Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Inteligencia Artificial Y Redes Neuronales
Inteligencia Artificial Y Redes Neuronales
1. Inteligencia Artificial
Podía decirse que la Inteligencia artificial es el estudio de los comportamientos
que permiten percibir, razonar y actuar.
Desde el punto de vista de objetivos, debemos decir que además de abarcar la
ingeniería, es en sí una ciencia.
El objetivo ingenieril: resolver problemas reales usando como base las técnicas
de representación y utilización del conocimiento y de cómo construir sistemas.
El objetivo científico: determinar qué ideas acerca de la representación del
conocimiento, del uso que se da a éste, y del ensamblaje de sistemas explican
diversas clases de inteligencia.
4. Conceptos básicos
Una manera de ver el comportamiento básico de una red es compararla contra
un sistema algorítmico tradicional.
+1 fh
0 α
-1
x0
x1 w1 w0
x2
entradas w2 y salidas
... wn-2
fh
xn-2
xn-1 wn-1
donde vemos que se agregan dos cosas: un valor de error (ξ) y un valor que
determina la “rapidez” con que la red “aprende” de sus errores (η). Los pesos wi
cambian con el tiempo, la sucesión temporal sería aproximadamente:
t suceso
0 ingresa el vector de entrada en los
nodos input. Se inicializan los pesos wi.
Se establece que tan rápido se quiere
aprender dándole un valor a η.
1 el nodo procesa por primera vez la
entrada y obtiene un error ξ, que se
usa para corregir los pesos con la
“rapidez” dada por η
2 se repite el paso de t=1
...
6. Demostración
Para llevar a la práctica lo anterior veamos la red de Hopfield cuando se
compone de 120 nodos, y donde suponemos que hubo en algún momento un
proceso de aprendizaje (del cual no hablaremos en esta presentación). La red
fue “entrenada” con los siguiente 8 patrones que siguen:
Cada patrón contiene 120 pixels, y sólo números –1 o +1 (para puntos blancos o
negros)
Luego se tomó el patrón del número 3 y se lo distorcionó invirtiendo bits al azar
con una probabilidad de 0.25. El resultado de la distorción fue introducido en la
red para ver si reconocía que el patrón original era realmente un 3 o si lo
confundía con otra cosa (esta es la misma técnica que se utiliza para los filtros).
A continuación están las 8 salidas sucesivas de la red desde el momento inicial
en t=0, hasta que se llega al resultado final en t=7:
7. Aplicación
1. Clasificación
2. Reconocimiento de imágenes
3. Determinación de patrones de comportamiento (ej.webmining)
4. Filtros (eliminación de ruidos)
5. Robótica (ej. para que el robot aprenda a “mantener el equilibrio”)