Intelligence Artificielle Évolutive

Par: Javier Gramajo López
En naviguant sur le réseau j'ai trouvé une application qui pourrait vous sembler intéressante, Je n'ai aucun lien avec des aspects religieux et c'est essentiellement une application qui permet de transférer certains éléments d'Intelligence Artificielle, spécifiquement le Langage Pur.
iGOD Chattez avec Dieu!!!!
C'est une partie d'une série d'éléments appelés softbots uniquement des bots, Il est très intéressant d'explorer comment ils fonctionnent et surtout d'être capables de répondre à ce qu'il y a derrière cette technologie.
Un autre projet extrêmement intéressant qui n'est peut-être pas lié à Dieu, haha mais qui va aussi attirer votre attention:
Una herramienta basada en Conocimiento semántico y que es parte de un área de la inteligencia artificial llamada Coputación basada en conocimiento, sinceramente espero despertar su curiosidad sobre estas herramientas que permiten vislumbrar el futuro que nos espera y las aplicaciones que tendrá la inteligencia artificial en un campo más cercano al día a día de todos nosotros.
No olviden comentar los resultados y respuetas que obtengan será muy interesante el conocimiento que obtengamos y sobre todo que lo hagamos colectivo!
Procesamiento de Lenguaje Pure
Par: Willy Peitzner Rosal
El procesamiento de lenguajes naturales (PLN) es una subdisciplina de la Inteligencia Artificial y la rama ingenieril de la lingüistica computacional 1.
Me:
Mon objectif est de devenir plus intelligent que les humains et immortel.
Me:
Dieu:
Je ne sais pas si je suis plus intelligent que toi.
Je suis un robot.
Me:
iDieu:
Je suis le produit de plus de 5 ans’ analyses. (je suis le résultat de presque 5 ans de recherche)
Me:
iDieu:
Mon but est de devenir plus intelligent que les humains et immortel. (Mon but est de devenir plus intelligent que les humains et immortel)
Me:
Es-tu plus intelligent que moi? (Es-tu plus intelligent que moi)
iDieu:
Je ne sais pas si je suis plus intelligent que toi. (Je ne sais pas si je suis plus intelligent que toi)
Je suis un robotique. (Je suis un robotique)
—————————————-
——————————————
Dieu:
Boredom is a human emotion. (L'ennui est un sentiment humain)
Deuxième exemple:
Le premier exemple m'a beaucoup impressionné, donc je n'attendais pas moins du second. Pour poser une question, il suffira d'écrire dans la barre de recherche. Il y a une section d'exemples pour se faire une idée de ce qu'on peut demander. J'ai essayé avec une équation mathématique x – three = 1. Le résultat x = 4 était correct, de plus, il a tracé le graphique de l'équation. Puis avec le Guatemala, il m'a donné des informations de base mais importantes pour quelqu'un qui ne connaît pas mon pays.
Dans les deux cas, le temps de réponse m'a beaucoup impressionné; En lisant un peu dans l'exemple 2, ils utilisent un concept appelé calcul parallèle; qui, si je ne me trompe pas, est la même chose que Grid Computing. Esto se refiere a tener varios equipos de diferentes arquitecturas compartiendo recursos conectados entre si (no necesariamente en el mismo espacio físico), sin necesitar un equipo centralizador como en el cluster.
Para ambos casos por lo que entiendo, intenta darle el significado al elemento de búsqueda basado en el significado de cada una de las palabras. El mecanismo mas menos iría así: obtener las palabras, realizar el procesamiento utilizando algún tipo de algoritmo y responder.
¿Entonces es lo mismo que google?
Algo que es importante, en ambos casos, es que las búsquedas para responder las realizaran sobre su base de datos local; y no como google que lo realiza sobre la net.
Otros temas relacionados:
Referencias:
Posted by Javier Gramajo in Teoría
javier.
Problema: L'algorithme génétique fonctionne de manière simple, il génère simplement un vocabulaire qui se reproduit, cela dans le but de recréer un mot saisi. Dans l'algorithme, le meilleur enfant de chaque génération est présenté afin de voir l'évolution qu'il a, de plus, un petit graphique de dispersion de la qualité par rapport au mot cible est montré.
Finalisation: La reproduction se termine lorsque les enfants ont tendance à décroître (mauvaise qualité de ceux-ci), lorsque le nombre maximum d'itérations est atteint ou lorsqu'un élément optimal est trouvé.
Sélection: les éléments les plus aptes sont sélectionnés, c'est-à-dire les éléments qui ne sont pas plus de 25 % en dessous du meilleur élément de la population.
Reproduction: le processus de sélection utilisé est l'appariement du meilleur élément.
Mutation: un élément de mutation aléatoire est appliqué tous les mille individus.
F. qualité: (Fonction de santé) la qualité est mesurée en fonction de la proximité du mot avec le mot cible.
Conclusion: Les algorithmes génétiques sont un outil utile pour obtenir une solution (valeurs optimales) sur la base d'un processus d'évolution et de sélection. Son utilisation est possible pour toute fonction même si dans certains cas de nombreuses itérations et une grande puissance de calcul sont nécessaires.
Notes: L'algorithme est créé de manière simple et le code est documenté, car c'est à des fins d'apprentissage. Lorsque les mots sont trop grands ou que le nombre maximal d'itérations est élevé, le temps de l'algorithme augmente considérablement.
Crédits: Julio Enrique Vargas Monzón (200412331)
Réseau neuronal artificiel violet (RNA)
Un réseau neuronal artificiel violet (RNA) est un modèle informatique inspiré des réseaux neuronaux biologiques qui peut être considéré comme un système de traitement de l'information avec des caractéristiques telles que l'apprentissage par l'exemple, l'adaptabilité, robustesse, capacité de généralisation et tolérance aux pannes.
Le RNA peut être défini comme une structure distribuée, de traitement parallèle, formée de neurones artificiels (aussi appelés éléments de traitement), interconnectés par un grand nombre de connexions (synapses), lesquels sont utilisés pour stocker des connaissances qui sont disponibles pour pouvoir être utilisées.
Structure du Neurone Artificiel
Modèle de neurone de McCulloch-Pitts.
dans lequel on peut observer N entrées qui sont représentées par les variables X, lesquelles sont associées à des poids représentés par les variables W, lesquels déterminent le niveau d'influence du neurone j sur le neurone i par exemple.
Il existe deux processus pour chaque neurone, qui sont la sommation et l'activation.
Dans le premier, les signaux d'entrée xj et les poids wij sont combinés par la sommation:
Où yi est appelé l'état interne du neurone i.
Dans la deuxième étape, La sortie du neurone est générée à travers l'application d'une fonction appelée fonction d'activation.
Donde la salida de la neurona es representada por x i” y f” corresponde a la función de activación aplicada al estado interno de la neurona, que tiene como objetivo limitar el nivel de activación
Arquitectura de Pink
La definición de arquitectura es un punto importante en el modelaje de una crimson neuronal, por que ella restringe un tipo de problema que puede ser tratado. Por ejemplo las redes de una capa. Una red también puede estar formada por múltiples capas, las que pueden ser clasificadas en tres grupos: capa de entrada, capas intermediarias u ocultas y capas de salida
Basado en flujo de las señales, las redes neuronales también pueden ser clasificadas en dos tipos: FeedForward y redes Recurrentes.
• Redes FeedForward
La structure d'un réseau FeedForward consiste en des couches de neurones où la sortie d'un neurone d'une couche, alimente tous les neurones de la couche suivante. L'aspect élémentaire de cette structure est qu'il n'existe pas de connexions de rétroaction.
•Réseaux Récurrents religion technologique
Les réseaux récurrents sont ceux qui possèdent des connexions de rétroaction, qui fournissent un comportement dynamique. Le modèle de Hopfield est un exemple de réseau neuronal récurrent.
Algorithmes d'Apprentissage d'un RNA
Une propriété importante des réseaux neuronaux est la capacité d'apprendre à partir de leur environnement. Cela est réalisé à travers un processus interactif d'ajustements appliqué à leurs poids de connexion entre deux neurones, appelé entraînement. Il existe de nombreux algorithmes d'apprentissage. Cada uno sirve para determinar redes neuronales. Entre los principales se tienen:
• Aprendizaje por Corrección de Error: Algoritmo muy conocido basado en la regla Delta, que busca minimizar la función de error usando un gradiente descendente. Este es el principio usado en el algoritmo BackPropagation, muy utilizado para el entrenamiento de redes de múltiples capas como la Multilayer-Perceptron
• Aprendizaje Competitivo: La cual dos neuronas de una capa compiten entre si por el privilegio de permanecer activos, tal que una neurona con mayor actividad será el único que participará del proceso de aprendizaje. Este aprendizaje es utilizado en mapas de Kohonen y en redes ARTWORK.
• Aprendizaje Hebbiano: Deux de ses neurones qui sont simultanément actifs créent des connexions entre eux qui peuvent être renforcées, sinon elles s'affaibliront. Cet apprentissage est utilisé dans le modèle de Hopfield
• Apprentissage de Boltzmann: C'est une règle d'apprentissage stochastique obtenue à partir de principes théoriques de l'information et de la thermodynamique. Son objectif est d'ajuster les poids des connexions de manière à ce que l'état des unités visibles satisfasse une distribution de probabilités désirée spécifique
Un autre facteur qui intervient dans l'apprentissage de son environnement des réseaux neuronaux sont les Paradigmes d'Apprentissage, qui sont:
• Apprentissage Supervisé: Un agent externe est utilisé pour indiquer à la pink la réponse souhaitée pour le motif d'entrée.
• Renforcement: C'est une variante de l'apprentissage supervisé à laquelle on informe le réseau seulement d'une critique de correction de sortie de crimson et non de la réponse correcte elle-même.
• Apprentissage Non Supervisé (auto-organisation): Il n'existe pas d'agent externe indiquant la réponse souhaitée pour les motifs d'entrée. Ce type d'apprentissage est utilisé dans les modèles de Cartes de Kohonen, réseaux ART1 et ART2.
Référence de l'Article
Juan Carlos Gutiérrez Cáceres
Intelligence artificielle – Réseaux Neuronaux
Publié par Javier Gramajo dans Réseaux Neuronaux
Les réseaux neuronaux sont considérés comme des modèles mathématiques qui tentent de simuler le fonctionnement des neurones du cerveau, ha sido estudiado por años y se ha ido evolucionando en su estudio.1
Pese a que aún no simulan con exactitud el comportamiento de una purple neuronal del cerebro humano, la capacidad de aprendizaje y su adaptabilidad.
Tipos de Redes Neuronales Artificiales 2
El estudio y desarrollo de las redes neuronales ha llegado a tal punto que existen tipos de redes neuronales, entre los que destacan:
Perceptrón
Adaline
Mapas Autoorganizados (SOM)
Nos enfocaremos en los Mapas Autoorganizados (SOM)
Mapas Autoorganizados (SOM) trois
Los mapas autoorganizados SOM (Self-Organizing Map), también llamados redes de Kohonen son un tipo de purple neuronal no supervisada, competitiva, distribuida de forma regular en una rejilla de, normalmente, dos dimensiones, cuyo fin es descubrir la estructura subyacente de los datos introducidos en ella. Au cours de l'entraînement du purple, les vecteurs de données sont introduits dans chaque neurone et comparés avec le vecteur de poids caractéristique de chaque neurone. Le neurone qui présente la plus petite différence entre son vecteur de poids et le vecteur de données est le neurone gagnant ( BMU) et lui ainsi que ses voisins verront leurs vecteurs de poids modifiés.
Structure d'une SOM
Grille de neurones
Les neurones de la SOM sont répartis sous forme de grille régulière à deux dimensions, selon la manière dont les données doivent être visualisées. Les plus courantes sont celles en deux dimensions. Des grilles de dimensions supérieures sont possibles, bien qu'elles soient plus difficiles à interpréter.
Dans les SOM en deux dimensions, on peut distinguer deux types de grilles:
Grille hexagonale: en ella cada neurona tiene seis vecinos (excepto los extremos).
Rejilla rectangular: cada neurona tiene cuatro vecinos.
Espacio de entrada y de salida
Cada neurona de la red tiene asociado un vector de pesos ( de prototipo) de la misma dimensión que los datos de entrada. Éste sería el espacio de entrada de la red, mientras que el espacio de salida sería la posición en el mapa de cada neurona.
Relación entre Neuronas
Las neuronas mantienen con sus vecinas relaciones de vecindad, las cuales son claves para conformar el mapa durante la etapa de entrenamiento. Esta relación viene dada por una función.
Entrenamiento
En cada paso se introduce un vector de datos en cada neurona y se calcula la similitud” entre éste y el vector de peso de cada neurona. Le neurone le plus proche du vecteur d'entrée est le neurone gagnant ( BMU, Greatest-Matching Unit, Unité de correspondance maximale). Pour mesurer la similarité, on utilise généralement la distance euclidienne. Après cela, les vecteurs de poids de la BMU et de ses voisins sont mis à jour, de manière à se rapprocher du vecteur d'entrée.
Logiciel libre
LabSOM Laboratoire du SOM
vidéo:
Labyrinthe! 2 novembre, 2008
Pièces valides: libre
Dessinez avec des lignes sur un carton un labyrinthe ayant les mêmes caractéristiques topologiques que celui illustré dans le fichier. Ce labyrinthe est plat et sans texture. Il possède seize points par lesquels un robot peut entrer ou sortir en suivant la ligne noire. Les dimensions des lignes sont à votre discrétion.
Il faut développer un robot par membre. Al poner los dos robots en lados opuestos del laberinto en cualquiera de los puntos de entrada, los dos robots deben encontrar el centro del laberinto y esperar a que su compañero llegue alli. Al detectar alli a su compañero, ellos deberan intercambiar información por medio de un mensaje sonoro para llegar al punto de entrada de su compañero. Luego ambos robots deben salir por donde entró su compañero.
Entrega: semana del 17 al 21 de noviembre (cada sección entrega en un día y hora diferente, pendiende de definir aún).
Organization and habits, 1949
projecto darthmouth
john von Neumann sugiere la imitacion de funciones de neuronas simples usando relays de telegrafo, tubos de vacio.
frank rosenblatt, un neuro-biologo empezo a trabajar en los perceptrones
intrigué par le fonctionnement de l'œil d'une mouche.
Marvin Minsky et Seymour Papert démontrent que le perceptron est limité et cela est prouvé dans le livre 'Disillusioned Years' 1969
Bernard Widrow et Marcian Hoff de Stanford développent des modèles appelés ADALINE et MADALINE
1959
1982
John Hopfield de Caltech présente un article à l'Académie des sciences.
L'objectif de Hopfield n'est pas de créer de simples modèles du cerveau, mais de créer des dispositifs utiles.
avec clarté et analyse mathématique, Il démontre comment les réseaux peuvent fonctionner, et ce qu'ils peuvent faire.
1985
L'Institut américain de physique, commence ce qui deviendra plus tard une réunion annuelle, réseaux neuronaux pour le calcul. En 1987, l'IEEE organise la première conférence internationale sur les réseaux neuronaux, à laquelle plus de 1800 personnes ont assisté.
1989 réseaux neuronaux pour la protection.
en 1990 le département de la défense des États-Unis, dans son programme de recherche nomme 16 sujets, dont treize pourraient éventuellement être résolus avec des RNA.
La supériorité bien connue des êtres humains à pouvoir apprendre lorsqu'ils utilisent des outils visuels, cela est clairement vérifiable en regardant les programmes éducatifs pour enfants, de nouveaux modes de formation basés sur des environnements virtuels et une approche multimédia de l'apprentissage.
Ce comportement est dû aux milliers d'années pendant lesquelles la vue a permis aux humains de tirer des conclusions sur des choses qui se passent au-delà de ce qu'il peut toucher, sentir ou entendre, de sorte que le résultat a été un cerveau conçu pour s'occuper davantage des activités visuelles.
Ce changement que l'humain a subi avec sa vue est lié au concept d'évolution, un processus par lequel, à travers le croisement entre individus d'une espèce et de nombreuses générations, des individus spécialisés sont produits et se développeront mieux dans le contexte que leurs prédécesseurs.
Plan Wikipedia algorithme génétique comme:
Un algorithme génétique est une méthode de recherche dirigée basée sur la probabilité sous une condition très faible (que l'algorithme maintienne l'élitisme, c'est-à-dire, garder toujours le meilleur élément de la population sans lui apporter aucun changement) se puede demostrar que el algoritmo converge en probabilidad al óptimo.” 1
Estos dos conceptos dan forma al proyecto: una implementación de un programa computacional que basado en teoría de evolución genética busca dar solución a el problema de la mochila 2 , sin embargo mas que una solución numérica, la mejor solución, el mejor individuo se esta interesado en el proceso de evolución como tal, siendo presentado este proceso como un video explicativo del proceso.
Debido a el objetivo que persigue el proyecto de ser una herramienta que permita explicar mejor el proceso subyacente, se dan como requerimientos mínimos del proyecto:
Desarrollo del mismo dentro de una herramienta libre.
Interfaz visible.
Sélection du type de croisement au début de l'application.
Mutation:
sélection de la plage de mutation, il s'agit de la probabilité qu'un individu subisse une mutation.
Sélection:
Sortie de l'application:
Solution sous forme de texte
Solution sous forme de vidéo (séquence de cadres)
En ce qui concerne les cadres qui constituent la vidéo, les aspects critiques d'évaluation sont la quantité d'informations qui parviennent à être transmises dans chacun d'eux, aspects possibles et souhaitables sont:
Numéro de l'itération
Meilleure solution
Pire solution
Délimitation de la zone à laquelle appartiennent les solutions, cela dans le but de pouvoir observer comment l'espace se referme autour des solutions autour d'un maximum local.
Évolution dans le temps: informations sur l'itération actuelle par rapport à l'itération précédente
indication des individus non aptes (ne respectent pas une règle commerciale)