Clasificacion Redes Neuronales Artificales

Se han creado dos grupos para clasificar las redes neuronales artificiales, los cuales son:

Topologia de red

Una topologia o arquitectura, se refiere a como se organizan las neuronas en una red. La union de estas forman una estructura formada por capas de red.
Estas capas pueden clasificarse en monocapas y multicapas.

Monocapas: Son redes de una sola capa, que utilizan conexiones laterales para poder unirse a neuronas de su misma capa.

Estas tambien pueden unirse asi misma, denominandose autorecurrentes.

Esta topologia es ampliamente utilizada en la circuitos electronicos ya que por su arquitectura sirven para ser implementadas mediante hardware.

Multicapas: Estas se forman por varias capas de neuronas, utilizando para conectarse entre si redes con conexiones hacia adelante y hacia atras.

Respecto al aprendizaje

Para que realizar este proceso de aprendizahe, se utilizan algoritmos matematicos.

El aprendizaje neuronal se puede clasificar en:

Por componentes principales: Es hallar caracteristicas similares a componentes, muy comunes en patrones de entrada de una neurona

Competitivo: Las neuronas pugnan para representar una clase o un patron de entrada, la ganadora es aquella que se asemeja mas al patron de entrada

Reforzado: En esta la neurona se limita a brinbdar informacion si es que la respuesta de red es positiva o negativa

Ontologías

Concepto de Ontologías

Es un conjunto de conocimientos formalmente representado, base de conocimiento, sistema basado en el conocimiento, agente describe una visión abstracta y simplificada del mundo que queremos representar con un determinado propósito.

Clasificación de las Redes Neuronales Artificiales.

Las RNA (redes neuronales artificiales) se clasifican según:

1. Su topología
2. Su algoritmo de apredizaje

Clasificación según su topología: Es también conocida como “estructura de la red” por el número de capas, el tipo de las capas que pueden ser ocultas o visibles, de entrada o de salida y la direccionalidad de las conexiones de las neuronas. Esta topología se clasifica en:

Redes Monocapas: Son de una sola capa, crea conexiones laterales para conectarse con otras neuronas de su capa. Entre redes monocapas se puede tener conexiones a si mismas las cuales se conocen como autorecurrentes. Un ejemplo de la utilización de este tipo de redes son los circuitos eléctricos.

Redes Multicapas: Tienen varias capas de neuronas, por lo general están ordenadas según el orden en que reciben la señal desde la entrada hasta la salida y están unidas en ese orden conexiones, a estas se denominan feedforward o hacia delante.

Clasificación según su aprendizaje: El proceso de esta clasificación presenta los patrones a aprender a la red y el cambio de los pesos de las conexiones sinápticas usando una regla de aprendizaje (de muestra o entrenamiento).

Es decir se basa en el entrenamiento de la red con patrones aprendizaje, que consiste en algoritmos basados en formulas matemáticas, que usa técnicas como minimización del error o la optimización de alguna "función de energía", modifica el valor de los pesos sinápticos en función de las entradas disponibles y con ello se optimiza la respuesta de la red a las salidas.

Las redes neuronales manejan dos tipos de información:

Volátil: Se refiere a los datos que se están usando y varían con la dinámica de la computación de la red, se encuentra almacenada en el estado dinámico de las neuronas

No volátil: Se mantiene para recordar los patrones aprendidos y se encuentra almacenada en los pesos sinápticos.

• 
  

CLASIFICACIÓN DE LAS REDES NEURONALES

• Respecto a la topología
  Las neuronas se agrupan formando capas y estas se organizan para formar la estructura de la red. Y estas a su vez se clasifican según el número de capas pueden ser: Redes Monocapas (1 capa) y Redes Multicapas (varias capas) pero estas tiene conexiones hacia adelante y hacia atraz.
• Según su algoritmo de aprendizaje
  Se manejan dos tipos de información, la información volátil que se almacena en el estado dinámico de las neuronas. Y de información que es no volátil que se mantiene para robustecer el conocimiento y se encuentra almacenada en los pesos sinápticos y se dividen:
  Aprendizaje supervisado en redes neuronales: utiliza una fórmula matemática para minimizar el error del cálculo de pesos para acercarse a la salida deseada.
  Aprendizaje no supervisado: no se rige al resultado de la salida ya que el resultado es consistente porque la red procesa patrones con alto grado de similitud, por lo que el grado de error muchas de las veces ni aparece.
  Aprendizaje por componentes principales: se centra en los patrones de entrada para hallar características y armar la red.
  Aprendizaje competitivo: las neuronas compiten de acuerdo al peso que más se asemeja al patrón de entrada, a esta neurona se la refuerza y a las restantes se las debilitan.
  Aprendizaje reforzado: indica si la red es correcta o incorrecta, de acuerdo a aciertos causados por los pesos sinápticos.

Agentes Inteligentes

Se puede decir que un agente es el que percibe su ambiente mediante sensores, los sensores de los agentes humanos son los sentidos, sus manos, piernas y otras partes del cuerpo que le sirven como efectores. Y en el caso de un agente artificial como un software, sus percepciones y acciones vienen hacer una cadena de bits codificados.

Clasificación De Redes Neuronales

Clasificación de las Redes Neuronales

En este apartado, veremos dos clasificaciónes de los distintos tipos de redes neuronales en función de sus características más notables:

Clasificacion según su topología o estructura de la red, podemos distinguir como característica de una red, el número de capas, el tipo de las capas, que pueden ser ocultas o visibles, de entrada o de salida y la direccionalidad de las conexiones de las neuronas.

Las Redes MonoCapa
Las redes monocapa son redes con una sola capa.Para unirse las neuronas crean conexiones laterales para conectar con otras neuronas de su capa. Las redes más representativas son la red de Hopfield, la red BRAIN-STATE-IN-A-BOX o memoria asociativa y las maquinas estocásticas de Botzmann y Cauchy.
Entre las redes neuronales monocapa, existen algunas que permiten que las neuronas tengan conexiones a si mismas y se denominan autorecurrentes.
Las Redes Neuronales Multicapa
Las redes multicapa están formadas por varias capas de neuronas (2,3...). Estas redes se pueden a su vez clasificar atendiendo a la manera en que se conexionan sus capas.Usualmente, las capas están ordenadas por el orden en que reciben la señal desde la entrada hasta la salida y están unidas en ese orden. Ese tipo de conexiones se denominan conexiones feedforward o hacia delante.

Clasificacion según su algoritmo de aprendizaje o como la red aprende los patrones, podemos distinguir como características, si es supervisada, no supervisada, competitiva o por refuerzo.

Aprendizaje supervisado en redes neuronales

Según vimos antes, en este en modo aprendizaje se muestran los patrones a la red y la salida deseada para esos patrones y se usa una fórmula matemática de minimización del error que ajuste los pesos para dar la salida más cercana posible a la salida deseada.Un esquema general de este tipo de aprendizaje sería:

• Inicializar los pesos de las sinapsis aleatoriamente.
• Para cada patrón P perteneciente al conjunto de los patrones que tenemos

2.1 Mostrar el patrón de entrada Pentrada y hacer la dinámica de la red para calcular la salida de la red Sred, que no es la salida deseada sino un patrón aleatorio ya que los pesos inicialmente eran aleatorios.

2.2 Hallamos el error Cálculo del error entre la salida de la red, Sred, y la salida deseada del patrón Psalida_deseada. Esto se hace en muchos casos con el error cuadrático medio Epatrón = Raizcuadrada(suma((Psalida_deseadai) ² - (Sredi) ²)).

2.3 Ajustar los pesos usando la regla de aprendizaje para disminuir el error medio. Normalmente, se hace creando una función que represente el error cometido, la cual derivamos para aplicar la técnica de minimización matemática.

3. Si el error es mayor de cierto criterio volver al paso 2; si todos los ejemplos sehan clasificado correctamente, finalizar. Las redes más significativas que usan este aprendizaje supervisado son el Perceptrón, El Perceptrón multicapa y la red de Hopfield.

Aprendizaje no supervisado

Este tipo de aprendizaje no necesita que le mostremos los patrones objetivo para salida, ya que el algoritmo y la regla de modificación de las conexiones producen patrones de salida consistentes. Cuando la red procesa patrones con bastante grado de similitud, da la misma salida para ambos patrones, esto es, clasifica los patrones en categorías de patrones parecidos.

Aprendizaje por componentes principales

El aprendizaje por componentes principales se basa en hallar características principales a (componentes) que son comunes a muchos patrones de entrada para ello un pequeño número de neuronas coopera en la representación del patrón de entrada.

Aprendizaje competitivo
En el aprendizaje competitivo, las neuronas pugnan entre sí, para representar a una clase o patrón de entrada.
La neurona seleccionada es aquella cuyos pesos incidentes se asemejan más al patrón de entrada. El aprendizaje consiste en reforzar las conexiones de la unidad ganadora y debilitar las otras, para que los pesos de la unidad ganadora se asemejen cada vez más al patrón de entrada.La reconstrucción de un patrón de entrada a partir de una neurona ganadora consiste en tomar el peso de dicha neurona ya que son los valores que más se asemejan.

Aprendizaje reforzado
La base de este aprendizaje es muy parecida al aprendizaje supervisado pero la información que proporcionamos a la red es mínima se limita a indicar si la respuesta de la red es correcta o incorrecta. Este tipo de aprendizaje se basa en la noción de condicionamiento por refuerzo, esto es se aprenden las conductas reforzadas positivamente y las conductas castigadas o reforzadas negativamente. En nuestro mundo esto se traduce en premiar los pesos sinápticos cuando se acierta la salida y penalizarlos cuando no se acierta.

Conceptos

DEFINICIONES DE INTELIGENCIA ARTIFICIAL

Rich & Knight [1994], Stuart [1996], quienes definen en forma general la IA como la capacidad que tienen las máquinas para realizar tareas que en el momento son realizadas por seres humanos.

UN ENFOQUE MODERNO DE LA INTELIGENCIA ARTIFICIAL

Actualmente según Delgado [1998], Stuart [1996], existen tres paradigmas en cuánto al desarrollo de la IA.
Redes Neuronales.
Algoritmos genéticos.

Sistemas de Lógica difusa.

APLICACIONES

Aplicaciones de la I.A: Existen varias y son:

Tratamiento de Lenguajes Naturales: Capacidad de Traducción, Órdenes a un Sistema Operativo, Conversación Hombre-Máquina, etc.
Sistemas Expertos: Sistemas que se les implementa experiencia para conseguir deducciones cercanas a la realidad.
Robótica: Navegación de Robots Móviles, Control de Brazos móviles, ensamblaje de piezas, etc.
Problemas de Percepción: Visión y Habla, reconocimiento de voz, obtención de fallos por medio de la visión, diagnósticos médicos, etc.Aprendizaje: Modelización de conductas para su implante en computadoras.

INGENIERIA DEL CONOCIMIENTO

Es aquella disciplina moderna que forma parte de la Inteligencia Artificial y cuyo fin es el diseño y desarrollo de Sistemas Expertos (o Sistemas Basados en el Conocimiento SS.BB.CC). Para ello, se apoya en metodologías instruccionales y en las ciencias de la computación y de las tecnologías de la información, intentando representar el conocimiento y razonamiento humanos en un determinado dominio, dentro de un sistema artificial.

Prueba de Turing

En los comienzos de la I.A se daban grandes listas de lo que un sistema de I.A debía cumplir para serlo. Alan Turing, propuso un Test en 1950, para acabar con estas listas tan largas e inútiles, ya que lo único que buscaban era imitar al ser humano y no desarrollar una I.A científica. Turing basó su prueba en una entrevista entre un humano con un computador y otro humano ocultos, de manera que ninguno se pueda ver. Si el entrevistador no puede distinguir las respuestas dadas por el hombre y la máquina, se puede hablar de un Sistema Inteligente. Esta prueba merece ser reconocida, ya que no ha perdido validez hasta hoy. Para poder superar la Prueba de Turing original, el computador debe contar con:

Procesamiento del Lenguaje Natural que permita comunicarse perfectamente en inglés.
Representación del Conocimiento para almacenar lo que se conoce o siente.
Aprendizaje Automático, para adaptarse a muchas circunstancias y para detallar y extrapolar patrones.

Existe una variante de la Prueba de Turing: La Prueba Global de Turing, esta además de exigir lo anterior, incluye una señal de video que permite evaluar la capacidad de visión del evaluado y además le da la capacidad de pasar objetos a través de una pequeña ventana. Para que el computador pase esta variante, se requiere además de lo anteriorVisión Computacional, para percibir objetos.

Conceptos IA - Diego Orellana

TEMA

Consulta de conceptos varios sobre Inteligencia Artificial

OBJETIVO

Aprender nuevos conceptos sobre la Inteligencia Artificial.

JUSTIFICACIÓN

Comprender los conceptos realizando una lectura adecuada, para poder aplicar la Inteligencia Artificial en nuestra carrera.

CUERPO DE LA TAREA

Concepto de Inteligencia Artificial

Se define la inteligencia artificial como aquella inteligencia exhibida por artefactos creados por humanos (es decir, artificial). A menudo se aplica hipotéticamente a los computadores. El nombre también se usa para referirse al campo de la investigación científica que intenta acercarse a la creación de tales sistemas.

Se puede decir que la inteligencia artificial se encarga de modelar la inteligencia humana en sistemas computacionales.

Nació como mero estudio filosófico y razonístico de la inteligencia humana, mezclada con la inquietud del hombre de imitar la naturaleza circundante (como volar y nadar), hasta inclusive querer imitarse a sí mismo.

Sencillamente, la Inteligencia Artificial busca el imitar la inteligencia humana. Obviamente no lo ha logrado todavía, al menos no completamente.

Aplicaciones de la Inteligencia Artificial

La incorporación de agentes de decisión inteligente, redes neuronales, sistemas expertos, algoritmos genéticos y autómatas programables para optimización de sistemas de producción es una tendencia activa en el ambiente industrial de países con alto desarrollo tecnológico y con una gran inversión en investigación y desarrollo. Dichos componentes de la Inteligencia Artificial tienen como función principal controlar de manera independiente, y en coordinación con otros agentes, componentes industriales tales como celdas de manufactura o ensamblaje, y operaciones de mantenimiento, entre otras.

• Tratamiento de Lenguajes Naturales: Capacidad de Traducción, Órdenes a un Sistema Operativo, Conversación Hombre-Máquina, etc.
• Sistemas Expertos: Sistemas que se les implementa experiencia para conseguir deducciones cercanas a la realidad.

• Robótica: Navegación de Robots Móviles, Control de Brazos móviles, ensamblaje de piezas, etc.

• Problemas de Percepción: Visión y Habla, reconocimiento de voz, obtención de fallos por medio de la visión, diagnósticos médicos, etc.

• Aprendizaje: Modelización de conductas para su implante en computadoras.

Prueba de Turing

Esta es la prueba que nos permite decidir si una máquina es o no es inteligente. La prueba es un de desafío para la máquina, quien debe hacerse pasar por humana en una conversación con un una persona, utilizando una comunicación tipo chat.

Escenario: dos seres humanos y un ordenador. Uno de los seres humanos, el interrogador, debe averiguar cuál de los otros dos participantes es el ordenador; el interrogador puede preguntar cualquier cosa, sin importar el tema o la profundidad, y al ordenador se le permite hacer todo lo posible por provocar la errónea identificación. El ser humano participante debe, sin embargo, responder siempre verazmente a las cuestiones que se le formulen.

Si el sujeto es incapaz de determinar quien es un humano o quien es una máquina, entonces se considera que la máquina ha alcanzado un determinado nivel de madurez: es inteligente.

Hoy en día todavía no existe ninguna máquina que haya conseguido pasar esta prueba

Ontologías

Una ontología es una especificación de una conceptualización, esto es, un marco común o una estructura conceptual sistematizada y de consenso no sólo para almacenar la información, sino también para poder buscarla y recuperarla. Una ontología define los términos y las relaciones básicas para la compresión de un área del conocimiento, así como las reglas para poder combinar los términos para definir las extensiones de este tipo de vocabulario controlado.

Se trata de convertir la información en conocimiento mediante unas estructuras de conocimiento formalizadas (las ontologías) que referencien los datos, por medio metadatos, bajo un esquema común normalizado sobre algún dominio del conocimiento. Los metadatos no sólo especificarán el esquema de datos que debe aparecer en cada instancia, sino que también podrán contener información adicional de cómo hacer deducciones sobre ellos, es decir, cómo establecer axiomas que podrán, a su vez, aplicarse en los diferentes dominios que trate el conocimiento almacenado. De esta forma, los buscadores podrán obtener información al compartir los mismos esquemas de anotaciones web y los agentes de software no sólo encontrarán la información precisa, sino que podrán realizar inferencias de forma automática buscando información relacionada con la que se encuentra situada en las páginas web y con los requerimientos de las consultas realizadas por los usuarios. Además, los productores de páginas y servicios web podrán intercambiar sus datos siguiendo estos esquemas comunes consensuados e, incluso, podrán reutilizarlos.

Ingeniería de conocimiento

La ingeniería del conocimiento es aquella disciplina moderna que forma parte de la Inteligencia Artificial y cuyo fin es el diseño y desarrollo de Sistemas Expertos (o Sistemas Basados en el Conocimiento SS.BB.CC). Para ello, se apoya en metodologías instruccionales y en las ciencias de la computación y de las tecnologías de la información, intentando representar el conocimiento y razonamiento humanos en un determinado dominio, dentro de un sistema artificial.

El trabajo de los ingenieros del conocimiento consiste en extraer el conocimiento de los expertos humanos en un determinado área, y en codificar dicho conocimiento de manera que pueda ser procesado por un sistema.

El problema es que el ingeniero del conocimiento no es un experto en el campo que intenta modelar, mientras que el experto en el tema no tiene experiencia modelando su conocimiento (basado en la heurística) de forma que pueda ser representado de forma genérica en un sistema.

La ingeniería del conocimiento engloba a los científicos, tecnología y metodología necesarios para procesar el conocimiento. Su objetivo es extraer, articular e informatizar el conocimiento de un experto.

CONCLUSIONES

Con la lectura y comprensión de los conceptos antes detallados, me he dado cuenta que la Inteligencia Artificial, ha dado pasos agigantados, pudiéndose aplicarlas en cualquier rama, y a mi parecer no estamos muy lejos de lograr el Test de Alan Touring.

RECOMENDACIONES

Revisar más conceptos de Inteligencia Artificial para entender más sobre el tema, ya que la misma abarca muchos temas más como para comprenderla rápidamente.

BIBLIOGRAFÍA

http://www.inteligenciaartificial.cl/ciencia/software/ia/inteligencia_artificial.htm
http://es.wikipedia.org/wiki/Ingenier%C3%ADa_del_conocimiento
http://www.hipertexto.info/documentos/ontologias.htm

http://www.it.uc3m.es/jvillena/irc/practicas/estudios/Alan_Turing.pdf

Definiciones - Mariela Chango

1.DEFINICIÓN DE ¿QUÉ ES INTELIGENCIA ARTIFICIAL?
Es la forma de razonamiento del ser humano para la resolución de problemas mediante el uso de cualquier técnica de computación disponible consiguiendo la automatización de actividades y la reducción en tiempos de operación.

2.APLICACIONES
Se le aplica en mecanismos inteligentes como la ciencia ficción, creando monstruos y androides o robots mecánicos.
Ciencia Cognoscitiva siendo las subespecialidades la inteligencia artificial, psicología, filosofía, lingüística y antropología, esta nueva disciplina también se la utiliza para el estudio de las limitaciones emocionales que poseen los androides y robots.
Se utilizan en los Juegos Formales ya que en estos juegos se manipulan los elementos, son digitales y tienen una posibilidad finita de juegos, estos juegos deben seguir ciertas reglas que se llamaran movimientos válidos.

3.PRUEBA DE ALAN TURING
Es el procedimiento desarrollado para demostrar la existencia de inteligencia en una máquina. Es una especie de desafío entre el ser humano y la máquina, con un juez que debe descubrir a los dos jugadores y distinguir quien es el ser humano y quien es la máquina, esto se lo realiza en un límite de tiempo establecido.

4.ONTOLOGÍAS
Fueron diseñadas para facilitar la comunicación y compartir información entre diferentes sistemas. Se puede también decir que es el vocabulario común con lo que se comunican las personas y una aplicación que se realiza en cierta área de estudio.

5.INGENIERIA DE CONOCIMIENTO
Se utiliza para desarrollar y diseñar sistemas expertos o de conocimiento. Para esto se apoya en herramientas que le ayudan a la representación de conocimientos y razonamientos humanos, y los ingenieros extraen conocimientos de los humanos y se codifica dicho conocimiento para ser procesado por un sistema.

Definiciones - Paola Zambrano

Inteligencia Artificial

El tema de inteligencia artificial (IA) es muy extenso e interesante, la IA es la rama de la informática que se enfoca a tratar de construir máquinas de conducta inteligentes que aparentemente se comporten como seres humanos, es decir imiten al cerebro en todas las funciones, no manejan lógica ni emociones, manejan un patrón de ideas preestablecidas. Hay varios tipos de inteligencia como son: lingüística, matemática,

Espacial, corporal, musical, interpersonal, intrapersonal, emocional.

Aplicaciones:

La IA se puede aplicar a la lingüística de datos, data mining, mundos virtuales, robótica, sistemas de toma de decisiones, videojuegos, prototipos informáticos, aplicaciones del área de medicina y geología.

Prueba de Alan Turing

Turing fue quién dio la idea de una máquina inteligente, en 1950 publicó un artículo “Maquinaria Computacional e Inteligencia” donde argumentó a favor de la posibilidad de la inteligencia en las máquinas. Tuvo dos contribuciones importantes:

ü Diseñó la primera computadora capaz de jugar ajedrez.

ü Estableció la naturaleza simbólica de la computación.

La prueba de Turing corrobora la existencia de inteligencia en una máquina, una de las aplicaciones más conocidas de esta prueba es el control de spam.

Ontologías

Es conocida como la teoría del ser, estudia qué es, como es y cómo es posible. La finalidad de la ontología es facilitar la comunicación y la compartición de la información entre los diferentes sistemas.

Ingeniería del conocimiento

Es una parte de la ingeniería artificial, el objetivo de la ingeniería de conocimiento es diseñar y desarrollar sistemas expertos, es decir basados en el conocimiento del ser humano.

La IC es la extracción del conocimiento se realiza durante la interacción del ingeniero del conocimiento (quién utilizará el sistema basado en el conocimiento) y el experto (quién posee el conocimiento, peor no puede representarlo). Se sistematiza el conocimiento del experto, el problema es cuando la experiencia del experto es amplia ya que sus razonamientos son menos explícitos y los métodos de resolución son más ocultos.

Definiciones - Juan Carlos Cedillo

Definición de que es Inteligencia Artificial.
Se utiliza este termino cuando se va a desarrollar un agente no vivo que tenga la facultad de entender y procesar las entradas que recibe convirtiendolas en salidas. Esta rama pertenece a la informatica

Aplicaciones
Una aplicación informática es aquella que brinda una solución a problemas de la vida real, mediante un computador.
Este permite automatizar muchos procesos aplicados en nuestra vida cotidiana.

Prueba de Alan Turing(que es, como se usa)
Esta prueba fue desarrollada para probar que si una maquina tiene la facilidad de razonar como un ser humano, entonces tambien siente.

Esta consiste en ubicar un juez que haga preguntas a una maquina controlada por un humano y a otra maquina sin control de un ser humano, se debe realizar preguntas y tratar de detectar quien es la maquina y quien el ser humano.

Ontologías
Tiene que ver con la forma de comunicacion entre un ser humano y una computadora inteligente, asi como almacenar la mayor cantidad de información en una base de datos para poder acceder desde cualquier ubicación. Esto tiene que ver mucho con la inteligencia artificial refiriendonos a la informatica y con la metafisica.

Ingenieria de Conocimento
Es una disciplina que permite crear sistemas expertos, es decir basados en cierta area.
Para crear estos sistemas, los ingenieros del conocimiento almacenan la mayor cantidad de datos brindadas por humanos expertos