C1 - Inteligencia Artificial

Inteligencia Artificial (IA)

M.I.A. Octavio Ramos FigueroaE-mail: UX99979776@UX.EDU.MX WhatsApp: 2281124551

Enfoque híbrido Modelo constructivista

Robótica

Procesamiento del lenguaje natural

Redes neuronales

Técnicas básicas de la IA

Sistemas expertos

Reconocimiento de patrones

Algoritmos genéticos

Representación del conocimiento

Búsqueda de soluciones

Redes neuronales

¿Qué es una red neuronal?¿Cuáles son las aplicaciones que tiene una red neuronal en la IA?

Las redes neuronales: son sistemas compuestos por estructuras de red con un gran número de conexiones entre diferentes capas de procesadores, los cuales a su vez tienen asignadas diferentes funciones, dentro de dichos procesadores se efectúa una labor de aprendizaje por la reproducción de las salidas de un conjunto de señales de entrenamiento.

Se puede decir que las redes neuronales constituyen una tecnología, la cual trata con éxito algunos problemas clásicos de la IA, haciendo énfasis en el reconocimiento de formas y de la palabra hablada.

Redes neuronales

Robótica

Procesamiento del lenguaje natural

Redes neuronales

Técnicas básicas de la IA

Sistemas expertos

Reconocimiento de patrones

Algoritmos genéticos

Representación del conocimiento

Búsqueda de soluciones

Procesamiento de lenguaje natural

¿Qué es el procesamiento del lenguaje natural?¿Cuáles son las aplicaciones que tiene el procesamiento del lenguaje natural en la IA?

El lenguaje natural (o lenguaje ordinario) es el que utiliza una comunidad lingüística con el fin primario de la comunicación, y se ha construido con reglas y convenciones lingüísticas y sociales durante el período de constitución histórica de nuestra sociedad.

El procesamiento del lenguaje natural dentro de la IA consiste en:Procesamiento del lenguaje escrito, requiere el conocimiento léxico, sintáctico y semántico de las palabras, y del mundo real.

El procesamiento del lenguaje natural dentro de la IA consiste en:Procesamiento del lenguaje real, requiere conocimientos de fonología y de la información para manejar ambigüedades que se presenten en el habla; también requiere de los conocimientos para el procesamiento de lenguaje escrito.

Se puede decir que el procesamiento del lenguaje natural es una de las técnicas más interesante en la IA, ya que tiene por objetivo estudiar el lenguaje de los seres humanos para poder acceder desde a una computadora hasta todo tipo de dispositivos electrónicos inteligentes.

Procesamiento de lenguaje natural

Robótica

Procesamiento del lenguaje natural

Redes neuronales

Técnicas básicas de la IA

Sistemas expertos

Reconocimiento de patrones

Algoritmos genéticos

Representación del conocimiento

Búsqueda de soluciones

Reconocimiento de patrones

¿Qué es el procesamiento reconocimiento de patrones?¿Cuáles son las aplicaciones que tiene el reconocimiento de patrones en la IA?

El reconocimiento de patrones se utiliza para clasificar e identificar los subgrupos con características comunes en un grupo, y con el grado de asociación se obtiene una conclusión diferente.

Los algoritmos desarrollados en esta área son herramientas útiles en otros campos como en el reconocimiento de lenguaje natural, la visión por computadora, reconocimiento de imágenes, reconocimiento de señales, el diagnóstico de fallos de equipos, el control de procesos, etcétera.

De manera general se puede decir que el reconocimiento de patrones consiste en medir el parecido entre formas y su comparación cuantitativa, es decir, es un método formal para medir el parecido o similitud entre dos formas, o fenómenos que representan cierta regularidad.

Reconocimiento de patrones

Reconocimiento de patrones:Aplicaciones

Robótica

Procesamiento del lenguaje natural

Redes neuronales

Técnicas básicas de la IA

Sistemas expertos

Reconocimiento de patrones

Algoritmos genéticos

Representación del conocimiento

Búsqueda de soluciones

Representación del conocimiento

¿Qué es representación de conocimiento?¿Cuáles son las aplicaciones que tiene la representación del conocimiento en la IA?

El uso del conocimiento proporciona una forma de resolver problemas complejos explotando las estructuras de los objetivos involucrados. El agente que actúa inteligentemente requiere tener una representación del ambiente sobre el que actúa, o por lo menos de los aspectos que son relevantes para resolver un problema.

Es fundamental distinguir diversas formas de conocimiento, según el problema a solucionar, siendo los principales:Conocimiento general, leyes que cumplen sobre un conjunto de objetos. Puede presentarse como fórmulas matemáticas o lógicas, o de manera informal, el lenguaje hablado / escrito.

Es fundamental distinguir diversas formas de conocimiento, según el problema a solucionar, siendo los principales:Conocimiento procedural, secuencias de acciones a seguir, se pueden representar mediante diagramas de flujo, algoritmos, etcétera.

Es fundamental distinguir diversas formas de conocimiento, según el problema a solucionar, siendo los principales:Conocimiento factual, hechos.

Es fundamental distinguir diversas formas de conocimiento, según el problema a solucionar, siendo los principales:Metaconocimiento, conocimiento sobre el conocimiento. Puede ser una forma extremadamente importante de conocimiento, sobre todo en sistemas que aprenden.

La representación del conocimiento, consiste en encontrar una correspondencia entre el “cuerpo del conocimiento” y un “sistema simbólico” que lo denote o le haga referencia y que además, permita solucionar problemas con base de dicha correspondencia.

El fin de la representación de conocimiento es organizar la información sobre el dominio o tema a tratar, de tal manera que el programa de la Inteligencia Artificial puede acceder fácilmente a la información para hacer decisiones, planear, reconocer objetos y situaciones, analizar, sacar conclusiones y otras funciones cognitivas.

Representación del conocimiento

Robótica

Procesamiento del lenguaje natural

Redes neuronales

Técnicas básicas de la IA

Sistemas expertos

Reconocimiento de patrones

Algoritmos genéticos

Representación del conocimiento

Búsqueda de soluciones

Búsqueda de soluciones

¿Qué es búsqueda de soluciones?¿Cuáles son las aplicaciones de la búsqueda de soluciones en la IA?

Las búsquedas proporcionan una forma de resolver los problemas en los que no se dispone de un método más directo como una estructura con técnicas directas existentes

Las búsquedas proporcionan una forma de resolver los problemas en los que no se dispone de un método más directo como una estructura con técnicas directas existentes.

Búsqueda de soluciones

Robótica

Procesamiento del lenguaje natural

Redes neuronales

Técnicas básicas de la IA

Sistemas expertos

Reconocimiento de patrones

Algoritmos genéticos

Representación del conocimiento

Búsqueda de soluciones

Robótica

Dentro de las técnicas de la IA la robótica es de las más beneficiadas, debido a que tiene por objetivo la construcción de robots inteligentes capaces de funcionar con autonomía. La robótica se ocupa de tareas motrices y perceptuales, es decir la robótica es la conexión inteligente entre la percepción y la acción.

La construcción de robots autónomos se realiza teniendo presente ciertas capacidades como lo son:

1. La percepción básica, misma que implica la visión, la capacidad de identificar y reconocer sonidos, la habilidad de identificar olores y el sentido del tacto.
2. La función motriz comprende la habilidad de moverse en forma autónoma y la manipulación de símbolos.

Aplicaciones de la robótica inteligente

Actividad sincrónica 2: Infografía - Técnicas de la IA

En equipo diseñen una infografía sobre las técnicas de la IA.

• Utilizar la herramienta de tu preferencia.
• Cargar en la plataforma tu presentación (ActividadSincrónica2_Nombre)..

Introducción

Agentes de estimulo-respuesta

¿Qué es un agente?

Un agente es cualquier cosa capaz de percibir su medioambiente con la ayuda de sensores y actuar en ese medio utilizando actuadores.

Aplicaciones de la robótica inteligente

El término percepción se utiliza en este contexto para indicar que el agente puede recibir entradas en cualquier instante. La secuencia de percepciones de un agente refleja el historial completo de lo que el agente ha recibido.

Un agente tomará una decisión dependiendo de la secuencia completa de percepciones hasta ese instante. Si se puede especificar qué decisión tomará un agente para cada una de las posibles secuencias de percepciones, entonces se habrá explicado lo que se puede decir de un agente.

En términos matemáticos se puede decir que el comportamiento del agente viene dado por la función del agente que proyecta una percepción dada en una acción.

Tomar decisión

Actuar

La función que describe el comportamiento de un agente se puede presentar en forma de una tabla que indique la acción a realizar para cada secuencia de percepciones que se pueda generar.

Función del agente

Programa del agente

Ejemplo: el mundo de la aspiradora

Este mundo es tan simple que se puede describir todo lo que en él sucede; es un mundo hecho a medida, para el que se pueden inventar otras variaciones.Este mundo en particular tiene solamente dos localizaciones: cuadrícula A y B. La aspiradora puede percibir en qué cuadrante se encuentra y si hay suciedad en éI. Puede elegir si se mueve hacia la izquierda, derecha, aspirar la suciedad o no hacer nada

A B

Ejemplo: el mundo de la aspiradora

Una función muy simple para el agente vendría dada por: si la cuadrícula en la que se encuentra está sucia, entonces aspirar, de otra forma cambiar de cuadrícula.

A B

Ejemplo: el mundo de la aspiradora

Tabla parcial de una función de agente sencilla para el mundo de la aspiradora

Ejemplo: el mundo de la aspiradora

¿Qué otros escenarios puede haber?

Ejemplo: el mundo de la aspiradora

¿Qué otros escenarios puede haber?

Buen comportamiento: el concepto de racionalidad

Un agente racional es aquel que hace lo correcto; en términos conceptuales, cada elemento de la tabla que define la función del agente se tendría que rellenar correctamente. Obviamente, hacer lo correcto es mejor que hacer algo incorrecto, pero ¿qué significa hacer lo Correcto?

Buen comportamiento: el concepto de racionalidad

Como primera aproximación, se puede decir que lo correcto es aquello que permite al agente obtener un resultado mejor. Por tanto, se necesita determinar una forma de medir el éxito. Ello, junto a la descripción del entorno y de los sensores y actuadores del agente proporcionar una especificación completa de la tarea que desempeña el agente- Dicho esto, ahora es posible definir lo que significa la racionalidad.

Buen comportamiento: el concepto de racionalidad

Medida de rendimiento

Ruta más corta para llegar desde J hasta I

Buen comportamiento: el concepto de racionalidad

Racionalidad

Buen comportamiento: el concepto de racionalidad

La racionalidad en un momento determinado depende de cuatro factores: 1. La medida de rendimiento. 2. El conocimiento del medioambiente. 3. Las acciones que se pueden llevar a cabo. 4. La secuencia de percepciones.

Buen comportamiento: el concepto de racionalidad

Agente racional

Buen comportamiento: el concepto de racionalidad

En cada posible secuencia de percepciones, un agente racional deberá emprender aquella acción que supuestamente maximice su medida de rendimiento basándose en las evidencias aportadas por la secuencia de percepciones y en el conocimiento que el agente mantiene almacenado.

Ruta más corta para llegar desde J hasta I

Participación 2: La ruta más corta

Genera todas las posibles rutas desde J hasta I para que identifiques la ruta más corta.

• Utilizar la herramienta de tu preferencia.
• Subir a plataforma (Particiáción2_Nombre).

Buen comportamiento: el concepto de racionalidad

Omnisciencia

Buen comportamiento: el concepto de racionalidad

Es necesario tener cuidado al distinguir entre racionalidad y omnisciencia. Un agente omnisciente conoce el resultado de su acción y actúa de acuerdo con él; sin embargo, en realidad la omnisciencia no es posible.

Buen comportamiento: el concepto de racionalidad

Ejemplo: Estoy paseando por los Campos Elíseos y veo un amigo al otro lado de la calle. No hay tráfico alrededor y no tengo ningún compromiso. Entonces, actuando racionalmente, comenzaría a cruzar la calle. Al mismo tiempo, a 33.000 pies de altura, se desprende la puerta de un avión, y antes de que termine de cruzar al otro lado de la calle me encuentro aplastado. ¿Fue irracional cruzar la calle?

!=

Buen comportamiento: el concepto de racionalidad

Este ejemplo muestra que la racionalidad no es lo mismo que la perfección. La racionalidad maximiza el rendimiento esperado, mientras la perfección maximiza el resultado real. Alejarse de la necesidad de la perfección no es solo cuestión de hacer justicia con los agentes. El asunto es que resulta imposible diseñar un agente que siempre lleve a cabo, de forma sucesiva, las mejores acciones después de un acontecimiento, a menos que se haya mejorado el rendimiento de las bolas de cristal o las máquinas de tiempo.

!=

Buen comportamiento: el concepto de racionalidad

Aprendizaje

Buen comportamiento: el concepto de racionalidad

La definición propuesta implica que el agente racional no solo recopile información. Sino que aprenda lo máximo posible de lo que está percibiendo. La configuración inicial del agente puede reflejar un conocimiento preliminar del entorno, pero a medida que el agente adquiere experiencia, el aprendizaje puede modificarse y aumentar.

Buen comportamiento: el concepto de racionalidad

Los agentes con éxito dividen las tareas de calcular Ia función del agente en tres períodos diferentes: cuando se está diseñando el agente y están los diseñadores encargados de realizar algunos de estos cálculos; cuando está pensando en la siguiente operación, el agente realiza más cálculos; y cuando está aprendiendo de la experiencia, el agente lleva a cabo más cálculos para decidir cómo modificar su forma de comportarse.

Buen comportamiento: el concepto de racionalidad

Autonomía

Buen comportamiento: el concepto de racionalidad

Se dice que un agente carece de autonomía cuando se apoya más en el conocimiento inicial que le proporciona su diseñador que en sus propias percepciones. Un agente racional debe ser autónomo, debe saber aprender a determinar cómo tiene que compensar el conocimiento incompleto o parcial inicial.

El entorno de trabajo

Ahora que se tiene una definición de racionalidad., se está casi preparado para pensar en la construcción de agentes racionales. Primero, sin embargo, hay que centrarse en los entornos de trabajo, que son esencialmente los <<problemas» para los que los agentes racionales son las «soluciones».

El entorno de trabajo

En la discusión de la racionalidad de un agente aspiradora simple hubo que especificar las medidas de rendimiento, el entorno, y los actuadores y los sensores del agente. Todo ello forma lo que se llama el entorno de trabajo, para cuya denominación se utiliza el acrónimo REAS (Rendimiento, Entorno, Actuadores, Sensores). En el diseño de un agente, el primer paso debe ser siempre especificar el entorno de trabajo de la forma más completa posible.

El entorno de trabajo

Ejemplo: un taxista automático. ¿Cuáles serían los objetivos a alcanzar?

El entorno de trabajo

Ejemplo: un taxista automático. Dentro de las cualidades deseables se incluyen el que llegue al destino correcto; que minimice el consumo de combustible; que minimice el tiempo de viaje y/o costo; que minimice el número de infracciones de tráfico y molestias a otros conductores; que maximice la seguridad, la comodidad del pasajero y el beneficio.

El entorno de trabajo

Ejemplo: un taxista automático. ¿Cuál es el entorno de trabajo en el que el taxista automático aspira a conducir?

El entorno de trabajo

Ejemplo: un taxista automático.Cualquier taxista debe estar preparado para circular por distintas carreteras, desde caminos rurales y calles urbanas hasta autopistas de 12 carriles. En las carreteras se pueden encontrar con tráfico, peatones, animales, obras, coches de policía, charcos y baches. El taxista también tiene que comunicarse tanto con pasajeros reales como potenciales. Hay también elecciones opcionales. El taxi puede operar en California del Sur, donde la nieve es raramente un problema, o en Alaska, donde raramente no lo es. Puede conducir siempre por la derecha, o puede ser lo suficientemente flexible como para que circule por la izquierda cuando se encuentre en el Reino Unido o en Japón.

El entorno de trabajo

Ejemplo: un taxista automático. Los actuadores disponibles en un taxi serían más o menos los mismos que los que tiene a si alcance un conductor humano: el control del motor a través del acelerador y control sobre la dirección y los frenos. Además, necesitará tener una pantalla de visualización o un sintetizador de voz para responder a los pasajeros, y quizás algún mecanismo para comunicarse, educadamente o de otra forma, con otros vehículos.

El entorno de trabajo

Ejemplo: un taxista automático.Para alcanzar sus objetivos en el entorno en que circula, el taxi necesita saber dónde está, qué otros elementos están en la carretera , y a qué velocidad circula. Sus sensores básicos deben, por tanto, incluir una o más cámaras dirigidas, un velocímetro y un tacómetro. Para controlar el vehículo adecuadamente, especialmente en las curvas, debe tener un acelerador; debe conocer el estado mecánico del vehículo, de forma que necesitará sensores que controles en el motor y el sistema eléctrico. Debe tener instrumentos que no están disponibles para un conductor medio: un sistema de posicionamiento global vía satélite (GPS) que le proporcione información exacta, y sensores infrarrojos para detectar las distancias con respecto a otros coches y obstáculos. Finalmente, necesitará un teclado o micrófono para que el pasajero indique su destino.

El entorno de trabajo

Participación 3: Tipos de agentes y su descripción REAS

Rellena la siguiente tabla

• Utilizar la herramienta de tu preferencia.
• Subir a plataforma (Particiáción4_Nombre).

Propiedades de los entornos de trabajo

El rango de los entornos de trabajo en los que se utilizan técnicas de IA es obviamente muy grande. Sin embargo, se puede identificar un pequeño número de dimensiones en las que categorizar estos entornos. Estas dimensiones determinan hasta cierto punto, el diseño más adecuado para el agente y la utilización de cada una de las familias principales de técnicas en la implementación del agente. Primero se enumeran las dimensiones, y después se analizan varios entornos de trabajo para ilustrar estas ideas.

Participación 4: Propiedades de los entornos de trabajo

Investiga sobre las propiedades de los entornos de trabajo de un agente. Crea un mapa mental donde indiques ¿Cuáles son y cuáles son sus características?

• Utilizar la herramienta de tu preferencia.
• Subir a plataforma (Particiáción4_Nombre).

Propiedades de los entornos de trabajo

Totalmente observable vs Parcialmente observable

Propiedades de los entornos de trabajo

Totalmente observable: los sensores del agente le proporcionan acceso al estado completo del entorno; Es decir, los sensores detectan todos los aspectos relevantes a la toma de decisiones. Parcialmente observable: no es totalmente observable debido al ruido y a sensores poco exactos o que no reciben la información del sistema

Propiedades de los entornos de trabajo

Determinístico vs Estocástico

Propiedades de los entornos de trabajo

Determinista: si el siguiente estado del entorno está totalmente determinado por su estado actual y la acción ejecutada por el agente Estocástico: no determinista Entorno estratégico: medio determinista excepto para las acciones de otros agentes

Propiedades de los entornos de trabajo

Episódico vs Secuencial

Propiedades de los entornos de trabajo

Entorno episódico: cuando la experiencia del agente se divide en episodios atómicos independientes, donde cada episodio consiste en la percepción del agente y la realización de una única acción posterior Entorno secuencial: no existe dicha división y una decisión presente puede afectar a decisiones futuras

Propiedades de los entornos de trabajo

Estático vs Dinámico

Propiedades de los entornos de trabajo

Estático: el entorno no cambia mientras el agente está deliberando Dinámico: el entorno sí cambia Semi-dinámico: el entorno no cambia con el paso del tiempo, pero el rendimiento del agente cambia

Propiedades de los entornos de trabajo

Discreto vs Continuo

Propiedades de los entornos de trabajo

Discreto: el entorno tiene un número finito de estados distintosContinuo: no es posible enumerar los estados

Propiedades de los entornos de trabajo

Agente individual vs Multi-agente

Propiedades de los entornos de trabajo

Individual: un solo agente resolviendo un problema Multi-agente: varios compitiendo o cooperando

Propiedades de los entornos de trabajo

Propiedades de los entornos de trabajo

Problema complejo: parcialmente observable, estocástico, secuencial, dinámico, continuo, multi-agenteLas propiedades del entorno determinan en gran medida el diseño de agentes

Estructura del agente

- Un agente es completamente especificado por la función que mapea secuencias de percepciones a acciones (e.g. que determina su conducta) - El trabajo de la IA es diseñar el programa del agente que implemente la función del mismo - El programa se ejecutará en alguna computadora con sensores y actuadores, lo que se conoce como arquitectura - Agente = arquitectura + programas

Estructura del agente

Cuatro tipos básicos en orden incremental de generalidad: - Agentes reactivos simples: - Agentes reactivos basados en modelos - Agentes basados en objetivos - Agentes basados en utilidad Estos agentes se pueden convertir en agentes que aprendan

Estructura del agente

Agentes reactivos simples

Estructura de un agente reactivo simple

Estructura de un agente reactivo simple

Ejemplo de un agente reactivo simple

Agente reactivo simple

Los agentes reactivos simples tienen la admirable propiedad de ser simples, pero poseen una inteligencia muy limitada. Estos agentes funcionarán solo si se puede tomar la decisión correcta sobre la base de la percepción actual, lo cual esposible solo si el entorno es totalmente observable

Estructura del agente

Agentes reactivos basados en modelos

Agentes reactivos basados en modelos

La forma más efectiva que tienen los agentes de manejar la visibilidad parcial es almacenar información de las partes del mundo que no puede ver. O lo que es lo mismo, el agente debe de mantener un tipo de ESTADO INTERNO que dependa de la historia percibida y que de ese modo refleje por lo menos alguno de los aspectos no observables del estado actual.

Agentes reactivos basados en modelos

La actualización de la información de estado interno según pasa el tiempo requiere codificar dos tipos de conociendo en el programa del agente. Primero: Se necesita alguna información acerca de cómo evoluciona el mundo independientemente del agente. Segundo: se necesita más información sobre cómo afectan al mundo las acciones del agente. A este conocimiento sobre <<cómo funciona el mundo>> se le denomina modelo

Estructura de un agente reactivo basado en modelos

Estructura del agente

Agentes basados en objetivos

Estructura de un agente reactivo basado en objetivos

El conocimiento sobre el estado actual no siempre es suficiente para decidir que hacer. Por ejemplo, en el cruce de carreteras, el taxista puede girar a la izquierda, a la derecha o seguir adelante. La decisión correcta depende de dónde quiere ir el taxi. En otras palabras, además de la descripción del estado actual, el agente necesita alguna información sobre la META que describa las situaciones que son deseables. Por ejemplo, llegar al destino propuesto por el pasajero.

Estructura de un agente reactivo basado en modelos

El programa del agente se puede combinar con la información sobre los resultados de las acciones posibles para elegir las acciones que permitan alcanzar el objetivo. En algunas ocasiones, la selección de acciones basados en objetivos es el resultado inmediato de una acción individual. En otras ocasiones, puede ser más complicado, cuándo el agente tiene que considerar secuencias complejas para encontrar el camino que le permita alcanzar el objetivo. Búsqueda y planificación son los subcampos de la IA centrados en encontrar secuencias de acciones que permitan a los agentes alcanzar sus metas. A diferencias de las reglas, esta información no se representa explícitamente.

Estructura de un agente reactivo basado en modelos

Estructura del agente

Agentes basados en la utilidad

Estructura de un agente reactivo basado en utilidad

Las metas por si solas no son realmente suficientes para generar comportamiento de calidad en la mayoría de los entornos. Por ejemplo, hay muchas secuencias de acciones que llevarían al taxista a su destino (objetivo), pero algunas son más rápidas, más seguras, más fiables o más baratas que otras. Las metas solo proporcionan una cruda distinción binaria entre los estados: mientras que una medida de eficiencias más general debería permitir una comparación entre estados del mundo diferentes de acuerdo al nivel exacto de felicidad que el agente alcance si llega de un estado a otro. Felicidad: Concepto usado para indicar que un estado tiene más utilidad que otro para el agente.

Estructura de un agente reactivo basado en utilidad

Una función de utilidad proyecta un estado (o secuencia de estados) en un número real que representa un nivel de felicidad. La definición completa de utilidad permite tomar decisiones racionales en dos tipos de casos en los que las metas son inadecuadas. Primero, cuándo haya objetivos conflictivos y solo se puedan alcanzar algunos de ellos.La función de utilidad determina el equilibrio adecuado. Segunda. Cuándo haya varios objetivos por los que se puede guiar el agente, y ninguno de ellos se pueda alcanzar con certeza. La utilidad proporciona un mecanismo para ponderar la probabilidad de éxito en función de la importancia de los objetivos

Estructura de un agente reactivo basado en utilidad

Participación 5: Conceptos básicos de agentes inteligentes

Define con tus propias palabras los siguientes términos: agente, función de agente, programa de agente, racionalidad, autonomía, agente reactivo, agente basado en modelo, agente basado en objetivos, agente basado en utilidad.

• Utilizar la herramienta de tu preferencia.
• Subir a plataforma (Particiáción5_Nombre).

Robótica

Introducción a la robótica

- Mínimo esfuerzo (leyes principales del universo). - Liberación de las tareas más pesadas. - Máquinas que buscan alcanzar ese objetivo. - Máquinas que imiten a hombre y a los animales (Automatas).

Introducción a la robótica

Primeros Autómatas: Los primeros ejemplos de autómatas se registran en la antigua Etiopía. En el año 1500 a. C., Amenhotep, hermano de Hapu, construye una estatua de Memon, el rey de Etiopía, que emite sonidos cuando la iluminan los rayos del sol al amanecer.

Introducción a la robótica

Primeros Autómatas: King-su Tse, en China, en el 500 a. C. inventa una urraca voladora de madera y bambú y un caballo de madera que saltaba. Entre el 400 y 397 a. C., Archytar de Tarento construye un pichón de madera suspendido de un pivote, el cual rotaba con un surtidor de agua o vapor, simulando el vuelo. Archytar es el inventor del tornillo y la polea. En el año 206 a. C., fué encontrado el tesoro de Chin Shih Hueng Ti consistente en una orquesta mecánica de muñecos, encontrada por el primer emperador Han.

Introducción a la robótica

Primeros Autómatas: En el año 62 Heron de Alejandría describe múltiples aparatos en su libro "Autómata". Entre ellos aves que vuelan, gorjean y beben. Todos ellos fueron diseñados como juguetes, sin mayor interés por encontrarles aplicación. Sin embargo, describe algunos como un molino de viento para accionar un órgano o un precursor de la turbina de vapor.

Introducción a la robótica

Primeros Autómatas: También se diseñan ingeniosos mecanismos como la máquina de fuego que abría puertas de los templos o altares mágicos.

Introducción a la robótica

Primeros Autómatas: Otro ejemplo relevante de la época fue el Gallo de Estrasburgo que que funcionó desde 1352 hasta 1789. Este es el autómata más antiguo que se conserva en la actualidad, formaba parte del reloj de la catedral de Estrasburgo y al dar las horas movía el pico y las alas.

Introducción a la robótica

El ser humano, con su obligada tendencia a seguir el mínimo esfuerzo, desde siempre ha intentado hacer más confortables todas aquellas tareas que le son desagradables o dificultosas. En el Siglo XXI, nos encontramos con un número elevado de máquinas o dispositivos que “dominan nuestras vivas” haciéndolas cada vez más llevaderas, pero con numerosas servidumbres. Luchamos por conseguir un “alguien sin sentimientos ni necesidades” que realice nuestras obligaciones. Ese “alguien” lo llamamos robot, autómata, clon, androide, etc.

Introducción a la robótica

¿Qué es un robót?

Introducción a la robótica

La definición más completa es la establecida por la Asociación Francesa de Normalización (AFNOR), que define primero el manipulador y, basándose en dicha definición, el robot: Manipulador automático servo-controlado, reprogramable, polivalente, capaz de posicionar y orientar piezas, útiles o dispositivos especiales, siguiendo trayectoria variables reprogramables, para la ejecución de tareas variadas. Normalmente tiene la forma de uno o varios brazos terminados en una muñeca. Su unidad de control incluye un dispositivo de memoria y ocasionalmente de percepción del entorno. Normalmente su uso es el de realizar una tarea de manera cíclica, pudiéndose adaptar a otra sin cambios permanentes en su material.

Introducción a la robótica

Robot industrial La definición mas comúnmente aceptada posiblemente sea la de la Asociación de Industrias Robóticas (RIA), según la cual: Un robot industrial es un manipulador multifuncional reprogramable, capaz de mover materias, piezas, herramientas, o dispositivos especiales, según trayectorias variables, programadas para realizar tareas diversas.

Introducción a la robótica

Robot industrial Esta definición, ligeramente modificada, ha sido adoptada por la Organización Internacional de Estándares (ISO) que define al robot industrial como: Manipulador multifuncional reprogramable con varios grados de libertad, capaz de manipular materias, piezas, herramientas o dispositivos especiales según trayectorias variables programadas para realizar tareas diversas.

Introducción a la robótica

¿Qué significa la palabra robót?

Introducción a la robótica

¿Qué significa la palabra robót? La palabra robot fue utilizada por primera vez en el año1921, cuando el escritor checo Karel Capek (1890-1938) estrena en el teatro nacional de Praga su obra Rossum´s Universal Robot (R.U.R). Su origen es la palabra eslava Robota, que se refiere al trabajo realizado de manera forzada.

Introducción a la robótica

Los robots de R.U.R: Eran maquinas androides fabricadas a partir de la "formula" obtenida por un brillante científico llamado Rossum. Estos robots servían a sus dueños humanos desarrollando todos los trabajos forzados, hasta que finalmente se revelaban contra sus dueños, destruyendo toda la vida humana, a excepción de sus creadores, con la frustrada esperanza de que les enseñen a reproducirse.

Introducción a la robótica

La robótica como ciencia tecnológica se define como: "Ciencia aplicada que surge de la combinación de la tecnología de las máquina-herramienta y de la informática". Donde: Máquina-herramienta: "máquina que efectúa cualquier trabajo Manual" Informática: "ciencia del tratamiento automático y racional de la información"

Introducción a la robótica

Los antecesores de los primeros robots fueron los manipuladores: En 1948 R.C Goertz del Argonne National Laboratory, desarrolló, con el objetivo de manipular elementos radioactivos sin riesgo para el operador, el primer telemanipulador. Este consistía en un dispositivo mecánico, maestro-esclavo.

Introducción a la robótica

Los antecesores de los primeros robots fueron los manipuladores: Años más tarde, en 1954, Goertz hizo usó la tecnología electrónica y del servocontrol sustituyendo la transmisión mecánica por otra eléctrica y desarrollando así el primer telemanipulador con servocontrol bilateral.

Introducción a la robótica

Los antecesores de los primeros robots fueron los manipuladores: En 1958 el ingeniero Raph Mosher de la General Electric, desarrollo el Handy-Man, consistía en 2 brazos mecánicos tele-operados mediante un maestro del tipo denominado exoesqueleto.

Introducción a la robótica

Los antecesores de los primeros robots fueron los manipuladores: La primera licencia de un robot fue solicitada en 1954 por el inventor británico C.W. Kenward, esta patente fue emitida por el reino unido en 1957 con el número 781465.

Introducción a la robótica

Los antecesores de los primeros robots fueron los manipuladores: Sin embargo, el estadounidense George C. Devol había establecido las bases para fabricar el robot industrial moderno en 1954, esto fue patentado en 1961 con el numero 2988237.

Introducción a la robótica

Los antecesores de los primeros robots fueron los manipuladores: En 1968 J.F Engelberger, director de ingeniería, de la división aeroespacial de la empresa Mannig Maxwell y Moore en Stanford, Conneticut, firmo un acuerdo con Kawasaki para la construcción de robots tipo Unimate, Nissan fue quien ayudo al Japón a aventajar a Estados Unidos en el crecimiento de la robótica, que formo la Asociación de Robótica Industrial de Japón (JIRA) en 1972.

Introducción a la robótica

Los antecesores de los primeros robots fueron los manipuladores: Dos años más tarde se formó el instituto de robótica de América (RIA). Por su parte Europa tuvo un despertar tardío. En 1973 la firma Sueca ASEA Construyo el primer robot totalmente eléctrico, el robot IRb6, seguido un año más tarde por el IRb60. En 1980 se fundó la Federación Internacional de Robótica con sede en Estocolmo Suecia.

Introducción a la robótica

Los antecesores de los primeros robots fueron los manipuladores: Los primeros Robots respondían a las configuraciones esféricas y antropomórficas. En 1982 el profesor Makino de la Universidad Yamanashi de Japón, desarrolla en concepto de robot SCARA (Selective Compliance Assembly Robot Arm), que busca un Robot con un número reducido de grados de libertad (3 o 4), un coste limitado y una configuración dedicada al ensamblado de piezas.

Introducción a la robótica

Los antecesores de los primeros robots fueron los manipuladores: Los Robots en 30 años de desarrollo, han permitido que tomen posición en todas las áreas de producción y tipos de industrias. Los futuros desarrollo de la robótica apunta aumentar su movilidad, destreza y autonomía de sus acciones. Existen otros tipos de aplicaciones que han hecho evolucionar en gran medida tanto la concepción de los Robots como su propia morfología.

Introducción a la robótica

Casi todos los robots siguen los tres pasos tradicionales: Percepción, de lo que tienen a su alrededor. Razonamiento, decidir la tarea que va a efectuar. Tomar la acción ejecutándola.

Introducción a la robótica

En términos generales: podemos decir, que los robots, son máquinas complejas, provistas de multitud de accesorios, que mediante la ejecución de un programa, son capaces de ejecutar, secuencialmente, una serie de operaciones, de gran interés, para los procesos industriales y científicos.

Introducción a la robótica

Cronología. Primera generación: máquinas-herramienta - No utilizan información externa que les permita reconocer su entorno o sus movimientos relativos a dicho entorno. - Repite la tarea programada secuencialmente.

Introducción a la robótica

Cronología. Segunda generación: adaptación y flexibilidad - Adquiere información limitada de su entorno y actúa en consecuencia. - Puede localizar, clasificar y detectar esfuerzos y adaptar sus movimientos en consecuencia.

Introducción a la robótica

Cronología. Tercera generación: inteligencia artificial - Potenciar al máximo la capacidad de percepción. - - Comprensión del lenguaje natural, interpretación visual del entorno, capacidad de aprendizaje, etc. - Posee capacidad para la planificación automática de tareas

Introducción a la robótica

¿Qué es un robot actual? Es un agente físico artificial, dotado de capacidades perceptivas, de "razonamiento" y de acción que le permiten actuar en diferentes entornos y con un determinado grado de "autonomía".

Robots actuales

Clases de Robots

Con una definición tan amplia, podríamos clasificar a los robots en varias categorías, según su campo de aplicación. Estos son: - ROBOTS DE USO DOMÉSTICO - ROBOTS HUMANOIDES - ROBOTS INDUSTRIALES - ROBOTS DE PRECISIÓN - ROBOTS PARA USO EN CIRUGÍA - ROBOTS PARA LA INDUSTRIA MILITAR - ROBOTS PARA LA INDUSTRIA AERONÁUTICA

Actividad sincrónica 3: Clases de Robots

Investiga en equipo sobre una de las clases de robots que existen actualmente y prepara una presentación. Indicar las características principales de la clase, incluir al menos 5 ejemplos de robots (nombre, quién y dónde lo diseño, principales características y aplicaciones, datos curiosos) que pertenecen a la clase.

• Utilizar la herramienta de tu preferencia.
• Subir a plataforma (ActividadSincrónica3_Nombre).
• La mejor presentación ganará un punto extra.

Sistemas reactivos

Unidad II

2.1 Redes neuronales 2.2 Sistemas evolutivos 2.3 Sistemas con estados 2.4 Visión artificial

Redes neuronales

INTRODUCCIÓN - El cerebro humano es el sistema de cálculo más complejo que conoce el hombre. - El ordenador y el hombre realizan diferentes clases de tareas de forma eficiente. * Reconocer el rostro de una persona resulta una tarea relativamente sencilla para el hombre y difícil para el ordenador. * La contabilidad de una empresa es tarea costosa para un experto contable y una sencilla rutina para un ordenador básico.

Redes neuronales

INTRODUCCIÓN - La capacidad del cerebro humano de pensar, recordar y resolver problemas ha llevado a muchos científicos intentar modelar su funcionamiento en una computadora. - Campos como la ingeniería, filosofía, fisiología y psicología han unido sus esfuerzos debido al potencial que ofrece esta tecnología y están encontrando diferentes aplicaciones en sus respectivas profesiones.

Redes neuronales

INTRODUCCIÓN - Se creó un modelo que iguale o adopte las distintas funciones básicas del cerebro. - Lo que resultó en las Redes Neuronales Artificiales. - Su éxito después de dos décadas de olvido radica en los extraordinarios avances tanto en el aspecto teórico como de aplicación obteniendo en los últimos años.

Participación 6: Redes neuronales

Investiga de forma individual sobre las redes neuronales y crea una infografía.

• Utilizar la herramienta de tu preferencia.
• Subir a plataforma (Participación6_Nombre(s)Apellido1Apellido2).
• La mejor infografía ganará un punto extra.

Redes neuronales

CARACTERÍSTICAS DE LAS REDES NEURONALES ARTIFICIALES Las Redes Neuronales Artificiales, ANN (Artificial Neural Networks) están inspiradas en las redes neuronales biológicas del cerebro humano. Están constituidas por elementos que se comportan de forma similar a la neurona biológica en sus funciones más comunes. Estos elementos están organizados de una forma parecida a la que presenta el cerebro humano.

Redes neuronales

CARACTERÍSTICAS DE LAS REDES NEURONALES ARTIFICIALES Las ANN al margen de "parecerse" al cerebro presentan una serie de características propias del cerebro. Por ejemplo las ANN aprenden de la experiencia, generalizan de ejemplos previos a ejemplos nuevos y abstraen las características principales de una serie de datos.

Redes neuronales

CARACTERÍSTICAS DE LAS REDES NEURONALES ARTIFICIALES - Aprender: adquirir el conocimiento de una cosa por medio del estudio, ejercicio o experiencia. Las ANN pueden cambiar su comportamiento en función del entorno. Se les muestra un conjunto de entradas y ellas mismas se ajustan para producir salidas consistentes.

Redes neuronales

CARACTERÍSTICAS DE LAS REDES NEURONALES ARTIFICIALES - Generalizar: extender o ampliar una cosa. Las ANN generalizan automáticamente debido a su propia estructura y naturaleza. Estas redes pueden ofrecer, dentro de un margen, respuestas correctas a entradas que presentan pequeñas variaciones debido a los efectos de ruido o distorsión.

Redes neuronales

CARACTERÍSTICAS DE LAS REDES NEURONALES ARTIFICIALES - Abstraer: aislar mentalmente o considerar por separado las cualidades de un objeto. Algunas ANN son capaces de abstraer la esencia de un conjunto de entradas que aparentemente no presentan aspectos comunes o relativos.

Redes neuronales

ESTRUCTURA BÁSICA DE UNA RED NEURONAL - Analogía con el cerebro: La neurona es la unidad fundamental del sistema nervioso y en particular del cerebro. Cada neurona es una simple unidad procesadora que recibe y combina señales desde y hacia otras neuronas. Si la combinación de entradas es suficientemente fuerte la salida de la neurona se activa.

Redes neuronales

ESTRUCTURA BÁSICA DE UNA RED NEURONAL - Analogía con el cerebro: El cerebro consiste en uno o varios billones de neuronas densamente interconectadas. El axón (salida) de la neurona se ramifica y está conectada a las dendritas (entradas) de otras neuronas a través de uniones llamadas sinapsis. La eficacia de la sinapsis es modificable durante el proceso de aprendizaje de la red.

Redes neuronales

ESTRUCTURA BÁSICA DE UNA RED NEURONAL - Redes Neuronales Artificiales: En las Redes Neuronales Artificiales, ANN, la unidad análoga a la neurona biológica es el elemento procesador, PE (process element). Un elemento procesador tiene varias entradas y las combina, normalmente con una suma básica. La suma de las entradas es modificada por una función de transferencia y el valor de la salida de esta función de transferencia se pasa directamente a la salida del elemento procesador.

Redes neuronales

ESTRUCTURA BÁSICA DE UNA RED NEURONAL - Redes Neuronales Artificiales: La salida de un PE se puede conectar a las entradas de otras neuronas artificiales (PE) mediante conexiones ponderadas correspondientes a la eficacia de la sinapsis de las conexiones neuronales.

ESTRUCTURA BÁSICA DE UNA NEURONA ARTIFICIAL

Redes neuronales

ESTRUCTURA BÁSICA DE UNA RED NEURONAL ARTIFICIAL Una red neuronal consiste en un conjunto de unidades elementales PE conectadas de una forma concreta. El interés de las ANN no reside solamente en el modelo del elemento PE sino en las formas en que se conectan estos elementos procesadores. Generalmente los elementos PE están organizados en grupos llamados niveles o capas. Una red típica consiste en una secuencia de capas con conexiones entre capas adyacentes consecutivas.

Redes neuronales

ESTRUCTURA BÁSICA DE UNA RED NEURONAL ARTIFICIAL Existen dos capas con conexiones con el mundo exterior. Una capa de entrada, buffer de entrada, donde se presentan los datos a la red, y una capa buffer de salida que mantiene la respuesta de la red a una entrada. El resto de las capas reciben el nombre de capas ocultas.

ESTRUCTURA BÁSICA DE UNA RED NEURONAL

CAPA DE ENTRADA

CAPA DE SALIDA

CAPAS DE OCULTAS

Redes neuronales

COMPUTACIÓN TRADICIONAL vs COMPUTACIÓN NEURONAL Las técnicas tradicionales de programación utilizadas para la solución de un problema requieren la creación de un algoritmo. Un algoritmo consiste en una secuencia de instrucciones que indica el modo en el que debe proceder el sistema basado en un ordenador para lograr el fin perseguido que es la resolución del problema.

Redes neuronales

COMPUTACIÓN TRADICIONAL vs COMPUTACIÓN NEURONAL El diseño de una secuencia de instrucciones para resolver un problema de contabilidad es relativamente sencillo, mientras que existen muchos problemas del mundo real en los que resulta difícil realizar un algoritmo que resuelva dichos problemas. Por ejemplo, desarrollar un programa para cualquiera de los problemas de reconocimiento de imágenes como el rostro de una persona. Hay muchas variaciones de la imagen de una persona, como que presente un rostro serio o un rostro alegre, variaciones en general que deben tenerse en cuenta a la hora de diseñar el algoritmo.

Redes neuronales

COMPUTACIÓN TRADICIONAL vs COMPUTACIÓN NEURONAL Las ANN, a diferencia de los algoritmos que son instrucciones previamente programadas, deben ser previamente entrenadas. Esto significa que a la red se le muestra en su capa de entrada unos ejemplos y ella misma se ajusta en función de alguna regla de aprendizaje.

Redes neuronales

COMPUTACIÓN TRADICIONAL vs COMPUTACIÓN NEURONAL Una característica importante de las ANN es la forma o el modo en que se almacena la información. La memoria o el conocimiento de estas redes está distribuida a lo largo de todas las conexiones ponderadas de la red.

Redes neuronales

COMPUTACIÓN TRADICIONAL vs COMPUTACIÓN NEURONAL Algunas ANN presentan la característica de ser "asociativas" que significa que para una entrada parcial la red elegirá la entrada más parecida en memoria y generará una salida que corresponda a la entrada completa.

Redes neuronales

COMPUTACIÓN TRADICIONAL vs COMPUTACIÓN NEURONAL La naturaleza de la memoria de las ANN permite que la red responda adecuadamente cuando se le presenta una entrada incompleta o con ruido. Esta propiedad suele ser referida como la capacidad de "generalización".

Redes neuronales

COMPUTACIÓN TRADICIONAL vs COMPUTACIÓN NEURONAL Otra característica de las ANN es la tolerancia a la falta (Fault Tolerance). Tolerancia a la falta se refiere al hecho de que en muchas ANN si resultaran destruidos varios elementos procesadores PE, o se alteraran las conexiones el comportamiento de la red sería mínimamente modificado. El comportamiento varía pero el sistema no se descompone o deja de funcionar.

Actividad sincrónica 3: Línea del tiempo de las redes neuronales

Investiga de forma individual sobre la evolución de las redes neuronales y crea una línea del tiempo.

• Utilizar la herramienta de tu preferencia.
• Subir a plataforma (ActividadSincrónica3_Nombre(s)Apellidos).
• La mejor línea del tiempo ganará un punto extra.

Aplicaciones de las redes neuronales artificiales

• Las características especiales de los sistemas de computación neuronal permiten que esta técnica de cálculo sea utilizada en una extensa variedad de aplicaciones.
• La computación neuronal provee un acercamiento mayor al reconocimiento y percepción humana que los métodos tradicionales de cálculo.
• Las redes neuronales artificiales presentan resultados razonables en aplicaciones donde las entradas contienen ruido o las entradas están incompletas.
• Algunas de las áreas de aplicación de las ANN son las siguientes:

Procesado Natural del Lenguaje

Predicción

Modelado de Sistemas

Conversión Texto a Voz

Compresión de Imágenes

Filtro de Ruido

Aplicaciones de las redes neuronales

Modelos Económicos y Financieros

Reconocimiento de Caracteres

Reconocimiento de Patrones en Imágenes

Procesado de la Señal

Problemas de Combinatoria

ServoControl

Actividad sincrónica 3: Aplicaciones de las redes neuronales artificiales

Investiga en equipo sobre una de las aplicaciones de la redes neuronales y crea una Presentación.

• Utiliza la herramienta de tu preferencia.
• Agrega citas.
• Subir a plataforma (ActividadAsincrónica3_Nombre(s)Apellidos).
• El alumno con más aplicaciones obtendrá un punto extra.

Redes neuronales artificiales

En conclusión

• Las RNs están inspiradas en el cerebro biológico
• El cerebro biológico es un sistema complejo, no lineal y paralelo.
• La unidad de procesamiento es la neurona
• Se manejan diferentes tipos de aprendizaje y arquitecturas de redes neuronales
• Las aplicaciones principales se centran en el reconocimiento de patrones

Reto: Diseño de una red neuronal

Utiliza el siguiente tutorial para diseñar una red neuronal que predice si una imagen es de un perro o de un gato.

• https://www.youtube.com/watch?v=FWz0N4FFL0U
• https://www.youtube.com/watch?v=EAqb20_4Rdg&t=73s
• Los tres alumnos que entregue primero la red neuronal tendrán 10 puntos extra para la evaluación del segundo parcial.
• Enviar código al correo o WhatsApp.
• Mostrar en clase el código y explicarlo al grupo.
• Fecha límite: lunes 26 de abril.

Sistemas evolutivos

Introducción

• Los AEs emulan la evolución de las especies y la supervivencia del más apto en algoritmos de búsqueda en espacios complejos
• Existen varios paradigmas que se diferencian por la forma de representar soluciones, sus operadores y mecanismos de selección y reemplazo
• Las aplicaciones principales se centran en problemas de optimización

Sistemas evolutivos

• La idea de simular la evolución dentro de una computadora no es nueva
• De hecho, derivadas de la misma idea, se han generado diversas áreas dentro de la computación

• Los Algoritmos Evolutivos (EAs por sus siglas en inglés) agrupan a aquellos basados en fenómenos relacionados con la evolución de las especies y la supervivencia del más apto

• A continuación se presenta una perspectiva histórica, escrita por De Jong (2006)

Sistemas evolutivos

Los catalíticos 1960’s

• Tres grupos definieron la forma de este ampo emergente:
• En la U. T. de Berlín, Rechenberg y Schwefel ormularon ideas sobre cómo un proceso evolutivo puede usarse para resolver problemas numéricos de optimización complejos. De estas ideas surge paradigma conocido como “Estrategias Evolutivas”

Sistemas evolutivos

Los catalíticos 1960’s

• En UCLA Fogel visualizó a la evolución como en medio para alcanzar las metas de la IA, por lo que evolucionó agentes inteligentes representados como máquinas de estado finito. De ello se derivó el paradigma conocido como “Programación Evolutiva”

Sistemas evolutivos

Los catalíticos 1960’s

• En la U. de Michigan, Holland vió a un proceso evolutivo como la clave en el diseño e implementación de sistemas adaptativos robustos, capaces de lidiar con un ambiente cambiante e incierto. Remarcó la necesidad de los sistemas de auto-adaptarse al interaccionar con el ambiente. Sus ideas originaron los “Planes reproductivos”, mejor conocidos como el paradigma de los “Algoritmos Genéticos”

Sistemas evolutivos

Los catalíticos 1960’s

• Estos paradigmas, más que reflejar fielmente los procesos evolutivos, son modelos “ideales” de evolución orientados a la resolución de problemas
• Sin embargo, un análisis formal de su funcionamiento es altamente complejo (se requiere de simplificar el modelo)

Sistemas evolutivos

Los explorativos 1970’s

• Derivado de las propuestas de la década previa, dos aspectos quedaron sin resolver:

– Caracterizar la implementación de los paradigmas – Entender su aplicabilidad

• En esta década se avanzó en estos dos temas vía:

– Estudios empíricos – Teoría

Sistemas evolutivos

Los explorativos 1970’s

• Se establecen con ello, tres EAs:

– Programación evolutiva – Estrategias evolutivas – Algoritmos genéticos

• Evolutionary programming (EP)se concentró en modelos con reproducción principalmente asexual y reemplazo probabilístico, siendo parámetros críticos el tamaño de población y el porcentaje de reproducción asexual

Sistemas evolutivos

Los explorativos 1970’s

• Evolution strategies (ES) se centraron en la optimización numérica (números reales), los modelos iniciales (1+1)-ES y (1+λ)-ES usaron reproducción asexual usando una distribución Gaussiana y reemplazo determinístico. Sin embargo, lo que distingue a las ES es el proceso de adaptación o auto-adaptación de sus parámetros relativos a la mutación.

Sistemas evolutivos

Los explorativos 1970’s

• Genetic Algorithms (GAs) promovieron algoritmos “independientes de la aplicación”, mediante una representación de cadenas de bits, uso intensivo de reproducción sexual, reemplazo generacional y selección basada en aptitud. Los “teoremas de los esquemas” conforman contribuciones a nivel teórico del desempeño de los GAs.

Sistemas evolutivos

Los explotativos 1980’s

• De los 1970’s emergió una colección de EAs canónicos con amplia aplicabilidad y desempeño altamente competitivo

• En los 1980’s se amplió la diversidad de aplicaciones y se generaron variantes de EAs específicas para otros dominios

Sistemas evolutivos

Los explotativos 1980’s

• (μ+λ)-ES, (μ,λ)-ES
• Selección proporcional, representaciones alternativas y decepción en GAs

• Conocimiento “a-priori” del problema (P.Ej. Operadores especiales)

• Además de la optimización, surgen dominios de aplicación como los sistemas clasificadores, redes neuronales, redes de tareas, código en Lisp

• EAs paralelos
• Surgen los primeros congresos: ICGA’85, 87 y 89 (International Conference on Genetic Algorithms), PPSN’90 (Parallel Problem Solving from Nature), FOGA’90 (Foundations of Genetic Algorithms).

Sistemas evolutivos

Los unificadores 1990’s

• Hacia finales de los 1980’s, el trabajo de cada EA se hacía por separado

• El surgimiento de los primeros congresos permitió el trabajo de colaboración y diferenciación, además del acuñamiento del término “Cómputo Evolutivo, EC” y del inicio de trabajos del primer journal “Evolutionary Computation” del MIT press
• Cruzamiento de mecanismos entre EAs

Sistemas evolutivos

El siglo XXI, expansión madura

• Se tienen 3 journals de prestigio:

– Evolutionary Computation– IEEE Transactions on Evolutionary Computation– Genetic Programming and Evolvable Machines– Swarm and Evolutionary Computation

• Conferencias de alto nivel

– CEC– GECCO– PPSN– FOGA

Sistemas evolutivos

El siglo XXI, expansión madura

• Mucho trabajo por hacer:

– Aplicaciones de alto impacto– Estudios teóricos– Ajuste de parámetros– Co-evolución– Sinergias con Machine Learning y Agent Systems– Consolidación del área

Participación 7: Algoritmos evolutivos EAs

Investiga de forma individual sobre los algoritmos evolutivos EAs y crea un cuadro sinóptico a partir de la información que encuentres.

• Utiliza la herramienta de tu preferencia.
• Agrega citas.
• Subir a plataforma (Participación7_Nombre(s)Apellidos).
• El alumno con el mejor cuadro sinóptico obtendrá un punto extra.

¿Por qué EC?

• La búsqueda de solucionadores de problemas es tarea de la ciencia de la computación.

• Los solucionadores “naturales” por excelencia son:

– El cerebro humano (quien creó la rueda, ciudades, la guerra, etc.)– El proceso evolutivo (quien creó el cerebro humano)

¿Por qué EC?

• La búsqueda de solucionadores de problemas es tarea de la ciencia de la computación.

• Los solucionadores “naturales” por excelencia son:

– El cerebro humano (quien creó la rueda, ciudades, la guerra, etc.)– El proceso evolutivo (quien creó el cerebro humano)

¿Por qué EC?

• Por otro lado, se requiere de solucionadores aplicables a una amplia gama de problemas, sin requerir grandes cambios para problemas específicos, que devuelvan buenas soluciones en un tiempo razonable

¿Por qué EC?

• Finalmente, se puede utilizar la simulación de la evolución para generar procesos difíciles de realizar físicamente, además de que este tipo de simulaciones pueden ayudar a entender fenómenos naturales

Tipos de problemas

Optimización

• Consiste en encontrar la entrada adecuada para la salida que se especifique.
• Ejemplo: Diseño óptimo de pieza mecánica

Tipos de problemas

Simulación

• La tarea consiste en procesar las salidas correspondientes a partir de un conjunto de entradas conocidas y un modelo establecido
• Ejemplo: Circuito electrónico para filtrado

Tipos de problemas

Simulación

• La tarea consiste en procesar las salidas correspondientes a partir de un conjunto de entradas conocidas y un modelo establecido
• Ejemplo: Circuito electrónico para filtrado

Participación 7: Aplicaciones de los algroitmos evolutivos

Investiga sobre las aplicaciones que existen y que utilizan algoritmos evolutivos. Crea una presentación con una diapositiva por cada aplicación donde se muestre una imagen (video) representativa, el nombre de la aplicación, para qué se utiliza el evolutivo y la referencia de dónde la encontraron.

• Utiliza la herramienta de tu preferencia
• Cargar el documento con el nombre: participación7_NombreApellido1Apellido2
• El alumno con más aplicaciones ganará un punto extra

Reto: Hacer un resumen del paper Metaheuristics to solve...

Lee el paper Metaheuristcs to solve grouping problmes a review and a case study y crea un resumen.

• Link:
• Los tres alumnos que entregue primero el resumen tendrán 10 puntos extra para la evaluación del segundo parcial.
• Enviar resumen al correo o WhatsApp.
• Mostrar en clase el código y explicarlo al grupo.
• Fecha límite: lunes 26 de abril.

Redes neuronales

Introducción biológica - Neuronas como procesadores de información sencillos. De manera simplista: ◦ las dendritas constituyen el canal de entrada de la información ◦ el soma es el órgano de cómputo ◦ el axón corresponde al canal de salida, y a la vez envía información a otras neuronas. Cada neurona recibe información de aproximadamente 10,000 neuronas y envía impulsos a cientos de ellas ◦ algunas neuronas reciben la información directamente del exterior

Redes neuronales

Introducción biológica El cerebro se modela durante el desarrollo de un ser vivo. Algunas cualidades del ser humano no son innatas, sino adquiridas por la influencia de la información que del medio externo se proporciona a sus sensores. Diferentes maneras de modelar el sistema nervioso: ◦ establecimiento de nuevas conexiones ◦ ruptura de conexiones ◦ modelado de las intensidades sinápticas (uniones entre neuronas) ◦ muerte o reproducción neuronal

Redes neuronales

Sistemas neuronales artificiales Buscan emular la estructura de las redes neuronales biológicas con el fin de alcanzar una funcionalidad similar.

Redes neuronales

Tres conceptos clave a emular 1. Procesamiento paralelo: derivado de que los miles de millones de neuronas que intervienen; por ejemplo, en el proceso de ver, están operando en paralelo sobre la totalidad de la imagen.

Redes neuronales

Tres conceptos clave a emular 2. Memoria distribuida: mientras que en un computador la información está en posiciones de memoria bien definidas, en las redes neuronales biológicas dicha información está distribuida por la sinápsis de la red, existiendo una redundancia en el almacenamiento, para evitar la pérdida de información en caso de que una sinapsis resulte dañada.

Redes neuronales

Tres conceptos clave a emular 3. Adaptabilidad al entorno: por medio de la información de las sinapsis. Por medio de esta adaptabilidad se puede aprender de la experiencia y es posible generalizar conceptos a partir de casos particulares

Redes neuronales

- El elemento básico de un sistema neuronal biológico es la neurona. Un sistema neuronal biológico está compuesto por millones de neuronas organizadas en capas. - En la emulación de dicho sistema neuronal biológico, por medio de un sistema neuronal artificial, se puede establecer una estructura jerárquica similar a la existente en el cerebro. - El elemento esencial será la neurona artificial, la cual se organizará en capas. - Varias capas constituirán una red neuronal. - Finalmente una red neuronal junto con los interfaces de entrada y salida constituirá el sistema global de proceso.

Redes neuronales

Modelo genérico de neurona artificial. Una neurona es un procesador elemental tal que a partir de un vector de entrada procedente del exterior o de otras neuronas, proporciona una única respuesta o salida

Redes neuronales

Redes neuronales

Modelo genérico de neurona artificial (Elementos) 1. Entradas: x(t). Las variables de entrada y salida pueden ser binarias (digitales) o continuas (analógicas) dependiendo del modelo de aplicación.