Conceptos

Para empezar a hablar de la Inteligencia Artificial y sus ramas debemos entender varios conceptos
de importancia.
Que entendemos como inteligencia y artificial?
Inteligencia : Es la capacidad de entender, asimilar, elaborar información y utilizarla adecuadamente (wiki).
Artificial: Que no ha sido hecho por la naturaleza, sino por el ser humano u otro ser inteligente. (wiki).

Entonces podemos resumir que es la capacidad que tiene un agente (software o hardware) para poder aprender y utilizar el conocimiento para un proposirto en especifico.


Ramas de la IA

• Sistemas Expertos
• Robotica
• Visión por Computadora (Reconocimiento de patrones)
• Redes Neurales.
• Logica Difusa
• Algoritmos Geneticos
• Agentes.
• etc.

Personalmente me enfoque a las Redes Neuronales y Algoritmos Geneticos pero como se vaya avanzando abarcaremos mas temas.


REDES NEURONALES ARTIFICIALES

Lo que se busca es simular el comportamiento de la neurona biologia en software para
obtener el mismo potencial que se tiene con la neurona biologica.

Neurona Biologica
Nuestro cerebro esta conformado por millones de estas celulas que eventualmente se iran interconectando.
La neurona consta de 3 principales elementos:

• Las dendritas: Son ramificaciones que se encargan de

• El soma: realiza la suma de esas señales de entrada

• Axón: Fibras largas que se encargan de llevar la señal de una neurona a otra

Neurona Artificial
Una neurona Artificial es una imitacion del proceso de una neurona biologica, puede asemejarse a un sumador hecho con un amplificador operacional


Existen varias formas de nombrar una neurona artificial, es conocida como nodo, neuronodo, celda, unidad o elemento de procesamiento (PE); En la figura se observa un PE en forma general y su similitud con una neurona biológica.

De la observación detallada del proceso biológico se han hallado los siguientes análogos con el sistema artificial:

• Las entradas X_i representan las señales que provienen de otras neuronas y que son capturadas por las dendritas.
• Los pesos W_i son la intensidad de la sinápsis que conecta dos neuronas; tanto X_i como W_i son valores reales.
• es la función umbral que la neurona debe sobrepasar para activarse; este proceso ocurre biológicamente en el cuerpo de la célula.

Las señales de entrada a una neurona artificial X₁, X₂,.., X_n son variables continuas en lugar de pulsos discretos, como se presentan en una neurona biológica. Cada señal de entrada pasa a través de una ganancia o peso, llamado peso sináptico o fortaleza de la conexión cuya función es análoga a la de la función sináptica de la neurona biológica. Los pesos pueden ser positivos (excitatorios), o negativos (inhibitorios), el nodo sumatorio acumula todas las señales de entradas multiplicadas por los pesos o ponderadas y las pasa a la salida a través de una función umbral o función de transferencia.

Caracteristicas

Un modelo más académico que facilita el estudio de una neurona, puede visualizarse en la figura:

Las entradas a la red serán ahora presentadas en el vector p, que para el caso de una sola neurona contiene solo un elemento, w sigue representando los pesos y la nueva entrada b es una ganancia que refuerza la salida del sumador n, la cual es la salida neta de la red; la salida total está determinada por la función de transferencia , la cual puede ser una función lineal o no lineal de n, y que es escogida dependiendo de las especificaciones del problema que la neurona tenga que resolver; aunque las RNA se inspiren en modelos biológicos no existe ninguna limitación para realizar modificaciones en las funciones de salida, así que se encontrarán modelos artificiales que nada tienen que ver con las características del sistema biológico.

Fuente:
http://ohm.utp.edu.co/neuronales/Capitulo1/RNArtificial.htm