Conceptos Clave Redes Neuronales y Razonamiento Probabilístico

Redes Neuronales

• Neuronas: Se conectan vía conexiones sinápticas: excitadoras o inhibidoras.
• Las neuronas contienen un potencial interno continuo llamado: potencial de membrana.
• Las redes neuronales artificiales están compuestas por una gran cantidad de procesadores conectados entre sí y que actúan en paralelo.

• Características de las redes neuronales:

  • Aprendizaje adaptativo
  • Auto-organización
  • Operación en tiempo real
  • Tolerancia a fallos parciales
• Aprendizaje adaptativo: Las RNA aprenden a realizar tareas a partir de un conjunto de datos durante el proceso de aprendizaje.
• Auto-organización: Pueden crear su propia organización o representación de la información recibida.
• Operación en tiempo real: Pueden ser implementadas en computadoras paralelas o dispositivos de hardware especiales que aprovechan esta capacidad.
• Tolerancia a fallos parciales: La destrucción parcial de una red daña su funcionamiento, pero no lo destruye completamente debido a la redundancia.

• El aprendizaje:

  Consta de la fase de aprendizaje o entrenamiento y la fase de prueba.

• Métodos de aprendizaje:

  • Supervisado (requiere patrones de entrada y salida)
  • No supervisado (consiste solo en patrones de entrada)

• Funciones de activación:

  • Lineales
  • Paso
  • Sigmoidales

• Arquitectura de red:

  Conexiones hacia adelante, laterales y hacia atrás (recurrentes).
• Redes multicapa o de retropropagación.

Razonamiento con Incertidumbre y Probabilidad

• Razonamiento con incertidumbre: Es el arte de representar y razonar con resúmenes de excepciones. Implica un compromiso entre seguridad y eficiencia del proceso.
• La lógica de predicados falla por tres razones:
  • Pereza (requiere enumerar una lista exhaustiva de antecedentes)
  • Ignorancia teórica (la ciencia no tiene una teoría completa para algunos dominios)
  • Ignorancia práctica (no se dispone de los chequeos necesarios)
• Notación básica de probabilidades: Se basa en proposiciones.

• Tipos de variables:

  • Booleanas
  • Discretas
  • Continuas
• Suceso atómico: Es una especificación completa del estado del mundo.

• Fuentes de incertidumbre:

  • Información disponible
  • Conocimiento del dominio
  • Representación del conocimiento
• Tratamiento de la incertidumbre: Puede medirse o ponderarse.
• Axiomas de probabilidad: Todas las probabilidades están entre 0 y 1.
• Distribución de probabilidad conjunta: Especifica completamente las asignaciones probabilísticas que un agente da a todas las proposiciones del dominio.
• Modelo probabilístico de un dominio: Está formado por un conjunto de variables aleatorias que asumen determinados valores.
• Evento atómico: Es la asignación de valores particulares a todas las variables, constituyendo una especificación total del estado del dominio.
• Probabilidad conjunta: Es una tabla n-dimensional donde cada celda especifica la probabilidad de que se produzca un determinado estado.