexiones de realimentación que siguen un sentido contrario al de entrada-salida.
CONCLUSIONES
La red de neuronas artificiales al igual que una biológica es la parte más importante en un agente, ya que es esta la que le permite resolver diversos tipos de problemas, aunque aún no se ha podido crear una red similar al cerebro humano se avanza en investigaciones para lograrlo algún día.
BIBLIOGRÁFICAS
Salas, R. 2004. Redes Neuronales artificiales. (En línea). ES. Consultado, 30 de Ene. 2016. Formato PDF. Disponible en: http://www.inf.utfsm.cl.
Teahan, W. 2010. Artificial Intelligence – Agents and Environments. (En Línea). EC. Consultado, 30 de Ene. 2016. Formato PDF. Disponible en: http://www.bookboon.com.
Isasi, P y Galván,I. 2004. Redes neuronales artificiales: Un enfoque práctico. 1 ed. España. Pearson Education.
Los primeros programas de computadoras se guiaban mediante los algoritmos, diferencia principal de una maquina conexionista de una convencional, ya que la conexionista como su nombre lo indica, posee una serie de conexiones las cuales le permite tener una resolución de problemas de manera más eficaz y sin necesidad de tener un algoritmo que lo resuelva.
Dentro de este capítulo vamos a conocer la composición de un modelo computacional de redes neuronales, el funcionamiento de una neurona artificial, es decir, como reciben o envían información.
MODELO COMPUTACIONAL
Existen modelos muy diversos de redes de neuronas en los cuales se siguen filosofías de sueño, reglas de aprendizaje y funciones de construcción de las respuestas muy distintas. Una primera clasificación se hace en función del recorrido que sigue la información dentro de la red, y así se distinguen redes alimentadas hacia adelante y redes con retro-alimentación (Isasi, P y Galván,I. 2004).
Una red viene determinada por:
LA NEURONA ARTIFICIAL
El modelo de Rumelhart y McClelland (1986) define un elemento de proceso (EP), o neurona artificial, como un dispositivo que a partir de un conjunto de entradas, xi (i=1…n) o vector x, genera una única salida y.
ESTRUCTURA BÁSICA DE LA RED
En general, las neuronas suelen agruparse en unidades estructurales llamadas capas. Dentro de una capa, las neuronas suelen ser del mismo tipo. Se pueden distinguir tres tipos de capas:
- De entrada: reciben datos o señales procedentes del entorno.
- De salida: proporcionan la respuesta de la red a los estímulos de la entrada.
- Ocultas: no reciben ni suministran información al entorno (procesamiento interno de la red) (Teahan, W. 2010).
Generalmente las conexiones se realizan entre neuronas de distintas capas, pero puede haber conexiones intracapa o laterales y conexiones de realimentación que siguen un sentido contrario al de entrada-salida.
CONCLUSIONES
La red de neuronas artificiales al igual que una biológica es la parte más importante en un agente, ya que es esta la que le permite resolver diversos tipos de problemas, aunque aún no se ha podido crear una red similar al cerebro humano se avanza en investigaciones para lograrlo algún día.
Para que la red artificial pueda funcionar de buena manera (en resolución de problemas), es necesario que esta tenga un tipo de aprendizaje, esto para evitar la implementación de nuevos módulos a cada momento.
BIBLIOGRÁFICAS
Salas, R. 2004. Redes Neuronales artificiales. (En línea). ES. Consultado, 30 de Ene. 2016. Formato PDF. Disponible en: http://www.inf.utfsm.cl.
Teahan, W. 2010. Artificial Intelligence – Agents and Environments. (En Línea). EC. Consultado, 30 de Ene. 2016. Formato PDF. Disponible en: http://www.bookboon.com.
Isasi, P y Galván,I. 2004. Redes neuronales artificiales: Un enfoque práctico. 1 ed. España. Pearson Education.
REDES NEURONALES ARTIFICIALES
INTRODUCCIÓN
Las Redes Neuronales biológicas son muy importantes dentro del desarrollo de la Inteligencia Artificial, ya que en la búsqueda del ser humano de crear maquinas inteligentes (mecanismos que simulen un comportamiento inteligente en un determinado entorno), busca conocer cómo funciona su sistema en relación con la naturaleza, que lo diferencia de los animales y de los pequeños microorganismos. Para esto se analiza el comportamiento del cerebro humano (principalmente el referido a las neuronas y sus conexiones), para tratar de crear modelos artificiales que solucionen problemas difíciles de resolver mediante técnicas algorítmicas convencionales.
A continuación se explica cómo está compuesta una neurona biológica, además de su funcionamiento cuando esta se encuentra sola o interconectada con varias neuronas, también se analizara el desarrollo de las redes neuronales artificiales con sus últimos avances.
MARCO TEÓRICO
REDES DE NEURONAS ARTIFICIALES
A medida que la ciencia y la tecnología han ido avanzando, el objetivo se ha ido perfilando: uno de los retos más importantes a los que se enfrenta el ser humano de nuestra generación es el de la construcción de los sistemas inteligentes. Aquí, sistemas pueden ser entendidos como cualquier dispositivo físico o lógico capaz de realizar la tarea requerida, este es precisamente el objetivo de la disciplina científica conocida con el nombre de inteligencia artificial (Herrán, M. 1999).
Dentro de la inteligencia artificial se pueden distinguir dos grandes áreas:
La inteligencia artificial simbólica, se ocupa de la construcción de sistemas con características que se puedan definir como inteligente. En este caso:
- Se define el problema a resolver
- Se diseña el sistema capaz de resolverlo siguiendo esquemas prefijados por disciplina
- Los sistemas expertos siguen este esquema
- Se introducen una serie de reglas lógicas que recogen el conocimiento de un experto sobre una materia y mediante mecanismos de inferencia parecidos a los que empleamos al razonar, se sacan conclusiones.
En la inteligencia artificial subsimbolica se realizan diseños a alto nivel de sistemas capaces de resolver los problemas utilizando las técnicas de la disciplina, se parte de los sistemas genéricos que van adaptándose y construyéndose hasta formar por sí mismo un sistema capaz de resolver el problema (Isasi, P y Galván,I. 2004).
2. FUNDAMENTOS BIOLÓGICOS DE LAS REDES DE NEURONAS (Neurona, Sinapsis Y Transmisión de la Información)
El Sistema Nervioso está considerado como la estructura única más compleja del universo. Su principal función es, junto con el sistema endocrino, asegurar el control y la comunicación dentro del organismo.
De alguna forma, una neurona es un procesador de información muy simple:
- Canal de entrada: dendritas (Reciben los estímulos).
- Procesador: Núcleo.
- Canal de salida: axón (Transmite la señal de activación).
- Las dendritas: Elementos de unión entre Axón y dendritas, es el espacio líquido con determinadas concentraciones iónicas (K, Na) (Izurieta, F y Saavedra, C. 2000).
El Sistema Nervioso es único en la gran complejidad de reacciones de control que puede efectuar. Recibe aproximadamente 109 bits de información cada segundo, de los que sólo admitimos conscientemente 102, eliminándose un 99% de la información recibida, por ejemplo el contacto de nuestra piel con la ropa. La información que llega al SN se codifica, posteriormente se vehiculiza o trasmite para finalmente incorporarse a una señal que determina la producción de un trabajo intelectual, motor o neurosecretor, como respuesta del sistema. En última instancia se realiza la integración activa y personal del organismo (Universidad Carlos III de Madrid. s/f).
CONCLUSIONES
Cada neurona está caracterizada por un estado interno denominado nivel de activación o función de activación, que le permite cambiar de estado a partir de las señales de entrada, estas últimas se combinan entre sí, generando la entrada total. Los seres humanos nacemos con un patrimonio neuronal y este disminuye con la edad. Una neurona cerebral puede recibir muchas entradas y enviar a su vez su salida a varios cientos de neuronas, es importante recordar que no todas las neuronas son iguales, ya que existen muchos tipos diferentes según el número de ramificaciones de sus dendritas, la longitud del axón etc. Sin embargo, todas ellas funcionan de la misma forma.
BIOGRAFIARAS
Universidad Carlos III de Madrid. S/f. Introducción a las Redes de Neuronas. Departamento de Informática. (En línea). ES. Consultado, 29 de Ene. 2016. Formato PDF. Disponible en: http://eva.evannai.inf.uc3m.es/et/docencia/rn-inf/documentacion/Tema1-ntroduccion.pdf
Izurieta, F y Saavedra, C. 2000. Redes Neuronales artificiales. (En línea). ES. Consultado, 29 de Ene. 2016. Formato PDF. Disponible en: www.uta.cl/charlas/volumen16/Indice/Ch-csaavedra.pdf
Isasi, P y Galván,I. 2004. Redes neuronales artificiales: Un enfoque práctico. 1 ed. España. Pearson Education.
Herrán, M. 1999. Inteligencia Artificial: Simbólico versus Subsimbólico. (En Línea). Consultado, 29 de Ene. 2016. Formato PDF. Disponible en:http://www.redcientifica.com/doc/doc199903130005.html
Las Redes Neuronales biológicas son muy importantes dentro del desarrollo de la Inteligencia Artificial, ya que en la búsqueda del ser humano de crear maquinas inteligentes (mecanismos que simulen un comportamiento inteligente en un determinado entorno), busca conocer cómo funciona su sistema en relación con la naturaleza, que lo diferencia de los animales y de los pequeños microorganismos. Para esto se analiza el comportamiento del cerebro humano (principalmente el referido a las neuronas y sus conexiones), para tratar de crear modelos artificiales que solucionen problemas difíciles de resolver mediante técnicas algorítmicas convencionales.
A continuación se explica cómo está compuesta una neurona biológica, además de su funcionamiento cuando esta se encuentra sola o interconectada con varias neuronas, también se analizara el desarrollo de las redes neuronales artificiales con sus últimos avances.
MARCO TEÓRICO
REDES DE NEURONAS ARTIFICIALES
A medida que la ciencia y la tecnología han ido avanzando, el objetivo se ha ido perfilando: uno de los retos más importantes a los que se enfrenta el ser humano de nuestra generación es el de la construcción de los sistemas inteligentes. Aquí, sistemas pueden ser entendidos como cualquier dispositivo físico o lógico capaz de realizar la tarea requerida, este es precisamente el objetivo de la disciplina científica conocida con el nombre de inteligencia artificial (Herrán, M. 1999).
Dentro de la inteligencia artificial se pueden distinguir dos grandes áreas:
La inteligencia artificial simbólica, se ocupa de la construcción de sistemas con características que se puedan definir como inteligente. En este caso:
- Se define el problema a resolver
- Se diseña el sistema capaz de resolverlo siguiendo esquemas prefijados por disciplina
- Los sistemas expertos siguen este esquema
- Se introducen una serie de reglas lógicas que recogen el conocimiento de un experto sobre una materia y mediante mecanismos de inferencia parecidos a los que empleamos al razonar, se sacan conclusiones.
En la inteligencia artificial subsimbolica se realizan diseños a alto nivel de sistemas capaces de resolver los problemas utilizando las técnicas de la disciplina, se parte de los sistemas genéricos que van adaptándose y construyéndose hasta formar por sí mismo un sistema capaz de resolver el problema (Isasi, P y Galván,I. 2004).
2. FUNDAMENTOS BIOLÓGICOS DE LAS REDES DE NEURONAS (Neurona, Sinapsis Y Transmisión de la Información)
El Sistema Nervioso está considerado como la estructura única más compleja del universo. Su principal función es, junto con el sistema endocrino, asegurar el control y la comunicación dentro del organismo.
De alguna forma, una neurona es un procesador de información muy simple:
- Canal de entrada: dendritas (Reciben los estímulos).
- Procesador: Núcleo.
- Canal de salida: axón (Transmite la señal de activación).
- Las dendritas: Elementos de unión entre Axón y dendritas, es el espacio líquido con determinadas concentraciones iónicas (K, Na) (Izurieta, F y Saavedra, C. 2000).
El Sistema Nervioso es único en la gran complejidad de reacciones de control que puede efectuar. Recibe aproximadamente 109 bits de información cada segundo, de los que sólo admitimos conscientemente 102, eliminándose un 99% de la información recibida, por ejemplo el contacto de nuestra piel con la ropa. La información que llega al SN se codifica, posteriormente se vehiculiza o trasmite para finalmente incorporarse a una señal que determina la producción de un trabajo intelectual, motor o neurosecretor, como respuesta del sistema. En última instancia se realiza la integración activa y personal del organismo (Universidad Carlos III de Madrid. s/f).
CONCLUSIONES
Cada neurona está caracterizada por un estado interno denominado nivel de activación o función de activación, que le permite cambiar de estado a partir de las señales de entrada, estas últimas se combinan entre sí, generando la entrada total. Los seres humanos nacemos con un patrimonio neuronal y este disminuye con la edad. Una neurona cerebral puede recibir muchas entradas y enviar a su vez su salida a varios cientos de neuronas, es importante recordar que no todas las neuronas son iguales, ya que existen muchos tipos diferentes según el número de ramificaciones de sus dendritas, la longitud del axón etc. Sin embargo, todas ellas funcionan de la misma forma.
BIOGRAFIARAS
Universidad Carlos III de Madrid. S/f. Introducción a las Redes de Neuronas. Departamento de Informática. (En línea). ES. Consultado, 29 de Ene. 2016. Formato PDF. Disponible en: http://eva.evannai.inf.uc3m.es/et/docencia/rn-inf/documentacion/Tema1-ntroduccion.pdf
Izurieta, F y Saavedra, C. 2000. Redes Neuronales artificiales. (En línea). ES. Consultado, 29 de Ene. 2016. Formato PDF. Disponible en: www.uta.cl/charlas/volumen16/Indice/Ch-csaavedra.pdf
Isasi, P y Galván,I. 2004. Redes neuronales artificiales: Un enfoque práctico. 1 ed. España. Pearson Education.
Herrán, M. 1999. Inteligencia Artificial: Simbólico versus Subsimbólico. (En Línea). Consultado, 29 de Ene. 2016. Formato PDF. Disponible en:http://www.redcientifica.com/doc/doc199903130005.html
domingo, 29 de noviembre de 2015
RESOLVER PROBLEMAS MEDIANTE BÚSQUEDA
INTRODUCCIÓN
Las estrategias de búsqueda que puede utilizar una agente para encontrar la solución a un problema pueden ser informadas o no informadas, cada una de estas define un estado inicial (primer estado en el que se encuentra el agente), una función sucesor (generada a partir del estado inicial), un test objetivo (determina se los estados son objetivos, es decir que conducen a la solución) y costo del camino (cuanto toma llegar a la solución).
Las búsquedas informadas contienen información adicional del problema más allá de su definición, al contrario de las búsquedas no informadas donde el agente no cuenta con información adicional del problema que busca resolver, es decir no tiene una base de conocimiento. La característica principal de este tipo de búsqueda es que genera estados posibles en base a un estado inicial y determina si dentro de la secuencia de estado existen estados objetivos (estados que conducen a la solución).
Existen diferentes tipos de búsquedas no informadas, entre ella tenemos: primero en anchura, primero en profundidad, profundidad limitada entre otras, a continuación se habla sobre las características de estas búsquedas y su funcionamiento.
MARCO TEÓRICO
AGENTES RESUELVES PROBLEMAS
La
idea es ver como un agente puede encontrar una secuencia de acciones que
alcance sus objetivos, cuando ninguna acción simple lo hará.
Los agentes resolventes-problemas deciden que hacer para encontrar secuencias de acciones que conduzcan a los estados deseables. Los agentes inteligentes deben maximizar su medida de rendimiento, esto se simplifica en: Elegir un objetivo y tratar de satisfacerlo. Para ello. Se mira el por qué y cómo se puede hacerlo. Pasos para solucionar un problema
Los agentes resolventes-problemas deciden que hacer para encontrar secuencias de acciones que conduzcan a los estados deseables. Los agentes inteligentes deben maximizar su medida de rendimiento, esto se simplifica en: Elegir un objetivo y tratar de satisfacerlo. Para ello. Se mira el por qué y cómo se puede hacerlo. Pasos para solucionar un problema
Estrategias de búsqueda no informada
El término significa que ellas no tienen información adicional acerca de los estados más allá de la que proporciona la definición del problema. Todo lo que ellas pueden hacer es generar los sucesores y distinguir entre un estado objetivo de uno que no lo es. Existen seis tipos de búsquedas no informadas que se detallan a continuación:
Búsqueda primero en anchura
La búsqueda primero en anchura es una estrategia sencilla en la que se expande primero el nodo raíz, a continuación se expanden todos los sucesores del nodo raíz, después sus sucesores, etc. En general, se expanden todos los nodos a una profundidad en el árbol de búsqueda antes de expandir cualquier nodo del próximo nivel.
Busqueda de costo uniforme
La búsqueda primero en anchura es óptima cuando todos los costos son iguales, porque siempre expande el nodo no expandido más superficial. Con una extensión sencilla, podemos encontrar un algoritmo que es óptimo con cualquier función costo. En vez de expandir el nodo más superficial, la búsqueda de costo uniforme expande el nodo n con el camino de costo más pequeño. Notemos que si todos los costos son iguales, es idéntico a la búsqueda primero en anchura.
Búsqueda primero en profundidad
La búsqueda primero en profundidad siempre expande el nodo más profundo en la frontera actual del árbol de búsqueda. La búsqueda procede inmediatamente al nivel más profundo del árbol de búsqueda, donde los nodos no tienen ningún sucesor. Cuando esos nodos se expanden, son quitados de la frontera, así entonces la búsqueda «retrocede» al siguiente nodo más superficial que todavía tenga sucesores inexplorados.
Búsqueda de profundidad limitada
Se puede aliviar el problema de árboles ilimitados aplicando la búsqueda primero en profundidad con un límite de profundidad L predeterminado. Es decir, los nodos a profundidad L se tratan como si no tuvieran ningún sucesor. A esta aproximación se le llama búsqueda de profundidad imitada El límite de profundidad resuelve el problema del camino infinito. Lamentablemente, también introduce una fuente adicional de incompletitud si escogemos L< d, es decir, el objetivo está fuera del límite de profundidad.
Búsqueda primero en profundidad con profundidad iterativa
La búsqueda con profundidad iterativa (o búsqueda primero en profundidad con profundidad Iterativa) es una estrategia general, usada a menudo en combinación con la búsqueda primero en profundidad, la cual encuentra el mejor límite de profundidad. Esto se hace aumentando gradualmente el límite (primero 0, después 1, después 2, etcétera) hasta que encontramos un objetivo. Esto ocurrirá cuando el límite de profundidad alcanza d (profundidad del nodo objetivo).
Búsqueda bidireccional
La idea de la búsqueda bidireccional es ejecutar dos búsquedas simultáneas: una hacia delante desde el estado inicial y la otra hacia atrás desde el objetivo, parando cuando las dos búsquedas se encuentren en el centro.
CONCLUSIONES
La búsqueda primero en profundidad expande el nodo izquierdo y todos sus nodos siguientes hasta encontrar la solución, si encuentra un estado no objetivo regresa y continua con el nodo de al lado. La búsqueda con profundidad limitada es una mejora de la de profundidad sola que esta se establece un límite de profundidad, ya que el agente podría expandir todos los nodos del lado izquierdo, irse al infinito y no encontrar la solución. Al establecer este límite también surge el problema de que la solución este en un nivel al que no se puede llegar es porque esto que la búsqueda con profundidad iterativa aumenta los nodos según los estados objetivos.
BIBLIOGRÁFICAS
Rihawi, I .2009. Búsqueda de costo uniforme .Consultado 29 de Nov. 2015 .(En línea).Formato HTML. Disponible en : https://poiritem.wordpress.com/2009/12/06/6-5-1-busqueda-no-informada-algoritmo-de-coste-uniforme/
Russell, S y Norvig, P. 2008. Inteligencia Artificial Un Enfoque Moderno. 2 ed. España. Pearson Education.
Robin, D.2010. Búsqueda Bidireccional .Consultado 29 de Nov. 2015.(En línea). Formato HTML. Disponible en : http://intelligence.worldofcomputing.net/ai-search/bidirectional-search.html#.VKgbgiuG8po
Suscribirse a:
Entradas (Atom)