Documente Academic
Documente Profesional
Documente Cultură
1 INTRODUCCIN
Este documento pretende dar un panorama general
de lo que es una Inteligencia Artificial (desde ahora IA),
una Red Neuronal Artificial (desde ahora RNA) y
algunos algoritmos ms usados (Perceptron y
BackPropagation).
Se hablara de la actualidad de las redes
neuronales aplicadas a la industria de la robtica y se
dar una breve visin a futuro.
2 OBJETIVOS
Estos son algunos objetivos generales que se
pretenden
3 NOCIONES TERICAS
El hombre se ha aplicado a s mismo el nombre
cientfico de hombre sabio (homo sapiens) como una
valoracin de la trascendencia de sus (nuestras)
habilidades mentales, tanto para la vida cotidiana como
para el propio sentido de identidad. Los esfuerzos de la
Inteligencia Artificial (IA), por su parte, se enfocan en
lograr la comprensin de entidades inteligentes. Por ello,
una de las razones de su estudio y anlisis es aprender
acerca de los propios seres humanos, pero a diferencia
de la Filosofa y de la Psicologa (que tambin se
ocupan de la inteligencia), los esfuerzos de la IA estn
encaminados tanto a la construccin de entidades
inteligentes, como a su comprensin .Mencionaremos
los fundamentos tericos en los cuales se basa la IA as
Tabla 1.
.
Cada una consta de caractersticas especiales, as como
de una funcin especfica. Nuestro inters ser
orientado a las RNA.
En general Stuart Russell y Peter Norvig diferencian la
inteligencia artificial partiendo de los cuatro enfoques
antes vistos:
Figura1.ELEMENTOS NEURALES
Sistemas
que
actan
racionalmente
(idealmente). Tratan de emular de forma racional
el comportamiento humano; por ejemplo los
agentes inteligentes. Est relacionado con
conductas inteligentes en artefactos.
Figura2.Perceptron simple
.
Los primeros modelos de redes neuronales datan
de 1943 por los neurlogos Warren McCulloch y Walter
Pitts. Aos ms tarde, en 1949, Donald Hebb desarroll
sus ideas sobre el aprendizaje neuronal, quedando
reflejado en la "regla de Hebb". En 1958, Rosenblatt
desarroll el perceptrn simple, y en 1960, Widrow y
Hoff desarrollaron el ADALINE, que fue la primera
aplicacin industrial real.
Figura 4.Perceptron clsico.
3.2.1 PERCEPTRON
En el machine learning, el perceptrn es un
algoritmo para la supervisin de aprendizaje de
clasificadores binarios: Funciones que pueden decidir si
una entrada (representada por un vector de nmeros)
pertenece a una clase u otra. Se trata de un tipo de
clasificador lineal, es decir, un algoritmo de clasificacin
que hace que sus predicciones basadas en una funcin
de predictor lineal que combina un conjunto de pesos
con el vector de caractersticas. El algoritmo permite el
aprendizaje en lnea, en la que se procesa elementos
del conjunto de entrenamiento uno a la vez.
3.3 IA EN ROBOTICA
Los robots son agentes fsicos que realizan tareas
mediante la manipulacin fsica del mundo. Para realizar
dichas tareas estn equipadas con efectores como
piernas, ruedas, articulaciones y pinzas. Los efectores
tienen un nico propsito: transmitir fuerzas fsicas al
entorno. Los robots tambin estn equipados con
sensores, que les permiten percibir el entorno. Hoy en
da, los robots utilizan diversos tipos de sensores,
incluyendo cmaras y ultrasonidos para medir el
entorno, y giroscopios y acelermetros para medir el
propio movimiento del robot.
La mayora de los robots actuales se basan en una
de las siguientes tres categoras.
3.2.2 BACKPROPAGATION
La retropropagacin del error es un entrenamiento
supervisado que se emplea para redes multicapa, donde
se ajusta el valor de los pesos en funcin del error
generado. Esta tcnica es muy empleada ya que permite
tener un mtodo de optimizacin que se encuentra al
definir el gradiente del error y minimizarlo con respecto a
los parmetros de la red
Hay algunos principios para entrenar una red
multicapa empleando el algoritmo de retropropagacin
pero en este caso no ahondaremos en ello, tampoco en
su modelo matemtico, cabe mencionar que debido a su
importancias algunos software matemticos como ser
Matlab poseen funciones (newff crea una red de
neuronas de tipo feedforward) que facilitan el uso y la
implementacin de las redes neuronales.
.
estocsticos, dinmicos y continuos. Algunos de estos
ambientes son a la vez secuenciales y multiagente. Los
observados parcialmente y los estocsticos son el
resultado de interactuar con un entorno grande y
complejo. El robot no puede ver alrededor de las
esquinas, y las rdenes de movimiento estn sujetas a
la incertidumbre generada por el deslizamiento y la
friccin de los engranajes. Adems el obstinado mundo
real rechaza operar ms rpido que el tiempo real. En un
entorno simulado, es posible utilizar algoritmos sencillos
(como el algoritmo Q-learning) para aprender en unas
pocas horas de proceso realizando millones de pruebas.
En un entorno real dichas pruebas tardaran aos en
realizarse. Adems los fallos con un robot real pueden
ser peligrosos, cosa que en un sistema simulado no
pasa. Los sistemas robticos prcticos necesitan que se
incorpore conocimiento inicial sobre el robot, el ambiente
fsico y las tareas que el robot realizar para que el robot
pueda aprender de manera rpida y segura.
5 CONCLUSIONES
6 REFERENCIAS
[1] Dr. Ponce ,Inteligencia Artificial con Aplicaciones a la
Ingenieria,Primera Edicion. Alfaomega, 2010.
[2] S. Russell and P. Norvig, Inteligencia Artificial Un Enfoque
Moderno, Segunda Edicion. Pearson 2004.
[3] W.-K. Chen, Linear Networks and Systems (Book style).
Belmont, CA: Wadsworth, 1993, pp. 123135.
[4] Introduccin Informal a Matlab y Octave de Guillem Borrell i
Nogueras : http://iimyo.forja.rediris.es/
[5] Salichs, Miguel A.; Malfaz, Mara; Gorostiza, Javi F. (201010-01). Toma de Decisiones en Robtica. Revista
Iberoamericana de Automtica e Informtica Industrial RIA
[6] R. P. Dez, A. G. Gmez, and N. de Abajo Martnez.
Introduccin a la inteligencia artificial: Sistemas expertos,
redes neuronales artificiales y computacin evolutiva.
Universidad de Oviedo, 2001.
[7] Richard Sutton y Andrew Barto. Aprendizaje por refuerzo:
Una introduccin .MIT Press, 1998.
[8] DeepMind Technologies Investors. Consultado el 02 de
abril de 2016.