Como se entiende un sistema

Inteligente (II)
Carlos A. Mugruza Vassallo
PhD(c)
neuroingenieria@yahoo.com
 Como elaborar un sistema inteligente
• Que partes tiene un sistema inteligente
– Memoria
– Imagen mental
– Comprensión
– Unificación cibernética
– Conocimiento cibernético
• Hoy completaremos estos puntos de vista para
mezclarlos con redes neuronales y ver
Independent Component Analysis (ICA) y Principal
Component Analysis (PCA) en la siguiente clase.
 Mental Imagery
• Como recordamos escenas?
• Por que es importante la imagen mental?
• Rotación

• Estrella de David
• Ambigüedad
 Understanding a problem
• Greeno (1977): Entender un problema implica
la construcción mental del problema:
– Coherencia
– Correspondencia
– Relación con estado de la técnica
 Cybernetic View
• Estados
mentales y
sus
conexiones
Sistema de control básico
 Ejemplo
• El lechero deja las botellas empacadas de
leche en el corredor
– Dibuje y explique la red semántica y la de estados
de percepción cibernética
Ejercicio de percepción cibernética
• ¿Cuál sería la representación o percepción de
un gato durmiendo en un corredor adquirido
por un cámara digital
• ¿Cuál sería la memoria semántica asociada
con dicha percepción?
 Domótica
• ¿Hay inteligencia artificial en domótica?
 Redes neuronales
• Una red neuronal o red neural, puede
referirse a:
• Red neuronal artificial, modelos matemáticos,
computacionales, reales, ideales de una red
neuronal empleados en estadística, psicología
cognitiva, e inteligencia artificial.
• Red neuronal biológica, cúmulo de neuronas
físicamente interconectadas cuya actividad
ayuda a definir un circuito reconocible en el
sistema nervioso. Wikipedia, Acceso 2012-12-12
 Redes neuronales
• Neural Networks provides a forum for developing and nurturing an international
community of scholars and practitioners who are interested in all aspects of
neural networks and related approaches to computational intelligence. Neural
Networks welcomes high quality submissions that contribute to the full range of
neural networks research, from behavioral and brain modeling, learning
algorithms, through mathematical and computational analyses, to engineering
and technological applications of systems that significantly use neural network
concepts and techniques. This uniquely broad range facilitates the cross-
fertilization of ideas between biological and technological studies, and helps to
foster the development of the interdisciplinary community that is interested in
biologically-inspired computational intelligence. Accordingly, Neural Networks
editorial board represents experts in fields including psychology, neurobiology,
computer science, engineering, mathematics, and physics. The journal publishes
articles, letters, reviews, and current opinions, as well as letters to the editor,
book reviews, editorials, current events, software surveys, and patent
information. Articles are published in one of five sections: Cognitive Science,
Neuroscience, Learning Systems, Mathematical and Computational Analysis,
Engineering and Applications. http://www.journals.elsevier.com/neural-
networks/ Acceso 2012-12-12
IA con redes neuronales biologicas
• << As Warwick points out again and again,
these cyborgs are going to become more
advanced, probably sooner rather than later.
Current cultures of neurons have about
100,000 cells, but only a small fraction are
actually involved in controlling the robot
circuits at any given time.>> (Saenz, 2010)
• Ver videos
– http://www.youtube.com/watch?v=1-0eZytv6Qk
– http://www.youtube.com/watch?v=wACltn9QpCc
 ICA (Wikipedia)
• El Análisis del Componente Independiente
(ACI) (en inglés ICA) es un método
computacional que sirve para separar una
señal multivariante en subcomponentes
aditivos suponiendo que la señal de origen
tiene una independencia estadística y es no-
Gausiana. Éste es un caso especial de
separación ciega de las señales.
• ICA se encuentra muy relacionado al problema
de la separación ciega de fuentes (BSS) el cual
consiste en determinar a través de un arreglo
de transductores las señales de las fuentes
originales que intervienen en una mezcla, sin
información alguna de las señales originales ni
de las ponderaciones de la mezcla. Éste es un
problema clásico de procesamiento de
señales.
Asumir la independencia es correcto en la mayoría de
los casos; por tanto la separación ciega por ACI de una
señal mezclada da muy buenos resultados. Un
problema clásico (enunciado por primera vez en 1985
por Christian Jutten y Jeanny Hérault) consiste en un
uso sencillo de ACI es el problema de la fiesta, donde
la señal que consiste en una mezcla de voces de gente
hablando en la misma habitación es separada.
Normalmente el problema se simplifica asumiendo
que no hay retrasos ni ecos. Una cosa importante a
considerar es que si hay N fuentes (voces) en la
habitación, al menos hacen falta N observaciones
(micrófonos) para obtener la señal original.
ICA tiene un enfoque estadístico y parte de la
hipótesis de que las señales originales (fuentes) son
estadísticamente independientes y los
procedimientos que lo siguen se basan en
propiedades de las fuentes y de las observaciones
(mezclas), caracterizadas por sus distribuciones de
probabilidad. Se pretende que si las señales originales
son estadísticamente independientes, las señales
recuperadas también deben de serlo. Por lo tanto, los
métodos relacionados con ICA consideran como
condición primordial la independencia estadística.
Buscando dentro de espacios multidimensionales las
componentes principales (en la dirección de máxima
varianza) de las variables a determinar.
El problema cosiste en encontrar un
transformación que encuentre la inversa de la
matriz con la cual se mezcló.
 PCA
• http://es.wikipedia.org/wiki/An%C3%A1lisis_d
e_componentes_principales
 Potencial de acción y sinapsis
• http://www.youtube.com/watch?v=k8NTp1m
BsPw
Distribución cerebral
La neurona de Clinton
• Right amygdala neuron that
follows the subjective
percept. (a) Stimulus
presentation: an image is
presented monocularly for
1,000 ms. The same image
then is flashed onto the same
ipsilateral eye while a
different image is flashed to
the contralateral eye for 500
ms. (Left) A picture of Clinton
is presented monocularly, and
a black and white pattern is
later flashed onto the other
eye. (Right) The pattern is
presented monocularly, and
Clinton is flashed to the
contralateral eye. Images
La neurona de Clinton
• Right amygdala neuron that
follows the subjective
percept. (a) Stimulus
presentation: an image is
presented monocularly for
1,000 ms. The same image
then is flashed onto the same
ipsilateral eye while a
different image is flashed to
the contralateral eye for 500
ms. (Left) A picture of Clinton
is presented monocularly, and
a black and white pattern is
later flashed onto the other
eye. (Right) The pattern is
presented monocularly, and
Clinton is flashed to the
contralateral eye. Images