Descargar para leer sin conexión
Subido porBryan Campoverde
Inteligencia artificial
Este documento presenta una introducción a la inteligencia artificial, incluyendo sus fundamentos filosóficos, matemáticos, psicológicos e ingenieriles. También describe las redes neuronales artificiales, su historia, modelos y arquitecturas, así como ejemplos de implementaciones como insectos y gatos electrónicos y el robot Robokoneko.
Más contenido relacionado
![5.2 Redes neuronales (RN) [presentación].](https://cdn.slidesharecdn.com/ss_thumbnails/5-150525095017-lva1-app6892-thumbnail.jpg?width=640&height=640&fit=bounds)
![5.2 Redes neuronales (RN) [investigación]](https://cdn.slidesharecdn.com/ss_thumbnails/5-150525095013-lva1-app6891-thumbnail.jpg?width=640&height=640&fit=bounds)
![Elva's pp ver 4 revised version[1]](https://cdn.slidesharecdn.com/ss_thumbnails/elvasppver4-revisedversion1-120612112802-phpapp01-thumbnail.jpg?width=640&height=640&fit=bounds)
Similar a Inteligencia artificial
Inteligencia artificial
- 1. INTELIGENCIA ARTIFICIAL 2400 añosdespués ING. JUAN ROMANELLA
- 2. Inteligencia Natural Procesar agran velocidad Multiplicidad de sensores Comparación con información almacenada Combinación de información Respuestas correctas o incorrectas No necesita instrucciones explícitas
- 3. Inteligencia Artificial Modelado ysimulación de actividades cognitivas representar comunicar observar memorizar recuperar calcular aplicar procedimientos comprender CREAR comparar relacionar ordenar clasificar analizar sintetizar elaborar hipótesis resolver problemas interpretar inferir conceptualizar planificar evaluar transferir
- 4. Fundamentos Filosóficos Fundamentos Matemáticos FundamentosPsicológicos Fundamentos de Ingeniería Computacional
- 5.
- 6. Platón Algoritmo de Eutidemo Aristóteles Silogismos Rene Descartes Dualismo Blas Pascal Intuición e Instintos Newell y Simon Programación
- 7.
- 8. Computación máquina de Turing 1936 Lógica Aristoteles 430 AC Boole 1847 Probabilidad Gerolamo Cardano 1530
- 9. Teoría de lasdecisiones John von Neumann 1944
- 10.
- 11.
- 12.
- 13.
- 14.
- 15. Sistemas Expertos Resultados Gestión delconocimiento
- 16. Sistemas IA Como hacer PorqueHacer Cuando Hacer Para que Hacer Aprendizaje y Adaptabilidad
- 17. Ingeniería computacional Inteligencia Artefacto
- 18. De la ingeniería computacional a la IA Pascal 1650 Leibnitz 1654 Babbage 1820 Turing 1940
- 19. De la IA ala ingeniería computacional Multi Tasking Base de datos relacionadas Administración automática de memoria Programación orientada a objetos
- 20. Sistemas que piensancomo humanos Sistemas que actúan como humanos Sistemas que piensan racionalmente Sistemas que actúan racionalmente
- 21. sensores percepciones ambiente Arquitectura acciones + programa efectores
- 22. Acercamiento por modelos Los Homunculis Entradas, salidas y cajas negras Redes Redes con peso
- 23.
- 24. Neurona y conexiones sinápticas 1011 NEURONAS con 1014 SINAPSIS
- 25.
- 26.
- 27. Los microtúbulos soncilindros huecos de 25 nm de diámetro. Sus paredes son hexágonos de la proteína tubulina. Cada tubulina tiene forma de un “maní “de dímeros de 8 nm constituidos por monómeros alfa y beta. Los microtúbulos son los mayores componentes del citoesqueleto y se auto.reúnen para determinar la forma y función celular. Cristalografía por rayos X . Amos y Klug. 1974
- 28.
- 29. Microtúbulo Extremo - Extremo + Tubulina α Tubulina β Protofilamento
- 30.
- 36. Computadora de Qubits Sistemasensorial Sistema efector
- 37. El pensamiento humanono es solo racional sino también emotivo El accionar humano no es solo mecánico sino motivacional
- 38. La emoción, eldeseo, la motivación y el bienestar propio y de la especie guían la conducta humana inteligente. La emoción por quién, el deseo hacia qué, la motivación hacia donde y el bienestar de quién guiará la conducta de los sistemas inteligentes?
- 40. Y la pregunta fundamental... El sistema inteligente será desarrollado en una computadora o en un ordenador? La inteligencia artificial tendrá un cerebro masculino o uno femenino?
- 41.
- 42. Cerebros femeninos y masculinos tienenfunciones, habilidades y prioridades distintas
- 43. Diferencias cognoscitivas Los hombres se destacan: Tareas espaciales Razonamiento matemático Recorridos en rutas predeterminadas Las mujeres presentan: Mayor velocidad perceptual Mayor fluidez verbal Más recuerdos de los detalles de una ruta Más velocidad en trabajos manuales de precisión. Mejor significación de la expresión facial y reconocimiento de caras
- 44. Estas diferencias persistencon la evolución. La cultura y la educación pueden atenuarlas pero no transformarlas Se objetivan en tests neuropsicológicos y en neuroimágenes de alta resolución Lopez Mato 03, modificado de Pease
- 45. Significado Paleológico Hombrecazaba sólo. Desarrolló Competencia, cálculo de distancia, visión tubular, percepción de sonidos graves, detección de movimientos lejanos, piel gruesa. Comunicación corta y fuerte Pease A y B
- 46. Significado Paleológico Mujer recolectabafrutos y cuidaba a la cría. Desarrolló Cooperación, visión periférica, percepción de sonidos agudos, detección de movimientos cercanos, piel fina con mayor tacto. Comunicación verbal y paraverbal acentuada Pease A y B
- 47. Significado paleológico de las diferencias Mujer programada para parir defender a la prole mantener la armonía Cerebro femenino fue programado para nutrir, educar, proveer cariño y amor Pease A y B
- 48. Significado paleológico de las diferencias Hombre programado para cazar, guerrear, proteger, proveer materialmente Cerebro masculino está determinado a intentar resolver problemas. Pease A y B
- 49.
- 50. Historia Simulación de redneuronal (1956) ADALINE, MADALINE (1959) PERCEPTRON (1962) Incapacidad XOR (1969) Memorias asociativas (década del 70) PDP (década del 80)
- 51. Modelo de unidadde proceso
- 52. Unidad de proceso electrónica Dos amplificadores operacionales son una neurona artificial analógica e=excitación; i=inhibición; h=dintel -- Beer se aparta de este modelo Carlos von der Becke- - - - - - - - - - - - - - - - - - - - 9 U. FASTA- ---- --------- --------------------------------------------------------------- ------------------------------------------------------------- Foundations of Artificial Intelligence
- 53. Modelo de unidadde proceso ponderada
- 54. Neuronas Biológicas y Unidadesde Proceso Neuronas Unidades de proceso Conexiones sinápticas Conexiones ponderadas Efectividad de las Peso de las conexiones sinápsis Excitación o inhibición Signo del peso Sinápsis combinadas Función de propagación Activación por tasa de Activación por salida disparo
- 55. REDES NEURONALES NEURONA MATRIZ DEPESOS Determina el comportamiento de la red
- 56. CAPAS DE NEURONAS ENTRADA OCULTAS SALIDA Red de peso de conexión
- 57. RED DE PESODE CONEXION Lateral Atras Adelante entradas
- 58. LATERALES WAT: GANADOR TOMATODO COLAPSO DE ONDA CLASE. MODO QUE GANA
- 59.
- 60.
- 61.
- 62. RED MULTICAPA CAPAS OCULTAS SE CUANTIFICA COMO PESO
- 63. ARQUITECTURAS ACON: all classin one network OCON: one class in one network
- 64. TAMAÑO Y RAPIDEZde las REDES PESO SINAPTICO ACON (N+n).K OCON N (n+1).K TIEMPO ENTRENAMIENTO Para N chico: ACON ~ OCON Para N grande: OCON + peso y + velocidad
- 65.
- 66.
- 67. Función de activación Lineales Umbral NoLineales Gaussiana Sigmoidal
- 68. Función de activación Sigmoidal
- 69. Función de activación Sigmoidal
- 70. Función de activación •Acomodaciónde señales muy intensas sin producir saturación. •Admite señales débiles sin excesiva atenuación •Fácilmente derivable, ya que
- 71.
- 72.
- 73. ASOCIACION CLASIFICACION FORMULACION PROBLEMA ALGORITMO DE ANALISIS MODELO NEURAL ARQUITECTURA IMPLEMENTACION
- 74. ASOCIACION CLASIFICACION FORMULACION PROBLEMA ALGORITMO DE ANALISIS MODELO NEURAL ARQUITECTURA IMPLEMENTACION
- 75. ASOCIACION AUTO recupera un patrón dada información parcial HETERO recupera un conjunto de patrones dado un patrón
- 76. ASOCIACION CLASIFICACION FORMULACION PROBLEMA ALGORITMO DE ANALISIS MODELO NEURAL ARQUITECTURA IMPLEMENTACION
- 77. CLASIFICACION de RNA NOSUPERVISADA solo se basa en entradas SUPERVISADA interpola entre entradas y salidas
- 78. CLASIFICACION SUPERVISADA conjunto de muestras de entrenamiento
- 79. CLASIFICACION RED ENTRENADA SUPERVISADA interpolación suave RED ENTRENADA SUPERVISADA regla delta
- 80. CLASIFICACION NO SUPERVISADA redes de peso fijo sin adaptación a ambientes cambiantes
- 81. CLASIFICACION RNA No Supervisadasmodernas Aprendizaje por componentes principales Aprendizaje competitivo Códigos demográficos Aprendizaje reforzado
- 82. ASOCIACION CLASIFICADOR FORMULACION PROBLEMA ALGORITMO DE ANALISIS MODELO NEURAL ARQUITECTURA IMPLEMENTACION
- 83. FORMULACION PROBLEMA - VISION ARTIFICIAL - PROCESADO DE IMÁGENES - PROCESADO DE SEÑALES - RECONOCIMIENTO DEL HABLA - RECONOCIMIENTO DE CARACTERES - SISTEMAS EXPERTOS - ANALISIS DE IMÁGENES MEDICAS - CONTROL REMOTO - CONTROL DE ROBOTS - INSPECCION INDUSTRIAL - EXPLORACION
- 84. ASOCIACION CLASIFICADOR FORMULACION PROBLEMA ALGORITMO DE ANALISIS MODELO NEURAL ARQUITECTURA IMPLEMENTACION
- 85. ALGORITMO DE ANALISIS Modelos lineales Suman ruido Modelos no lineales Eliminan perturbaciones s=Σbim ti de todas las unidades ocultas
- 86. ALGORITMO DE ANALISIS Humedad Umbral Temperatura Ruido Vibración Factores de Distracción Disconfort s Salida de otras redes Funciones de probabilidad Asociacion Errores
- 87. ASOCIACION CLASIFICADOR FORMULACION PROBLEMA ALGORITMO DE ANALISIS MODELO NEURAL ARQUITECTURA IMPLEMENTACION
- 88. Modelo Neural Memorias Heteroasociativas Competitivas AdaptaciónProbabilística Pesos fijos
- 89. PERCEPTRON 1º sistema conmemorias heteroasociativas Σ Salida Perceptron Fotocélulas
- 90. Redes Competitivas Simulación neurofisiológicadel córtex cerebral Similitud en métodos estadísticos de análisis de clusters
- 91. Redes Competitivas aob a b A B
- 92. Redes de Adaptación Probabilística Pesos de conexiones precalculados Operaciones no lineales Actualización iterativa Minimiza la función de energía
- 93. Redes de PesosFijos Filtros Recuperación de patrones
- 94. ASOCIACION CLASIFICADOR FORMULACION PROBLEMA ALGORITMO DE ANALISIS MODELO NEURAL ARQUITECTURA IMPLEMENTACION
- 95.
- 96. Nuevas redes Red dememoria retroasociativa d c A B
- 97. Nuevas redes Redes dememoria asociativa d c A B
- 98. ASOCIACION CLASIFICADOR FORMULACION PROBLEMA ALGORITMO DE ANALISIS MODELO NEURAL ARQUITECTURA IMPLEMENTACION
- 99. Implementación Insecto Electrónico Hardwarededicado 20000 neuronas Gato Electrónico Hardware evolutivo 1 millón de neuronas Robokoneco Compuertas matriciales de efecto de campo 40 millones de neuronas
- 100. Implementación “Correlato neural” de PERIPLANETA Carlos von der Becke- - - - - - - - - - - - - - - - - - - - 70 U. FASTA- ---- --------- --------------------------------------------------------------- ------------------------------------------------------------- Foundations of Artificial Intelligence
- 101. Implementación Hexápodo en 3-D uno de los tantos robots hexapódicos Carlos von der Becke- - - - - - - - - - - - - - - - - - - - 72 U. FASTA- ---- --------- --------------------------------------------------------------- ------------------------------------------------------------- Foundations of Artificial Intelligence
- 102. Implementación Hardware evolutivo C C A B A B
- 103. Implementación Compuertas matriciales decampo A B B D C D A C
- 104. Implementación ROBOKONEKO 32768 módulosneurales Módulo Neural 180 axones 1152 neuronas por módulo 450 millones de transistores por módulo
- 105. Implementación GatoElectrónico 106 neuronas 104 sinapsis 102 1/s sw Robokoneko 107 neuronas 104 sinapsis 103 1/s sw Cerebro 1011 neuronas 107 tubulinas 109 1/s sw
- 106. Implementación Comparativamente con unprocesador Pentium IV de 2,5 Gb realizando 109 operaciones por segundo El Gato Electrónico realiza 1000 conexiones mas por unidad de tiempo Robokoneko o un gato real realizan 100000 conexiones mas por unidad de tiempo El cerebro realiza 1000000000000000000 (un Trillón) de conexiones mas por unidad de tiempo
- 107. Tecnologías en computación neuronal Simuladoresde Software Aceleradores de Hardware Chips de Silicio Procesadores Opticos Bio Chips
- 108. Tecnologías en computación neuronal Simuladores de Software Simples de implementar con cualquier lenguaje Librerías C++ Matlab Mathematica P3 (LISP)
- 109. Tecnologías en computación neuronal Aceleradores de Hardware Mark III y IV 8100 unidades de proceso 417000 conexiones NEP para PC ANZA 1500000 conexiones DELTA II 11000000 conexiones
- 110. Tecnologías en computación neuronal Chips de Silicio ENN 256 neuro transistores 100000 sinapto resistores Silicon Retina Silicon Ear
- 111. Tecnologías en computación neuronal Procesadores Ópticos Moduladores de luz Opto electrónica integrada Llaves ópticas no lineales Resonadores ópticos de fase variable
- 112. Tecnologías en computación neuronal Bio Chips DNA PROTEINAS ANTICUERPOS
- 113. Lógica Difusa Robot 1920 Máquina Humanoide Trabajador Inteligente Karel Capec
- 114. Lógica Difusa Sistema anticipatorio If Then modelo sistem predictivo a presente probabilidad
- 115. Lógica Difusa variable del evento determinismo probabilidad pasado futuro tiempo
- 116. Lógica difusa bajo medio alto µA(x)
- 117. Lógica Difusa Heuristically programmedAlgorythmic computer IBM 10000
- 118. Lógica Difusa Brazo robot
- 119. Lógica Difusa Brazo robot
- 120. Lógica Difusa Brazo robot
- 121. Lógica difusa Control de posición Estacionamiento automático Frenos ABS Cajas de cambio Autofocus de cámaras
- 122. El Futuro La teletransportación Primera computadora de quantums T A B T A B T A B T A B Blatt, Wineland, et al 2004
- 123. El Futuro Primer computadora de quantums 3 átomos - 272,7 ºC Computadora de quantums práctica 500 a 5000 átomos Temperatura ambiente
- 124. Con la Inteligenciaaparece la certeza de la finitud y la búsqueda de la trascendencia. ¿Las computadoras tendrán sentido de muerte y buscarán un dios?
- 125. En el mundodel carbono, primero surgen las emociones y los sentimientos y más tarde la inteligencia. En el mundo del silicio, primero surgirá la inteligencia y a lo mejor, bastante más tarde las emociones y los sentimientos. Andrea Romanella
- 126. MUCHAS GRACIAS No basta con alcanzar la sabiduría, es necesario saber utilizarla Marco Tulio Cicerón 106 – 43 ac