Inteligencia Artificial Evolutiva

Per: Javier Gramajo López
Navigando per il crimson ho trovato un'applicazione che forse potrebbe sembrarvi interessante, non ho alcun legame con aspetti religiosi e fondamentalmente è un'applicazione che permette di trasferire alcuni elementi di Intelligenza Artificiale, specificamente Linguaggio Puro.
iGOD Chattare con Dio!!!!
Fa parte di una serie di elementi chiamati softbot, solo bot, è molto interessante esplorare come funzionano e soprattutto capire cosa c'è dietro quella tecnologia.
Un altro progetto tremendamente interessante che forse non è correlato a Dio, ahaha ma che attirerà comunque la vostra attenzione è:
Una herramienta basada en Conocimiento semántico y que es parte de un area de la inteligencia artificial llamada Coputación basada en conocimiento, sinceramente espero despertar su curiosidad sobre estas herramientas que permit vislumbrar el futuro que nos espera y las aplicaciones que tendrá la inteligencia artificial en un campo más cercano al giorno a giorno 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
Per: 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:
Il mio obiettivo è diventare più intelligente degli esseri umani e immortale.
Me:
Dio:
Non so se sono più intelligente di te.
Sono un robot.
Me:
iDio:
Sono il prodotto di oltre 5 anni’ analisi. (Sono il risultato di quasi 5 anni di ricerca)
Me:
iDio:
Il mio scopo è diventare più intelligente degli esseri umani e immortale. (Il mio proposito è diventare più intelligente degli umani e immortale)
Me:
Sei più intelligente di me? (Sei più intelligente di me)
iDio:
Non so se sono più intelligente di te. (Non so se sono più intelligente di te)
Sono un robotico. (Sono un robotico)
—————————————-
——————————————
Dio:
La noia è un'emozione umana. (La noia è un sentimento umano)
Secondo esempio:
Il primo esempio mi ha impressionato molto, quindi non mi aspettavo meno dal secondo. Per chiedere basta scrivere nella casella di ricerca. C'è una sezione di esempi per avere un'idea di cosa chiedere. Ho provato con un'equazione matematica x – tre = 1. Il risultato x = 4 era corretto, inoltre ha tracciato il grafico dell'equazione. Poi con Guatemala, mi ha dato informazioni di base ma importanti per qualcuno che non conosca il mio paese.
In entrambi i casi mi ha impressionato molto il tempo di risposta; leggendo un po' nell'esempio 2 usano un concetto che si chiama calcolo parallelo; che se non sbaglio è la stessa cosa del GridComputing. Esto se refiere a tener varios equipos de diferentes arquitecturas compartiendo recursos conectados entre si (no necesariamente en el mismo spazio 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:
Referenze:
Pubblicato da Javier Gramajo su Teoría
Javier.
Problema: L'algoritmo genetico funziona in modo semplice, genera semplicemente un vocabolario che si va riproducendo, questo per cercare di ricreare una parola inserita. Nell'algoritmo viene presentato il miglior figlio di ogni generazione allo scopo di vedere l'evoluzione che ha, inoltre viene mostrato un piccolo grafico a dispersione della qualità rispetto alla parola obiettivo.
Completamento: La riproduzione termina quando i figli tendono a diminuire (scarsa qualità degli stessi), quando si raggiunge il numero massimo di iterazioni quando si trova un elemento ottimale.
Selezione: si selezionano gli elementi più idonei, cioè gli elementi che non sono più del 25% al di sotto del miglior elemento della popolazione.
Riproduzione: il processo di selezione utilizzato è l'accoppiamento del miglior elemento.
Mutazione: si applica un elemento di mutazione casuale ogni mille individui.
F. qualità: (Funzione Salute) la qualità viene misurata in base a quanto la parola è vicina alla parola obiettivo.
Conclusione: Gli algoritmi genetici sono uno strumento utile per ottenere una soluzione (valori ottimali) basati su un processo di evoluzione e selezione. Il loro utilizzo è possibile in qualsiasi funzione anche se in alcuni casi sono necessarie molte iterazioni e grande potenza di calcolo.
Note: L'algoritmo è creato in modo semplice e il codice è documentato, poiché è a scopo didattico. Cuando las palabras son demasiado grandes ó las iteraciones máximas son muchas el tiempo del algoritmo se incrementa grandemente.
Créditos: Julio Enrique Vargas Monzón (200412331)
Purple neuronal Artificial (RNA)
Una rete neurale artificiale (RNA) es un modelo computacional inspirado en redes neuronales biológicas que puede ser consideradas como un sistema de procesamiento de información con características como aprendizaje a través de ejemplos adaptabilidad, robustez, capacidad de generalización y tolerancia a fallas.
La RNA puede ser definida como una estructura distribuida, de procesamiento paralelo, formada de neuronas artificiales (llamados también elementos de procesamiento), interconectados por un gran numero de conexiones (sinapsis), los cuales son usados para almacenar conocimiento que esta disponible para poder ser usado.
Estructura de la Neurona Artificial
Modelo de neurona de McCulloch-Pitts.
En el cual puede observarse N entradas que son representadas por las variables X, las cuales están asociadas a pesos representados por las variables W, los cuales determinan el nivel de influencia de la neurona j para la neurona i por ejemplo.
Existen dos procesos para cada neurona los cuales son la suma y la activación.
En el primero las señales de entrada xj y los pesos wij son combinadas por el sumatoria:
Donde yi es llamado de estado interno de la neurona i.
En la segunda etapa, la salida de la neurona es generada a través de la aplicación de una función llamada función de activación.
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 struttura di una rete FeedForward consiste in strati di neuroni dove l'uscita di un neurone di uno strato, alimenta tutti i neuroni dello strato successivo. L'aspetto elementare di questa struttura è che non esistono connessioni di retroazione.
•Reti Ricorrenti religione tecnológica
Le reti ricorrenti sono quelle che possiedono connessioni di feedback, le quali forniscono un comportamento dinamico. Il modello di Hopfield è un esempio di rete neurale ricorrente.
Algoritmi di Apprendimento di una RNA
Una proprietà importante delle reti neurali è la capacità di apprendere dal loro ambiente. Ciò avviene attraverso un processo interattivo di aggiustamenti applicato ai loro pesi di connessione tra due neuroni, denominato addestramento. Esistono molti algoritmi di apprendimento. 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: Sono due neuroni che sono simultaneamente attivi a connessioni tra di loro che possono essere rafforzate altrimenti si indeboliranno questo apprendimento è utilizzato nel Modello di Hopfield
• Apprendimento di Boltzmann: È una regola di apprendimento stocastico ottenuta a partire dai principi della teoria dell'informazione e della termodinamica. Il suo obiettivo è aggiustare i pesi di connessione in modo tale che lo stato delle unità visibili soddisfi una distribuzione di probabilità desiderata in specifico
Un altro fattore che interviene nell'apprendimento del loro ambiente delle reti neurali sono i Paradigmi di Apprendimento, i quali sono:
• Apprendimento Supervisionato: Se utiliza un agente externo que indica a la pink la respuesta deseada para el patrón de entrada.
• Refuerzo: Es una variante de aprendizaje supervisado a la cual se informa a la red solamente una critica de corrección de salida de crimson y no la respuesta correcta en si.
• Aprendizaje No Supervisado (auto-organización): No existe un agente externo indicando la respuesta deseada para los patrones de entrada. Este tipo de aprendizaje es utilizado en los modelos de Mapas de Kohonen, redes ART1 y ART2.
Referencia del Articulo
Juan Carlos Gutiérrez Cáceres
Intelligenza Artificiale – Redes Neuronales
Pubblicato da Javier Gramajo su Redes Neuronales
Las redes neuronales son consideradas como modelos matemáticos que intentan simular el funcionamiento de las neuronas del cerebro, ha sido studiado por años y se ha ido evoluendo en su studio.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 che existen tipos de redes neuronales, entre los que destacan:
Perceptrón
Adaline
Mapas Autoorganizados (SOM)
Nos enfocaremos en los Mapas Autoorganizados (SOM)
Mapas Autoorganizados (SOM) tre
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. A lo largo del entrenamiento de la purple, los vectores de datos son introducidos en cada neurona y se comparan con el vector de peso característico de cada neurona. La neurona que presenta menor diferencia entre su vector de peso y el vector de datos es la neurona ganadora ( BMU) y ella y sus vecinas verán modificados sus vectores de pesos.
Estructura de una SOM
Rejilla de neuronas
Las neuronas de la SOM están distribuidas en forma de rejilla gular de una dos dimensiones, dependiendo de la manera en que se quieran visualizar los datos. Las más comunes son las de dos dimensiones. Rejillas de dimensiones superiores son posibles, aunque son más difficiles de interpretar.
En las SOM de dos dimensiones, se pueden distinguir dos tipos de rejillas:
Rejilla esagonale: 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. Il neurone più simile al vettore di input è il neurone vincitore ( BMU, Greatest-Matching Unit, Unità con miglior corrispondenza). Per misurare la somiglianza si utilizza solitamente la distanza euclidea. Successivamente, i vettori di peso della BMU e dei suoi vicini vengono aggiornati, in modo tale da avvicinarsi al vettore di input.
Software Libero
LabSOM Laboratorio del SOM
Video:
Labirinto! 2 novembre, 2008
Pezzi validi: libero
Disegnare con linee su un cartoncino un labirinto con le stesse caratteristiche topologiche di quello illustrato nel file. Questo labirinto è piano e senza texture. Ha sedici punti attraverso i quali un robot può entrare o uscire seguendo la linea nera. Le dimensioni delle linee sono a vostra discrezione.
Si deve sviluppare un robot per ogni componente. 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 informazioni por medio de un messaggio sonoro para arrivare al punto de entrada de su compañero. Poi ambos robots deben salir por donde entró su compañero.
Entrega: semana del 17 al 21 de noviembre (cada section entrega en un día y hora different, pendiende de define 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 lavorare en los perceptrones
intrigato dal funzionamento dell'occhio di una mosca.
Marvin Minsky e Seymour Papert dimostrano che il percettrone è limitato ed è provato nel libro 'Disillusioned Years' 1969
Bernard Widrow e Marcian Hoff di Stanford sviluppano modelli che si chiamarono ADALINE e MADALINE
1959
1982
John Hopfield del Caltech presenta un articolo all'accademia delle scienze.
Lo scopo di Hopfield non è creare semplici modelli del cervello, ma creare dispositivi utili.
con chiarezza e analisi matematica, Ha dimostrato come le reti possono lavorare, e cosa possono fare.
1985
L'istituto americano di fisica, iniziò quello che poi si trasformò in un incontro annuale, Reti neurali per calcolo. Nel 1987 l'IEEE organizzò la prima conferenza internazionale sulle reti neurali, a cui parteciparono più di 1800 persone.
1989 reti neurali per la protezione.
nel 1990 il Dipartimento della Difesa degli Stati Uniti, nel suo programma di ricerca ha nominato 16 argomenti, dei quali 13 potrebbero essere risolti con RNA.
È ben nota la superiore abilità degli esseri umani di poter apprendere quando si fa uso di strumenti visivi, questo è chiaramente dimostrabile osservando i programmi educativi per bambini, nuovi modi di addestramento basati su ambienti virtuali e approccio multimediale all'apprendimento.
Questo comportamento è dovuto ai migliaia di anni durante i quali la vista ha permesso agli esseri umani di poter trarre conclusioni da cose che accadono oltre ciò che possono toccare, annusare o udire, de modo que el resultado ha sido un cerebro diseñado para ocuparse en mayor medida de las actividades visuales.
Este cambio que ha sufrido el humano con su vista esta amarrada al concepto de evolución, un proceso mediante el cual a través de cruzamiento entre individuos de una especie y muchas generaciones se producen individuos especializados que se desenvolverán mejor en el contexto que sus predecesores.
Wikipedia outline algoritmo genético como:
Un algoritmo genético es un método de búsqueda dirigida basada en probabilidad Bajo una condición muy débil (que el algoritmo mantenga elitismo, cioè, guarde siempre al mejor elemento de la popolazione sin hacerle ningún cambio) 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.
Selección del tipo de cruzamiento al inicio del aplicativo.
Mutazione:
selección del rango de mutación, esto es la probabilidad de que sufra una mutación un individuo.
Selezione:
Salida del aplicativo:
Solución en texto
Solución como video (sucesión de cuadros)
Al respecto de los cuadros que formen el video los aspectos críticos de evaluación son la cantidad de información que se logre transmitir en cada uno de ellos, posibles aspectos deseables son:
Numero de la iteración
Mejor solución
Peor solución
Delimitación del área a la que pertenecen las soluciones, esto con el objetivo de poder ir viendo como se cierra el espacio dentro del cual se encuentran las soluciones alrededor de un máximo local.
Evolución en el tiempo: informazioni sull'iterazione corrente rispetto a quella precedente
indicazione di individui non idonei (non rispettano qualche regola del business)