UNIDAD 3: REPRESENTACIÓN DEL CONOCIMIENTO Y RAZONAMIENTO

En todas las representaciones del conocimiento estaremos manejando dos tipos de entidades:
¿Qué es un hecho? verdades en un cierto mundo. Es aquello que queremos representar.
¿que es la representación de los hechos? Estas son las entidades que realmente seremos capaces de manipular.
Una posible estructuración consiste en clasificar estas entidades en dos niveles:
Nivel del conocimiento: se describen los hechos.
Nivel simbólico: se describen los objetos del nivel del conocimiento en términos de símbolos manipulables por programas.
La relación establecida entre los hechos reales y la representación de los mismos se denomina correspondencia de la
representación. La misma puede ser hacia adelante, donde se establece una correspondencia entre los hechos y sus
representaciones, o hacia atrás, donde se establece una correspondencia desde las representaciones hacia los hechos.
Estas funciones no suelen ser biunívocas.

Un buen sistema de representación del conocimiento en un dominio particular debe poseer las siguientes propiedades:
1. Suficiencia de la representación: capacidad de representar todos los tipos de conocimiento necesarios en el dominio.
2. Suficiencia deductiva: capacidad para manipular las estructuras de la representación con el fin de obtener nuevas que
corresponden a un nuevo conocimiento.
3. Eficiencia deductiva: capacidad de incorporar información adicional en las estructuras de conocimiento con el fin que
los mecanismos de inferencia puedan seguir las direcciones más prometedoras.
4. Eficiencia en la adquisición: capacidad de adquirir nueva información con facilidad.

Modelos de representación del conocimiento

¿Qué son los sistemas puramente sintácticos? aquellos en los que no se tiene en cuenta el significado del conocimiento
que está siendo representado.
¿Qué son los sistemas puramente semánticos? aquellos en los que sí se tiene en cuenta el significado del conocimiento, y
poseen reglas de inferencia complejas

Conocimiento relacional simple: los hechos declarativos se representan mediante un conjunto de relaciones del mismo tipo
que las utilizadas en los sistemas de bases de datos
Conocimiento heredable: los elementos de una clase heredan los atributos y los valores de otras clases más generales en
los que están incluidos. Los atributos es-un, que se utiliza para indicar que una clase está contenida en otra, e instancia,
utilizado para indicar pertenencia a una clase, son la base de la herencia de propiedades
Conocimiento deductivo: Utiliza la lógica tradicional para describir las inferencias.
Conocimiento procedimental: Especifica qué hacer cuando se da una determinada situación. La forma habitual de
representar este conocimiento es especificarlo como un código

¿Cuál es el problema del marco? se lo conoce como problema del marco al problema de la representación de los hechos
que cambian, así como de aquellos que no lo hacen,

Lógica simbólica
El estudio de la lógica es el estudio de los métodos y principios usados al distinguir entre los argumentos correctos (buenos) y
los argumentos incorrectos (malos).
¿Qué es la inferencia? Es una actividad en la que se afirma una proposición sobre la base de otra u otras proposiciones
aceptadas como punto de partida. Al lógico no le interesa el proceso de inferencia, sino las proposiciones iniciales y finales de
ese proceso.
Las proposiciones son o verdaderas o falsas
¿Qué es un argumento? Es un grupo de proposiciones o enunciados, que se dividen en premisas y conclusiones. Las
premisas son fundamentos de las conclusiones.
La conclusión de un argumento es la proposición afirmada basándose en las otras proposiciones del argumento, y estas
otras proposiciones que se afirman son las premisas de ese argumento.
Toda proposición puede ser premisa o conclusión, dependiendo del contexto.
Un argumento es válido cuando sus premisas y conclusiones están relacionadas de modo tal que es absolutamente
imposible que las premisas sean verdaderas, a menos que la conclusión lo sea también, es decir, tanto las premisas como las
conclusiones tienen que ser verdaderas.
La validez de un argumento no garantiza la verdad de su conclusión.
La falsedad de la conclusión no garantiza la invalidez de un argumento, pero sí garantiza que, o bien el argumento es
inválido, o por lo menos una de sus premisas es falsa.
La verdad de la conclusión se da cuando el argumento es válido y todas sus premisas son verdaderas

Argumentos que contienen enunciados compuestos

Un enunciado simple es aquel que no contiene otro enunciado como parte componente. Un enunciado compuesto contiene
otro enunciado como componente.
El valor de verdad de un enunciado verdadero es verdadero, y el valor de verdad de un enunciado falso es falso
¿Que es una tabla de verdad? Es una representación de los valores de verdad de un enunciado, que están determinados a
partir de los valores de verdad de sus componentes.
¿Para qué sirven y cómo se construyen? Sirven para demostrar la validez de un argumento y se construyen ubicando en sus
columnas los enunciados del argumento (las premisas y la conclusión) y en sus filas todas las combinaciones posibles de los
estados.

Un enunciado condicional es aquel que se escribe de la forma “si… entonces…”. El enunciado componente situado entre el
“si” y el “entonces” es el antecedente, y el componente que sigue al “entonces” es el consecuente.
Un condicional afirma que si su antecedente es verdadero, entonces su consecuente también lo es.
Podemos encontrar diferentes condicionales: lógicos (por ejemplo, “Si a todos los gatos les gusta el hígado y Dina es un
gato, entonces a Dina le gusta el hígado); por definición (por ejemplo, “Si la figura es un triángulo, entonces tiene tres
lados”); y empíricos (por ejemplo, “Si el oro se sumerge en agua regia, entonces el oro se disuelve”).
El significado parcial común para los tres casos es que cualquier condicional de antecedente verdadero y consecuente
falso debe ser falso

Se define forma argumental como cualquier arreglo de símbolos que contienen variables sentenciales, de modo que al
sustituir enunciados por las variables sentenciales, manteniendo siempre el mismo enunciado para la misma variable, el
resultado es un argumento.
Se define forma sentencial como cualquier sucesión de símbolos conteniendo variables sentenciales, de modo que al
sustituir enunciados por variables sentenciales, el resultado es un enunciado.

Una forma sentencial que sólo tiene instancias de sustitución verdaderas es una tautología.
Una forma sentencial que sólo tiene instancias de sustitución falsas es una contradicción.
Aquellos enunciados y formas sentenciales que no son ni tautológicos ni contradictorios, se dice que son contingencias
Dos enunciados son materialmente equivalentes cuando tienen el mismo valor de verdad y simbolizamos esta equivalencia
material insertando el símbolo “≡”.
Un enunciado de la forma p ≡ q se llama bicondicional. Dos enunciados se dicen lógicamente equivalentes cuando el
bicondicional que expresa su equivalencia es una tautología.
A todo argumento le corresponde un enunciado condicional cuyo antecedente es la conjunción de las premisas del
argumento, y cuyo consecuente es la conclusión del argumento. Ese condicional es una tautología si y sólo si el
argumento es válido.

Prueba formal de validez

Una prueba formal de validez es la demostración de que un argumento es válido a partir de las 9 reglas de inferencia.
1. Modus ponens: Si p entonces q p ∴ q
2. Modus tollens: Si p entonces q ~q ∴ ~p
3. Silogismo hipotético: Si p entonces q Si q entonces r ∴ Si p entonces r
4. Silogismo disyuntivo: p v q ~p ∴ q
5. Dilema constructivo: (p q) . (r s) p v r ∴ q v s
6. Dilema destructivo: (p q) . (r s) ~q v ~s ∴ ~p v ~r
7. Simplificación: p v q ∴p
8. Conjunción: p q ∴ p . q
9. Adición: p ∴ p v q
¿Cuál es la regla de reemplazo? Es cuando se reemplaza una parte cualquiera de un enunciado compuesto por una
expresión que es lógicamente equivalente a la parte reemplazada entonces el valor de verdad del enunciado que resulta es el
mismo que el del enunciado original.

Demostración de la invalidez
Regla de demostración condicional: Tener en cuenta que en la conclusión tiene que haber un condicional, sino no se
puede aplicar. Se construye suponiendo que el antecedente de su conclusión es una premisa adicional y luego deduciendo el
consecuente de su conclusión por una sucesión de argumentos válidos elementales.
Regla de demostración indirecta (absurdo): Se parte suponiendo lo opuesto de lo que se quiere demostrar, si esto
conduce a una contradicción, entonces el supuesto es falso y su negación es verdadera.

Lógica de predicados

La lógica proposicional (o lógica de orden cero), como medio de representación del tipo de conocimiento acerca del mundo,
de manera muy simple. Y dispone de un procedimiento de decisión.
Sin embargo, hay cosas que no son representables utilizando lógica proposicional, por lo que es necesario utilizar la lógica
de predicados o de primer orden, en donde aparecen los cuantificadores para representar el mismo.

La programación lógica (la que utiliza Prolog) está basada en la lógica de predicados.

¿Cómo se llega a la lógica de predicados? Se representan los hechos del mundo real como proposiciones lógicas en forma
de fórmulas bien formadas de la lógica proposicional. Luego se buscan características en común y luego se representa la
estructura del conocimiento con relaciones.

Representación del conocimiento mediante reglas

Una representación declarativa es aquella en la que el conocimiento está especificado, pero la manera en la que dicho
conocimiento debe ser usado, no viene dado. Para utilizar una representación declarativa se la debe aumentar con un
programa que especifique lo que debe hacerse con el conocimiento y de qué forma debe hacerse.
Una representación procedimental es aquella en la que la información de control necesaria para utilizar el conocimiento se
encuentra embebida en el propio conocimiento. Para utilizar una representación procedimental se la debe aumentar con un
intérprete que siga las instrucciones dadas por el conocimiento.
La verdadera diferencia entre ambas representaciones radica en dónde se encuentra la información de control.
PROLOG considera los caminos utilizando la estrategia de búsqueda primero en profundidad, así como la vuelta atrás.

Razonamiento bajo incertidumbre

¿Por qué es necesaria? En los enfoques anteriores de representación del conocimiento nos basamos en un modelo donde la
información es completa, consistente e inalterable. La representación del conocimiento bajo incertidumbre es necesaria ya
que en muchos problemas no es posible crear tales modelos.

Razonamiento no monótono: Los axiomas y/o reglas de inferencia se extienden para que sea posible razonar con
información incompleta.
● Por defecto: Se pretende llegar a unas conclusiones basadas en lo que es más probable que suceda. (Lógica No
monótona o Lógica por defecto)
● Minimalista: Un modelo es mínimo si no existen otros modelos en los que sean ciertas menos cosas.
Razonamiento estadístico: Se agrega algún tipo de medida numérica sobre la certeza de la suposición.
● Factores de certeza y sistemas basados en reglas: a cada regla se le asocia un factor de certeza, que representa una
medida sobre la evidencia que existe de que la conclusión sea el consecuente de la regla en el caso de que se
describa el antecedente de la misma
● Rdes Bayesianas: La idea principal consiste en que, para describir el mundo real, no es necesario utilizar una tabla
de probabilidades enorme en la que se listen las probabilidades de todas las combinaciones concebibles de sucesos.
La mayoría de sucesos son condicionalmente independientes de la mayoría de los demás, por lo que no deben
 considerarse sus interacciones. Puede entonces usarse una representación más local en donde se describen grupos
de sucesos que interactúan.
● Teoria de dempster-Shafer: considera conjuntos de proposiciones, y le asigna a cada uno de ellos un intervalo
[Creencia, verosimilitud].

Estructuras de ranura y relleno débiles

Estructuras de ranura y relleno débiles: fueron introducidas para soportar adecuadamente la herencia. En estas estructuras
hablamos de “conocimiento pobre”.
Redes semánticas: La información se representa como un conjunto de nodos conectados mediante un conjunto de arcos
etiquetados que representan las relaciones entre ellos.
Marcos: Es una colección de atributos con valores asociados, que describe alguna entidad del mundo. Cada marco puede
representar una clase o una instancia.

Estructuras de ranura y relleno fuertes: las herramientas utilizadas en este caso implementan poderosas teorías sobre la forma de
representar y utilizar el conocimiento.
Dependencia conceptual: Es una forma de representar el conocimiento que tiene como objetivo facilitar extraer inferencias
de las frases y ser independiente del lenguaje original de las mismas.
Guiones: Describe una secuencia de eventos (a diferencia de la dependencia conceptual que describe eventos por
separado)
CYC: Es un proyecto de una gran base de conocimiento cuyo propósito es de capturar el conocimiento humano de sentido
común.

UNIDAD 4: Ingeniería del Conocimiento

Es la disciplina que trata la forma en que se organizan, construyen y verifican las bases de conocimiento
Ingeniero de Conocimiento: es el encargado de entrevistar a los expertos para:
1. aprender sobre lo que los expertos saben
2. organizar la información obtenida
3. construir una Base de Conocimientos

Organización de una Base de Conocimientos

Trata del ordenamiento de la información dentro de la Base
ESTRATEGIAS:
● Situar los objetos más probables lo más cerca del comienzo. El problema aquí es decidir qué objetos son los más y
menos probables.
● Situar los atributos que causan la poda de la mayor parte del “árbol” lo más cerca del comienzo. De nuevo, puede ser
difícil determinar qué atributos causan la mayor poda.

Problemas para encontrar al Experto

1. Es difícil determinar quién es un verdadero experto
2. Dos expertos distintos pueden tener opiniones contradictorias. Caminos a seguir:
○ Elegir a uno e ignorar al otro
○ Usar la información común a los dos
○ Incluir el conocimiento de ambos y dejar al usuario decidir
3. La mayoría de los expertos humanos no saben lo que saben. Puede ser difícil extraer toda la información
necesaria
4. Algunos expertos no quieren perder tiempo diciendo todo lo que saben sobre la materia.

¿Cómo verificar la Base de Conocimiento? Testear la base de conocimientos ⇒ Verificar que se ha transcrito e introducido
correctamente los conocimientos.
Sistema experto
Es un programa que contiene conocimiento sobre un determinado campo, y cuando es interrogado, responde como un
experto humano. Puede dar consejos o tomar decisiones inteligentes (que pueden ser comprendidas). Para que un sistema
sea considerado “experto” su comportamiento debe ser indistinguible del de un experto humano.

Definición Funcional de Sistema Experto

Para que un sistema informático pueda ser llamado “experto”, ha de satisfacer un criterio similar al Test de Turing. Es decir
que, visto como una caja negra, sea indistinguible, por su comportamiento, de un experto humano.
Un sistema experto debe ser capaz de:

1. Resolver problemas muy difíciles tan bien o mejor que un experto humano.
2. Razonar.
3. Interactuar en lenguaje humano.
4. Manipular descripciones
5. Funcionar con datos erróneos y reglas imprecisas.
6. Contemplar múltiples hipótesis.
7. Explicar porque plantea sus preguntas
8. Justificar sus conclusiones.

Definición Estructural de Sistema Experto

Podemos distinguir tres componentes estructurales básicos:
● Base de hechos: contiene el conocimiento declarativo, a nivel de datos, sobre el problema y el estado del sistema en
un momento dado.
● Base de conocimiento: contiene el conocimiento específico y procedimental acerca de la clase de problemas en los
que el sistema es experto.
● Motor de inferencia: contiene las funciones deductivas del sistema.

Tipos de personas que se relacionan con un sistema experto:

● El usuario final, que dialoga con el sistema para resolver problemas o aprender.
● El experto humano, que comunica su conocimiento para construir el sistema.
● El ingeniero de conocimiento, que diseña las estructuras de datos para la representación del conocimiento y traduce
el conocimiento humano al sistema.

Armazones de sistemas expertos

En un principio, los sistemas expertos que se construían eran creados desde cero. Luego se vio que tenían varios puntos en
común. En particular, desde que los sistemas se creaban como un conjunto de representaciones declarativas, acompañadas
por un intérprete para dichas declaraciones, fue posible separar el conocimiento específico del intérprete. Los intérpretes
resultantes se llaman armazones o shells.

Ventajas de un sistema experto

1. Está accesible para usarse en cualquier momento (a diferencia de un experto humano que tiene que comer, dormir,
etc).
2. Pueden crearse infinitos sistemas expertos, mientras que el número de expertos humanos es limitado.
3. Dado que se puede copiar fácilmente el conocimiento, se dice que los sistemas expertos nunca mueren.
4. Su rendimiento siempre es el máximo (no está influenciado, por ejemplo, por el cansancio).
5. Al no tener personalidad, no tienen problemas a la hora de expresar su conocimiento.
6. Se puede adquirir un nuevo sistema experto copiando el programa de una máquina a otra.

UNIDAD 5: REDES NEURONALES

¿Qué son? Una red neuronal es un sistema compuesto de muchos elementos simples de procesamiento, los cuales operan
en paralelo y cuya función es determinada por la estructura de la red y el peso de las conexiones.

Estructura de las redes neuronales

Las neuronas son modeladas mediante unidades de proceso. Cada unidad de proceso se compone de:
 1. Una red de conexiones de entrada.
2. Una función de red, o propagación, encargada de computar la entrada total combinada.
3. Un núcleo central de proceso, encargado de aplicar la función de activación.
4. Una salida, por donde se transmite el valor de activación a otras unidades

Conexiones ponderadas: cumplen el papel de las conexiones sinápticas. La existencia de conexiones determina
si es posible que una unidad influya sobre otra.
Peso sináptico (wi): el peso de la conexión equivale a la fuerza o efectividad de la sinapsis. El valor de los pesos
y el signo del mismo definen el tipo (excitatorio o inhibitorio) y la intensidad de la influencia.
Función de red o propagación: calcula el valor de entrada total a la unidad, generalmente como una simple
suma ponderada de todas las entradas recibidas, es decir, de las entradas multiplicadas por el peso o valor de las
conexiones. Equivale a la combinación de las señales excitatorias e inhibidoras de las neuronas biológicas
Función de activación: se encarga de calcular el nivel de activación de la neurona en función de la entrada total.
Es quizá la característica principal de las neuronas, la que mejor define el comportamiento de las mismas.
Podemos distinguir entre:
● Funciones lineales: la salida es proporcional a la entrada.
● Funciones de umbral: la salida es un valor discreto, típicamente binario, que depende de si la estimulación total
supera o no un determinado valor de umbral.
● Funciones no lineales: la salida no es proporcional a la entrada.
Salida: calcula la salida de la neurona en función de la activación de la misma, aunque normalmente se aplica la
función identidad, tomándose como salida el valor de activación. El valor de salida cumpliría la función de la tasa
de disparo en las neuronas biológicas.

Comparación entre redes neuronales biológicas y artificiales

Redes neuronales biológicas Redes neuronales artificiales

Neuronas Unidades de proceso

Conexiones sinápticas Conexiones ponderadas

Efectividad de la sinapsis Peso de las conexiones

Efecto excitatorio o inhibitorio de una conexión Signo del peso de una conexión

Efecto combinado de la sinapsis Función de red o propagación

Activación 🡪 tasa de disparo Función de activación 🡪 salida

Formas de interconexión de las RNA

Para diseñar una red debemos establecer cómo estaran conectadas unas unidades con otras y determinar adecuadamente el
peso de las conexiones. Lo más usual es disponer las unidades en forma de capas, pudiéndose hablar de redes de una, dos
o más capas, llamadas redes multicapa.
1. Capa de entrada: es la primera capa y actúa como buffer de entrada, almacenando la
2. información en bruto suministrada a la red, o realizando un sencillo pre-proceso de la misma.
3. Capas ocultas: son las capas intermedias, principales encargadas de extraer, procesar y memorizar la información.
4. Capa de salida: actúa como interfaz o buffer de salida, almacenando la respuesta de la red para que pueda ser leída.
Además de por el número de capas, las redes pueden clasificarse en función de cómo se interconectan unas capas con otras:
1. Redes en cascada: la información fluye unidireccionalmente de una capa a otra (desde la capa de entrada a las
capas ocultas, y de éstas a la capa de salida) y, además, no se permiten conexiones intracapa.
2. Redes recurrentes: la información puede volver a lugares por los que ya pasó, y se admiten las conexiones
intracapa, incluso entre una red consigo misma.
Las conexiones entre una capa y otra pueden ser:
1. Totales: cada unidad se conecta con todas las unidades de la capa siguiente.
2. Parciales: una unidad se conecta con sólo algunas de las unidades de la capa siguiente, generalmente siguiendo
algún patrón aleatorio o pseudoaleatorio
Características de las redes neuronales artificiales
 1. Aprendizaje inductivo: no se le indican reglas, modifica su comportamiento en función de la experiencia.
2. Generalización: una vez que está entrenada, se le pueden presentar datos distintos a los usados en el aprendizaje.
La respuesta obtenida dependerá del parecido de los datos con los ejemplos del entrenamiento.
3. Tolerancia al ruido: pueden procesar datos incompletos o distorsionados.
4. Procesamiento paralelo: las redes neuronales están pensadas para el procesamiento en paralelo mediante
multiprocesadores.
5. Memoria distribuida: el conocimiento acumulado de la red se haya distribuidos en numerosas conexiones. Esto tiene
como consecuencia la tolerancia a fallos.

Ventajas de las redes neuronales

1. Aprendizaje adaptativo: Aprende basado en su entrenamiento

2. Auto-organización: Organiza la información de forma autónoma
3. Tolerancia a fallos: Ante la destrucción parcial de la red, conserva alguna de sus capacidades.
4. Operación en tiempo real:Trabaja en tiempo real gracias al procesamiento en paralelo
5. Fácil inserción dentro de la tecnología existente: Fácil integración con sistemas existente

Desventajas de las redes neuronales

1. Definición de muchos parámetros antes de aplicar la metodología.

2. Caja negra. No ofrecen una fácil interpretación de cómo toman sus decisiones y por lo tanto no se puede explicar por
qué motivos se tomó una decisión

El aprendizaje es el proceso por el cual una red neuronal modifica sus pesos en respuesta a una información de entrada.
Cuando los pesos se mantienen estables se dice que la red ha aprendido.

Métodos de aprendizaje:
Aprendizaje supervisado: es controlado por un agente externo (supervisor) que determina la respuesta que debería generar,
a partir de una entrada determinada. En caso de que la salida no sea la esperada, se modifican los pesos de las conexiones.
Tipos de aprendizajes supervisados:
1. Aprendizaje por corrección de error: se ajustan los pesos de las conexiones con el objetivo de reducir el error
cometido: Error cometido = Valor deseado – Valor obtenido
2. Aprendizaje por refuerzo: es más lento que el anterior, debido a que el supervisor se limita a indicar si la salida es
éxito o fracaso.
3. Aprendizaje estocástico: consiste en realizar cambios aleatorios de los valores de los pesos. Luego de esto, se
evalúa la energía de la red, y se acepta el cambio si ésta es menor que la energía anterior.

Aprendizaje no supervisado: no requiere influencia externa para ajustar los pesos de las conexiones. No recibe información
del entorno.
Tipos de aprendizajes no supervisados:
1. Aprendizaje hebbiano: cuando dos células están próximas, el peso de la conexión entre ambas se va incrementando
en un período de tiempo. Ejemplo del perro, la campanita y la comida.
2. Aprendizaje competitivo y comparativo: se orienta a la clasificación de los datos de entrada, las unidades de salida
luchan por el control sobre porciones del espacio de entrada.

PERCEPTRON
Un perceptrón imita a una neurona tomando la suma ponderada de sus entradas y enviando a la salida un 1 si la suma es
más grande que algún valor umbral ajustable, y enviando un 0 en caso contrario.

En un perceptrón:
1. Sólo hay una neurona.
2. Las entradas son binarias.
3. Las cajas lógicas pueden interponerse entre las entradas y los pesos del perceptrón.
4. La caja lógica produce un valor de salida de 0 o 1 para cada combinación de 0 y 1 que pueda aparecer en sus
entradas.
 5. La salida del perceptrón es 0 o 1 dependiendo de si la suma ponderada de las salidas de las cajas lógicas es mayor
que el umbral.
En un perceptrón limitado por el orden de orden n, cada caja lógica atiende n o menos entradas. En un perceptrón directo,
cada caja lógica tiene sólo una entrada, y la salida es siempre la misma que la entrada

Existe un procedimiento que determina un buen conjunto de pesos para un perceptrón. Se empieza con todos los pesos en
cero. Después se intenta el perceptrón con todas las muestras, una a la vez. Siempre que el perceptrón cometa un error, se
cambian los pesos de modo que el error se haga menos probable; en cualquier otro caso, no se hace nada.

Para entrenar a un perceptrón:

Hasta que el perceptrón produzca el resultado correcto para cada muestra de entrenamiento:
Si el perceptrón produce una respuesta errónea:
Si el perceptrón dice NO cuando debería decir SI, añada el vector de salida de caja lógica al vector peso.
Si el perceptrón dice SI cuando debería decir SI, reste el vector de salida de caja lógica al vector peso.
En cualquier otro caso, no haga nada.

Redes de Hopfield
Una red de Hopfield tiene las siguientes características:
1. Representación distribuida: una memoria se almacena como un patrón de activación a través de un conjunto de
elementos de proceso. Las diferentes memorias se representan por diferentes patrones sobre el mismo conjunto de
elementos del proceso.
2. Control asíncrono y distribuido: cada elemento de proceso toma decisiones basadas únicamente
3. en su propia situación actual. Todas estas situaciones locales se unen para alcanzar una solución global.
4. Memoria direccionable por contenido: para recuperar un patrón únicamente se necesita una parte específica de él.
5. Tolerancia a fallos: aunque algunos de los elementos procesadores de la red fallasen, ésta todavía funcionará
adecuadamente.

Máquina de Boltzman: Es una variación de las redes de Hopfield, en la que se las combina con el enfriamiento simulado (es
una técnica para encontrar soluciones globalmente óptimas en problemas combinatorios, o es el proceso de ir gradualmente
de altas a bajas temperaturas). Las unidades de una máquina de Boltzman actualizan sus estados binarios individuales
mediante una regla estocástica, en lugar de una regla determinística.

Redes recurrentes
Las redes recurrentes constituyen un intento de remediar la deficiencia de las redes neuronales de tratar con tareas
temporales de IA, como planificación y lenguaje natural. Estas redes nunca convergen hacia un estado estable sino que, en
lugar de esto, cambian con cada paso del tiempo. En cada paso se comparan las activaciones de las unidades de salida con
las activaciones deseadas, y se propagan los errores hacia atrás por la red.