IA conexionista-Redes Neuronales Artificiales: introducción

TEMA: IA conexionista-Redes Neuronales artificiales

Contenidos:

1. Anatomía del sistema nervioso y fisiología de la neurona

2. Codificación de información en las RNA

Conceptos de Inteligencia Artificial TEMA: IA conexionista-Redes Neuronales artificiales

MSc. Priscill Orue - Inteligencia Artificial 1


Principal característica que nos separa de los animales capacidad de raciocinio

¿Cómo funciona el cerebro?

¿Se pueden construir modelos artificiales que lo emulen?

¿Se pueden desarrollar máquinas inteligentes?




Se estima que el cerebro humano contiene más de cien mil millones de neuronas y sinápsis en el sistema nervioso humano. Estudios sobre la anatomía del cerebro humano concluyen que hay más de 1000 sinápsis a la entrada y a la salida de cada neurona. Es importante notar que aunque el tiempo de conmutación de la neurona ( unos pocos milisegundos) es casi un millón de veces menor que en las actuales elementos de las computadoras, ellas tienen una conectividad miles de veces superior que las actuales supercomputadoras.




Las neuronas y las conexiones entre ellas (sinápsis) constituyen la clave para el procesado de la información.




Hay tres partes en una neurona:

el cuerpo de la neurona,

ramas de extensión llamadas dendritas para recibir las entradas, y

un axón que lleva la salida de la neurona a las desdirías de otras neuronas.




En general, una neurona envía su salida a otras por su axón.

El axón lleva la información por medio de diferencias de potencial, u ondas de corriente, que depende del potencial de la neurona. Este proceso es a menudo modelado como una regla de propagación representada por la función de red u(.).




La neurona recoge las señales por su sinápsis sumando todas las influencias excitadoras e inhibidoras. Si las influencias excitadoras positivas dominan, entonces la neurona da una señal positiva y manda este mensaje a otras neuronas por sus sinápsis de salida. En este sentido la neurona puede ser modelada como una simple función escalón f(.). La neurona se activa si la fuerza combinada de la señal de entrada es superior a un cierto nivel, en el caso general el valor de activación de la neurona viene dado por una función de activación f(.).




Las Redes Neuronales Artificiales, ANN (Artificial Neural Networks) están inspiradas en las redes neuronales biológicas del cerebro humano.

Están constituidas por elementos que se comportan de forma similar a la neurona biológica en sus funciones más comunes. Estos elementos están organizados de una forma parecida a la que presenta el cerebro humano.

Las ANN al margen de "parecerse" al cerebro presentan una serie de características

propias del cerebro. Por ejemplo las ANN aprenden de la experiencia, generalizan de

ejemplos previos a ejemplos nuevos y abstraen las características principales de una

serie de datos.




La comunicación entre las neuronas se produce a través de una unión especializada llamada sinapsis. Por medio de la misma, la actividad eléctrica de una neurona, denominada neurona presináptica, influye en la actividad de una segunda neurona, denominada neurona postsináptica.

Cada neurona establece un promedio de unas 1000 conexiones sinápticas y probablemente sobre ella recaen unas 10 veces más. Si en el encéfalo hay unas 1011 neuronas, habrá unas 1014 sinapsis.










En una Red Neuronal Artificial (RNA) se tienen cuatro elementos básicos: 1. Un conjunto de conexiones, pesos o sinapsis que determinan

el comportamiento de la neurona. Estas conexiones pueden ser excitadoras (signo positivo) o inhibidoras (conexiones negativas).

2. Un sumador que se encarga de sumar todas las entradas multiplicadas por las respectivas sinapsis.

3. Una función de activación no lineal para limitar la amplitud de salida de la neurona.

4. Un umbral exterior que determina el umbral por encima de la cual la neurona se activa.




Este es el esquema de una RNA con sus componentes:




En una RNA, la estructura puede darse por: Conexiones hacia delante: para todos los modelos neuronales, los datos de las neuronas de una capa inferior son propagados hacia las neuronas de la capa superior por medio de las redes de conexiones hacia adelante. Conexiones hacia atrás: estas conexiones llevan los datos de las neuronas de una capa superior a otras de la capa inferior. Conexiones laterales. Un ejemplo típico de este tipo es el circuito "el ganador toma todo" (winner-takes-all), que cumple un papel importante en la elección del ganador. Conexiones con retardo: los elementos de retardo se incorporan en las conexiones para implementar modelos dinámicos y temporales, es decir, modelos que precisan de memoria.




Existen dos fases en toda aplicación de las redes neuronales: la fase de aprendizaje o entrenamiento y la fase de prueba: En la fase de entrenamiento, se usa un conjunto de datos o

patrones de entrenamiento para determinar los pesos (parámetros de diseño) que definen el modelo neuronal.

Una vez entrenado este modelo, se usará en la llamada fase de prueba o funcionamiento directo, en la que se procesan los patrones de prueba que constituyen la entrada habitual de la red, analizándose de esta manera las prestaciones definitivas de la red.



2. Codificación de información en el sistema nervioso

De acuerdo al tipo de entrenamiento, se puede obtener esta taxonomía:



IA conexionista-Redes Neuronales artificiales

Investigue las ventajas y las desventajas de las RNA frente a la programación tradicional.

Extensión: 3 – 5 ventajas, 3 – 5 desventajas.



Algunas referencias consultadas: Andina de la Fuente, Diego (2010). Redes Neuronales Artificiales. Universidad Politécnica de Madrid-UPM: Departamento de Señales, Sistemas y Radiocomunicaciones (SSR). Acc 2013 <http://www.gc.ssr.upm.es/inves/neural/ann2/anntutorial.html>

García Quiroz, Adan (2008). Redes Neuronales: apuntes. Instituto Politecnico Nacional

Escuela Superior De Ingenieria Mecanica Y Electrica- Unidad Profesional Culhuacan. Acc 2013 http://www.sisman.utm.edu.ec/libros/FACULTAD%20DE%20CIENCIAS%20ZOOT%C3%89CNICAS/CARRERA%20DE%20INGENIER%C3%8DA%20EN%20INFORMATICA%20AGROPECUARIA/07/INTELIGENCIA%20ARTIFICIAL%20II/REDES%20NEURONALES.pdf

Pérez, Jesús Merino, María José Noriega Borge (2011). Comunicación Neuronal: Sinapsis. Universidad de Cantabria. Acc 2013 <http://ocw.unican.es/ciencias-de-la-salud/fisiologia-general/materiales-de-clase-1/bloque-ii/Tema%208-Bloque%20II-Comunicacion%20Neuronal%20Sinapsis.pdf>

Serrano, Antonio, Emilio Soria y José D. Martin (2010). Redes Neuronales Artificiales. Universitat de Valencia: Escola Tecnica Superior d’ Enginyeria. Acc. 2013. <http://ocw.uv.es/ingenieria-y-arquitectura/1-2/libro_ocw_libro_de_redes.pdf>



http://www.gc.ssr.upm.es/inves/neural/ann2/anntutorial.html

http://www.sisman.utm.edu.ec/libros/FACULTAD DE CIENCIAS ZOOT%C3%89CNICAS/CARRERA DE INGENIER%C3%8DA EN INFORMATICA AGROPECUARIA/07/INTELIGENCIA ARTIFICIAL II/REDES NEURONALES.pdf





http://ocw.unican.es/ciencias-de-la-salud/fisiologia-general/materiales-de-clase-1/bloque-ii/Tema 8-Bloque II-Comunicacion Neuronal Sinapsis.pdf





















http://ocw.uv.es/ingenieria-y-arquitectura/1-2/libro_ocw_libro_de_redes.pdf







Science

IA conexionista-Redes Neuronales Artificiales: introducción