INDICE GENERAL
Breve introducción Historíca
Descripcion de los campos de la IA
Sistemas Expertos
Conexionismo y NNs
2.3 Algoritmos Géneticos
Introducción Biológica
Definición de neuoribiología
Fundamentos de neurobiología
Morfología de la neurona
Funcionamiento Y comunicación neuronal
Neurobiología y Computación
Parámetros de las Redes de Neuronas
Aprendizaje de las Redes de Neuronas
Nociones de Aprendizaje Humano y Animal
Definición de Aprendizaje
Factores de Aprendizaje
Metodos de Aprendizaje
Aprendizaje Supervisado
Aprendizaje No supervisado
El Perceptrón
Utilidad de La IA y las Redes de Neuronas
Vocabulario y Conceptos Claves
DESCRIPCIÓN DE LOS CAMPOS DE LA IA
Actualmente existen 3 grandes campos de investigación de IA:
2.1 Sistemas Expertos
También llamados Sistemas del Conocimiento. Un Sistema Experto se ha definido como un sistema de computador que engloba conocimiento organizado referente a alguna area específica de la experiencia humana, dicho de otra forma intentar crear máquinas o programas con un comportamiento inteligente.
Para que un sistema experto sea verdaderamente considerado como tal debe de cumplir algunos aspectos tales que:
1. Ser capaces de aprender lo que los expertos humanos saben, de tal forma que sean capaces de elegir entre puntos de vistas que pertenecen al sistema humano.
2. Mantener y actualizar sus conocimientos al igual que los seres humanos, por medio de la lectura, de distintos planteamientos de cuestiones, asi como el aprendizaje a partir de la experiencia ya adquirida.
3. Presentar sus conclusiones a los usuarios humanos, justificando, explicando y razonando su modo
de razonamiento. Por lo que un Sistema Experto debe:
3.1 usar reglas heurísticas experimentales
3.2 Discurrir manipulando símbolos.
3.3 Resolver satisfactoriamente problemas complejos.
3.4 Interactuar inteligiblimente con los usuarios.
3.5 Poder interpretar, predecir, analizar, consultar... etc como lo hace los humanos.
Todos estos puntos que deben de cumplir un sistema experto son en la actualidad muy atrayentes en el campo de la IA, debido a que su construción es factible y a que funcionan.
Conexionismo
Del conexionismo también hablaremos más adelante así que me remitiré a dar una concepción breve de lo que es.
El conexionismo se preocupa por dar un funcionamiento inteligente y de dar características estructurales o anatómicas a una maquina inteligente. En este campo es donde las Redes de neuronas se inscriben al campo de la IA, dandole dicho nombre de conexionismo.
El objetivo del conexionismo es llegar a diseñar máquinas con elementos neuronales de procesamiento en paralelo, de forma que, el comportamiento global de esa red de neuronas plasmada en el ‘Hardware’ de la maquina emule estructural y funcionalmente el cerebro humano de la forma mas fiable.
//Tomamos como hardware al ordenador y al cuerpo humano, y tomamos como software al programa y al cerebro. Simil del ordenador.
Algoritmos genéticos
Trabajan en base a los operadores genéticos. Un operador genético consiste en una serie de pasos estructurados quese aplican a los cromosomas y forman resultado concretos, al igual que la lógia por ejemplo.
Basicamente intentan Simular evolución en un ordenador, proceso basado en la selección natural, en la reproducción y en las mutaciones (el juego de la vida por ejemplo) que son aplicadas repetitivamentes sobre una poblacion de cadenas binarias que representan soluciones bastantes potentes.
No entraremos en profundidad en este tema ya que esta charla trata sobre todo del Conexionismo
3.0 INTRODUCCIÓN NEUROBIOLOGICA
A continuación vamos a dar una explicación FISICA de cuál es el funcionamiento de las neuronas, ya que los modelos neuronales adquieren muchos factores de estas. Tanto conceptos como el funcionamiento es bastante similar.
DEFINICIÓN DE NEUROBIOLOGÍA
EL termino neurobiología embarca a todas aquellas disciplinas que estudian el sistema nervioso, ya sea su anatomía, su funcionamiento, su desarrollo, su farmacología o su patología. A partir de la neurobiología se abrieron muchas ramas de la ciencia tal como la psicobiología, neuropsicología, neuropharmacología... etc
La Neurobiólogia se encarga de estudiar todos los procesos físicos y mentales del cerebro a nivel de neuronas. Sobre todo se encarga de ‘la vida de las neuronas’: cual es su funcionamiento, su morfología... etc..
FUNDAMENTOS DE NEUROBIÓLOGICA
Entramos de lleno en el mundo de la neurobiología, para empezar empezaremos con la morfologias de las neuronas, su funcionamiento y su comunicación.
MORFOLOGÍA DE LAS NEURONAS
Una neurona es una unidad individual que es capaz de recibir y transmitir información en el sistema nervioso.
Su estructura general se divide en cuatro estructuras: (La interna no vamos a abordarla)
Soma: cuerpo celular que contiene el nucleo y la mayor parte de la maquinaria que mantiene los procesos vitales de la célula.
Dendritas: Las dendritas actúan como importantes RECEPTORES de la información intraneuronal.
Axon: en un tubo largo y alargado que lleva información desde el cuerpo celular hasta los botones terminales ( el mensajequellevan se llama potencial de acción breve impulso electríco que se inicia en el extremo del axón próximo al cuerpo celular y que viaja hasta el boton terminal). El axón puede estar recubierto por unasustancia llamada MIELINA.
Botón terminal: parte útima de la neurona, su función principal es la segregación de neurotransmisores
SOMA
AXON BOTON
dendritas Terminal
FUNCIONAMIENTO Y COMUNICACIÓN INTRANEURONAL
En base no es mas que la transmisión del mensaje (que es un impulso nervioso de carácter eléctrico) que es conducido a traves del cuerpo celular a lo largo del axón hasta el boton sinático para liberar alguna sustancia transmisora.
La neurona tiene un medio interno y un medio externo, tanto fuera como dentro tiene iones positivos y negativos, aunque cada medio suele tener una mayor concentración de iones, asi el medio interno tiende a ser negativo y el medio externo a positivo. De tal forma que el medio externo de la neurona lo constituyen fundalmentalmente Sodio (Na+) y Cloro (cl-) y en el medio interno potasio (K+) y Aniones (A-).
Para entender como se mantiene esta distribución de iones hay que entender dos conceptos claros :
1. Gradiante de Difusión: tendencia de las moléculas a homogeneizarse, yendo al lugar de menos moleculas.
2. Gradiante Electroestático: Hace referencia a las fuerzas de atracción y fuerzas de repulsión.
En el caso del Potasio el GD le empuja hacia fuera pero como el medio externo es positivo se repele.
En el caso de los aniones, el GD le empuja hacia fuera y el GE leatrae pero son demasiados grandes para transpasar la membrana.
En el caso del Sodio: El GD le obliga a entrar y el GE le atrae, pero no lo hace (pocos canales de sodio y la bomba de sodio potasio ke expulsa tres iones de sodio por cada dos de potasio)
Y en el caso del Cloro: el GD le empuja a entrar pero el GE lo repele.
Una vez entendido esto podemos ver QUÉ es el potencial de acción que se rige por la ley del todo o nada (50 mv):
EL POTENCIAL DE ACCION: El Potencial de Acción es un cambio breve en la permeabilidad de la membrana al paso de los iones de sodio y potasio. Su duración es de 4 milisegundos aproximadamente. Y solo se produce cuando superamos el úmbral mínimo de excitación.
20
-70
¿Qué provoca un cambio de permeabilidad?
Despolarización: Apertura de los canales de Sodio y Entrada de sodio:
Repolarización: Se cierran los canales de Sodio y se abren los de Potasio asi se produce una salida de potasio al exterior de la membrana:
Hiperpolarización: salida masiva de potasio:
Reposo: hay poco potasio fuera. La membrana se estabiliza.
El cambio de potencial se produce debido a la entrada de sodio al interior de la membrana, así como de la salida de potasio, ese cambio eléctrico se da alternativamente en el axón, a modo de ejemplo escogeremos una conducción local, dado en los axónes amielínicos.
- - - - - + + + + + + + + + + + + + + + + - - - - - - + + + + + + + + + + + + + + + + - - - - - -
axón axón axón
+ + + + - - - - - - - - - - - - - - - - - - - + + + + + - - - - - - - - - - - - - - - - - - + + + + +
En reposo los canales están muy abiertos para el potasio. La tendencia general es equilibrarse a -70mv, y este equilibrio se produce gracias a la bomba de sodio-potasio; la bomba de potasio actúa de tal forma que tiende a equilibrar el potencial de la membrana y lo hace sacando 1 de sodio por cada 3 de potasio que mete. Esta es su función, hacer que salga sodio y entre potasio.
Con la propagación del impulso nervioso la membrana se vuelve más permeable al sodio, así aparece el Potencial de Acción. Esta despolarización en el cono axónico es lo que provoca el cambio de potencial, aunque el Estimulo puede ser mecánico, térmico, eléctrico... etc.
Bueno una vez llegado el impulso eléctrico al boton sináptico este produce una apertura de canales de calcio que da lugar a la libreación de neurotransmisores para asi comunicarse con otra neurona. He aquí LA SINAPSIS lugar o región donde se estable la unión funcional entre neuronas. Los elementos de la sinpsis son:
espacio
sináptico
Membrana presináptica Membrana postsináptica
La membrana presinaptica libera al espacio sinaptico neurotransmisores que se acloparan en la membrana postsinaptica de la otra neurona transfiriendo asi el impulso eléctrico hacia la otra neurona.
Las sinapsis pueden ser (Quimica siempre en los humanos):
EXCITATORIAS que ocurre cuando el primer axón actúa sobre el segundo axón incrementando la cantidad de neurotransmisores que pude liberar el primer axón, esto es, es el proceso por el cual la neurona integra la información que reciben de los diferentes botones sináticos y
las INHIBITORIAS: cuando no pueden integrar esa información.
Los 5 puntos importantes dentro de la transmisión quimica son:
1. Biosintesis donde se fabrican la sustancias químicas y se sintetizan en el terminal del axón,
2. Alamacenamiento: estas sustancias químicas son empaquetadas
3. Liberación: cuando llegael impulso nervioso a la terminal presináptica con la apertura y entrada del calcio las vesiculas sinapticas migran hacia la membrana presináptica y se funde con ella, esta seabre y libera en el espaciosináptico las sustancias quimicas transmisoras.
4. Interacción conel Receptor: El objetivo es abrir canales ionicos en la membrana postsináptica, una vez abierta, estos receptores se acoplan y transmiten el impulso nervioso a la segunda neurona.
5. Desactivación: pos a) Desintegración enzimatica, donde enzimas destruyen los neurotransmisores que no se han aclopado en el espacio sinpatico o b) Recaptación: por la propia terminal presináptica, para ahorro de su energia.
NEUROBIÓLOGIA Y COMPUTACIÓN
Os preguntareis ¿qué tiene que ver esto con las redes neuronales? La respuesta tiene unos 50 añosde antigüedad, y es que las Redes Neuronales intentan simular el sistema nervioso humano, cuanto masse parezca la maquina a la persona mejor.
Hay dos corrientes teóricas que explican esto: Una es la de La teoria del Procesamiento de la informacíon y la que la rebate es el Conexionismo. A continuación os relato brevemente como conviven en la actualidad estas dos teorias:
1)Durante los últimos 30 años el enfoque cognitivo ha recibido un extraordinario empuje gracias al desarrollo de las ciencias y las tecnologías del procesamiento de la información que tienen su origen en el funcionamiento de los ordenadores. El rápido desarrollo de los ordenadores llevo a los psicólogos a establecer la Analogía entre el Cerebro y el Ordenador, por ntender que tanto uno como otros son mecanismos de procesamiento de la información.
En terminos generales se ha postulado que si los seres humanos manipulan información, es posible que tales manipulaciónes puedan ser descritas mediante el lenguaje conceptual utilizado para describir el funcionamiento de los ordenadores, que en definitiva, lo que hacen también es manipular información. En modo alguno se pretende afirmar que la mente humana tenga un funcionamiento igual o similar a la de los ordenadores o viceversa (interacción). Ambos comparten la misma hipótesis: se trata de sistemas físicos que procesan símbolos. Su hipótesis se basa (Newel y Simon) en que Un sistema de símbolos físicos cuenta con los medios necesarios y suficientes para realizar acciones inteligentes generales.
Aparte de esta teoría que pretende utilizar las computadoras para eemplificar concretamente una representación formal del mundo, la otra trata de simular las interacciones con las neuronas. Mientras la teoria del Procesamient ode la información pretende la resolucion de problemas como un paradgima de ka inteligencia, la segunda teoria pretende el aprendizaje. Mientras la primera utiliza la lógica, la segunda la estadística.
3) La segunda teoría es el Conexionismo y se inspira basicamente en la Neurociencia. Su base parte de que una masa de neuronas podían aprender si eran lo suficientemente exitadas. Esta idea base fue acogia por Rosenblatt quien propuso que la IA debería de intentar automatizar los procedimientos mediante los cuales una red de neuronas aprense a discriminar patrones y a responder adecuadamente.
Hoy en dia coexisten las dos teorias, por ejemplo La teoria del Procesamiento de la información trata de dar sentido común a La Inteligencia Artificial aunque hoy en dia esta un poco desfasada y machacada por la segunda, aunque hoy en dia la que tiene mas peso es el Conexionismo, ya que trabaja con redes neuronales, y actualmente es lo que impera.
Otras teorías como la de Smolensky (1989) sostiene que el conexionismo modele subconceptualmente a un nivel simbólico y neuronal, de tal forma que vemos un acercamiento cada vez más cercano a la unión de estas dos teórias
5. APRENDIZAJE EN LAS REDES NEURONALES
Para entender la base del aprendizaje de las redes neuronales empezaremos dando unos conceptos básicos sobre el aprendizaje en los seres vivos, ya que los conceptos básicos de estos son utilizados en las NNs y para un mayor entendimiento de ello daremos algunas nociones básicas.
5.1 NOCIONES BASICAS DEL APRENDIZAJE HUMANO Y ANIMAL
El aprendizaje se identifica por la aparición de una nueva Respuesta en el repertorio del organismo, es decir, el aprendizaje es un cambio en los mecanismos de conducta. Gran parte de las conducta se dan como Respuesta a los Estimulos. Sin embargo el cambio de conducta implicado en el aprendizaje puede también consistir en la disminución o pérdida de una conducta del repertorio del organismo.
COMPONENTES DEL APRENDIZAJE
Existen dos grandes corrientes importantes dentro del Condicionamiento:
condicionamiento clasico
condicionamiento Intrumental
1. EL PARADIGMA DEL CONDICIONAMIENTO CLÁSICO: El condicionamiento clasico es el mecanismo mas simple por el que los organismos aprenden a dar Respuestas nuevas y a prenden las relaciones entre los estimulos (Paulov, finales del XIX). Pavlov introdujo en sus experimentos los
Estimulos Condicional : estimulos con entrenamientos previo.
Estimulos incondicional: estimulos sin entrenamiento previo.
Respuesta Condicional: respuestas con entrenamientos previo.
Respuestas Incondicion: respuestas sin entrenamiento previo.
2. EL PARADIGMA DEL CONDICIONAMIENTO INSTRUMENTAL: Las respuestas que tienen lugar principalmente porque sirven de instrumento para producir ciertas consecuencias (Thondike,1898). Los procedimientos del condicionamiento instrumental son:
Reforzamiento Positivo: Las respuestas producen un estímulo apetitivo con pocas probabilidades de aparecer otros medios.
Castigo: La respuesta produce un estimulo aversivo con pocas probabilidades de volver a aparcer.
Reforzamiento Negativo: La respuesta interrumpe o impide la presentación de un estímulo aversivo que aparece frecuentemente.
Estrenamiento de Omisión: La respuesta interrumpe o impide la presentación de un estímulo apetitivo que aparece fercuentemente.
En consecuencia y resumiendo:
Existen dos tipos de estímulos: los reforzadores y los que actúan como castigo.
Los refuerzos incrementan la probabilidad de la a parición de una conducta.
Mientras que los castigos disminuyen la aparición de esa conducta.
De tal forma que:
R +
R -
C +
C –
+: Introduzco en el ambiente un estímulo
-: extraigo del ambiente un estímulo
: Aumenta la probabilidad de la conducta que surge, a continuación aparece un castigo o u refuerzo.
: Indica un decremento de la probabilidad, a la conducta le sigue un castigo o un refuerzo.
C+: cuando introducimos un estímulo aversivo en el ambiente y disminuimos la probabilidad de que no se vuelva a repetir esa conducta.
R-: Intentamos un incremento de una conducta pero extrayendo algo del ambiente; por ejemplo: si lavas los platos no lavas el coche.
C-: Time out: lo que hacemos es castigar una conducta apartándolo de la conducta ambiental, lo que tiene que ocurrir es que no haya estimulación en el castigo, en el castigo negativo no hay ningún tipo de estimulación; por ejemplo el cuarto oscuro, al individuo no se le mandará al cuarto oscuro si se lo pasa bien en él.
R+: es un refuerzo que se le hace cuando ha tenido una buena conducta.
APRENDIZAJE EN LAS REDES NEURONALES
INTRODUCCION
Se define aprendizaje en las redes de neuronas como el proceso mediante el cual la red va modificando sus respuestas ante sus entradas para irse adaptando paulatinamente al funcionamiento que se considera correcto.
‘El conocimiento de la red’ está almacenada en los pesos sinápticos. El proceso de aprendizaje consiste en la modificacion de esos pesos para conseguir que ante determinados Estimulos, las neuronas de las diferentes capas ponderen adecuadamente las señales que les llegan para dar finalmente una respuesta correcta. // a excepción de esto están las Redes de Hopfield que simulan el comportamiento instintivo, mientras que las demas redes simulan el comportamiento aprendido.
1. Durante la fase de aprendizaje se entrena a la red para que vaya modificando sus pesos sinápticos, adaptandolos paulatinamentes para que la Respuesta de la red sea correcta
2. Después viene la fase de funcionamiento real o fase de ejecución, durante la cual la red ya es operativa y sus pesos sinápticos no volveran a ser modificados. En esta fase se le pide a la red que responda a estímulos diferentes a los presentados durante la fase de entrenamiento. Gracias a los ejemplos aprendidos en los patrones de E-R, la red deberá de ser capaz de generalizar hasta cierto punto y dar respuestas correctas ante patrones de estímulos nuevos. es decir una vez terminado el aprendizaje la red ante entradas similares producira salidas correctas. (la información puede ser numérica, gráfica o cuantitativa).
Una vez la red este entrenada se le sigue suministrando información de entrada a la red, sin ajustar ahora los pesos sinápticos. La red evaluará y dará una respuesta.
5.2 METODOS DE APRENDIZAJE (ENTRENAMIENTO)
5.2.1 APRENDIZAJE SUPERVISADO
Consiste en presentarle a la red repetitivamente patrones de Estimulos de entradas pertenecientes a un conjunto de ensayo que esta formado por patrones de ‘ Estimulos-Respuestas ’.
La respuesta que da la red se compara con la correcta de dicho patron y a partir de esa comparacion se reajustan automáticamente los pesos sinápticos, los reajustes de los pesos sinápticos está orientado a que ante el patron de entrada la red de la Respuesta correcta.
5.2.2 APRENDIZAJE NO SUPERVISADO
En este tipo de aprendizaje no se le especifica a la red neuronal cual debe de ser la respuesta correcta ( No hay una comparación entre la Respuesta de la red y la Respuesta deseada). Aquí no hay ninguna influencia externa de la red, simplemente se le suministran grandes cantidades de datos con lo que la red puesd sacar sus propias asociaciones. Se necesita pues una cantida mayor de patrones de entrada durante el entrenamiento para que la red pueda reajustar correctamente sus pesos sinápticos.
Este modelo lo que hace es exigirle a la red que capte por sí mima alguna de las características de los datos de entrada, de echo en el parendizaje no supervisado se pretende que las neuronas se autoorganicen aprendiendo a captar las regularidades de los datos de entrada sn suministrarles ningun tipo de criterio o ayuda externa que diriga dicha autoorganización.
Hay diversos tipos de aprendizajes, no solo estos. Cualquier cambio en un sistema de Ia, tal como la incorporación de un nuevo hecho, la edicion de un componenete nuevo a la estrategia de control, o una reorganización progunda de la arquitectura del sistema son Respuestas a la experiencia de un entorno, es decir Aprendizaje Adaptativo
5.2.3 REGLAS DE APRENDIZAJE
EL procedimiento o regla de aprendizaje es el verdadero corazón de una red de neurnas. Es lo que hace a las redes de neuronas diferenciarse de un programa convencional. A medida que la red aprende se van modificando sus pesos sinápticos.
Es facil ver que en redes de una única capa es un proceso sencillo de ajustar los pesos sinápticos a la respuesta correcta, monotorizando cada neurona individualmente. Asi la relacion E-R de cada neurona es bien conocida ya que depende basicamente de sus funciones de activación y transferencia. ( Simplemente despejando la ecuación lo obtendriamos)
EL problema es ajustar los pesos sinápticos en redes de múltiples capas. Algunos de los modelos multicapas son: (las veremos muy por encima para no extenderme mas de la cuenta)
REGLAS DE HEBB (PARA APRENDIZAJE NO SUPERVISADO)
Donald O. Hebb en 1949 defendió la idea de que las neuronas biólogicas deben sus peculiriadidades de procesamiento de la información a su capacidad de autoorganización.
Hebb mantenía que la capacidad de aprendizaje de las neuronas radificaba en su habilidad para modificar sus conexiones, establecer sinápsis nuevas.. etc.
Para hebb el principio de de autoorganización neuronal era que una sinápsis aumenta en eficacia (peso sináptico) si las dos neuronas conecatadas por ella tienden a estar activas o inactivas simultáneamente. En caso contrartio la fueraza de conexión se atenuara.
Hebb mas a delante desarrollo una regla para aprendizaje no supersivado, el inicio del perceptrón que mas adelante explicaremos.
Wij = Ai(t) Oj (t)
REGLA DELTA ( APRENDIZAJE SUPERVISADO)
B. Windrow y Hoff diseñaron una red que se llama ADALINE (ADAptative LINear Element). Se trata de una sencilla red con función de activación lineal y función de transferencia de umbral.
Las neuronas estaban organizadas en una red de dos capas alimentadas hacia delante (-> la información de mueve en un solo sentido, de atrás hacia delante).
Esta red trabaja mediante el esquema de aprendizaje supervisado, es decir se le presenta los Estimulos de entrada a la red y se va comparando las respuestas de cada neurona con la que deberia de dar, de tal forma que se van cambiando los pesos sinápticos proporcionalmente al error entre la respuesta dada por la res y la respuesta correcta. Aquí se modifican TODOS los pesos sinápticos.
El contra de este procedimiento de aprendizaje es qye con mas de dos capas es imposible utilizarlo ya que no se sabe cual es la activación que estan teniendo, ni cual es la que deberían de tener cada una de las neuronas intermedias.
REGLA DE RETROPROPAGACIÓN O DELTA GENERALIZADA (APRENDIZAJE SUPERVISADO)
La novedad de este procedimiento es que nos permite trabajar con redes multicapas, y deben de ser redes alimentadas hacia delante.
Se trabaja con grupos de Estímulos y Respuestas, puesto que este procedimiento trabaja con un esquema de Aprendizaje Supervisado. (reajustamos los pesos si la respuesta correcta es distinta a la respuesta dada).
La regla de aprendizaje de retropropagación se apoya en el conocido método del gradiente descendente que consiste en modificar los pesos sinápticos de todas las sinapsis de la red con el objetivo de haer el mínimo el error que se comoete con todo el conjunto de Estimulos y respuestas dadas.
Este procedimiento se basa en permitir propagar el error hacia atrás a través de sucesivas caàs de neuronas, ajustando los pesos de todas ellas. Así el error que se comente en una neurona intermedia es igual al error a la de la capa siguiente a la que esta conectada por el peso de conexión que había entre ellas.
METODO CONSTRUCTIVO DE APRENDIZAJE
Este procedimiento es bastante nuevo y parte de una concepción dinámica de la red, la cual puede crear nuevas neuronas según sus necesidades.
El concepto de entrenamiento es que cuando una neurona desalida comete un error (da una salida diferente a la deseada) se puede siempre conectar a través de ella una nueva neurona que cometa un error menor. Asi la primera neurona deja de ser de salida y la segunda pasa a ser la neurona de salida. Este procedimiento se va repitiendo sucesivamente hasta crear una ramificación en arbol de red, añadiendo nuevas neuronas de salida en el momento de su creación y ampliando asi el número de capas de un modo dinámico.
PERCEPTRÓN ( Winter)
UTLIDAD DE LA IA Y LAS REDES DE NEURONAS
Utilidades en Psicología: La utilización fundamental que se le a dado en psicologia es la de poder conocer vias neuronales que aun no se conocen, mediante la simulación en el ordenador. Cogiendo el modelo neuronal se pueden hallar nuevas estructuras que aun no conocemos del cerebro.
No solo se utiliza en NeuroPsicobiologia, también es utilizada en procesos cognitivos tales como al memoria, el lenguaje.. etc
Utilidades en Telefonía: operadora de telefonía que te atiende y busca la solución mas rapida a tu problema, si no tiene dicha información la incorpora y la aprende.
Utilidades en Medicina: hoy en dia existe una dirección de internet don de una Ia te atiende, tu le pones los sintomas y el los introduce y elabora para responder la receta adecuada.
VOCABULARIO Y CONCEPTOS CLAVES
Neurona: Una neurona es una unidad individual que es capaz de recibir y transmitir información en el sistema nervioso.
SINAPSIS: lugar o región donde se estable la unión funcional entre neuronas. La membrana presinaptica libera neurotransmisores que se acloparan en la membrana postsinaptica de la otra neurona transfiriendo asi el impulso eléctrico hacia otra neurona.
Excitatoria: incrementa el flujo electrico
Inhibitoria: Disminuye el flujo electrico
Peso Sináptico: noción biológica de fuerza de unión de la sinápsis. Un peso sera fuerte cuando contribuye a un gran aporte de información al nuevo estado de la neurona, y de la respuesta que esta elabore. En Nns son valores numéricos
Activación: Grado de excitación de una neurona. NETi, este es variable en función a las entradas que reciba la neurona.
INPUT (entrada): entrada de información que se elaborara.
OUTPUT (salida): Respuesta de la neurona, salida de informacion.
Aprendizaje : Se define aprendizaje en las redes de neuronas como el proceso mediante el cual la red va modificando sus respuestas ante sus entradas para irse adaptando paulatinamente al funcionamiento que se considera correcto.
Reforzamiento Positivo: Las respuestas producen un estímulo apetitivo con pocas probabilidades de aparecer otros medios.
Castigo: La respuesta produce un estimulo aversivo con pocas probabilidades de volver a aparcer.
Reforzamiento Negativo: La respuesta interrumpe o impide la presentación de un estímulo aversivo que aparece frecuentemente.
Estrenamiento de Omisión: La respuesta interrumpe o impide la presentación de un estímulo apetitivo que aparece fercuentemente.