进化人工智能

作者: 哈维尔·格拉马乔·洛佩斯
在浏览红色网络时，我发现了一个应用程序，可能会引起你们的兴趣, 我与宗教方面没有任何关联，基本上这是一个可以传递一些人工智能元素的应用程序, 具体来说是纯语言.
iGOD 与上帝聊天!!!!
它是被称为 softbots 的一系列元素的一部分，仅仅是机器人, 探索它们的工作原理非常有趣，尤其是能够回答这种技术背后的东西.
另一个可能与上帝无关但非常有趣的项目, 哈哈，但它也会引起你们的注意:
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
作者: 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:
我的目标是变得比人类更聪明并且永生.
Me:
上帝:
我不知道我是否比你聪明.
我是一台机器人.
Me:
iGod:
我是经过五年多研究的产物’ 分析. (我是近五年研究的结果)
Me:
iGod:
我的目的是变得比人类更聪明并且永生. (我的目标是变得比人类更聪明且永生)
Me:
你比我聪明吗? (你比我聪明吗)
iGod:
我不知道我是否比你聪明. (我不知道我是否比你聪明)
我是一台机器人. (我是一台机器人)
—————————————-
——————————————
上帝:
Boredom is a human emotion. (El aburrimiento es un sentimiento humano)
Segundo ejemplo:
El primer ejemplo me impresionó bastante, así que no esperaba menos del segundo. Para preguntar bastará con escribir en el cuadro de búsqueda. Hay una sección de ejemplos para darse una concept de que preguntarle. Intenté con una ecuación matemática x – three = 1. El resultado x= 4 fue correcto, además me trazó la gráfica de la ecuación. Luego con Guatemala”, me dió información básica pero importante para alguien que no sepa sobre mi país.
En ambos casos me impresionó bastante el tiempo de respuesta; leyendo un poco en el ejemplo 2 utilizan un concepto que se llama parallel computing; que si no estoy mal es lo mismo que GridComputing. 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: el algoritmo genético funciona de manera sencilla, simplemente genera un vocabulario el cual va reproduciéndose, esto buscando recrear una palabra ingresada. En el algoritmo se presenta el mejor hijo de cada generación con objeto de ver la evolución que tiene, además se muestra una pequeña grafica de dispersión de calidad con respecto a la palabra objetivo.
Finalización: La reproducción termina cuando los hijos tienden a decrecer (mala calidad de los mismos), cuando se alcanza el número máximo de iteraciones cuando se encuentra un elemento óptimo.
Selección: se seleccionan los elementos más aptos, es decir los elementos que están no más de 25% debajo del mejor elemento de la población.
Reproducción: 所使用的选择过程是最佳个体配对.
突变: 每千个个体应用一次随机突变.
F. 质量: (健康函数) 质量是根据单词与目标单词的接近程度来衡量的.
结论: 遗传算法是一个用于找到解决方案的有用工具 (最优值) 基于进化和选择的过程. 它可以用于任何函数，尽管在某些情况下需要许多迭代和强大的计算能力.
备注: 该算法设计简单，并且代码有文档说明, 因为这是用于学习目的. 当词语过长或最大迭代次数过多时，算法的时间会大大增加.
学分: 胡里奥·恩里克·巴尔加斯·蒙松 (200412331)
人工神经网络（Purple neuronal Artificial） (RNA)
一种人工神经网络 (RNA) 是一种受生物神经网络启发的计算模型，可以被视为具有通过示例学习、适应性、稳健性、泛化能力和容错能力等特征的信息处理系统, 稳健性, 泛化能力和容错能力.
RNA可以定义为一种分布式结构, 并行处理, 由人工神经元组成 (也称为处理单元), 通过大量连接互相连接 (突触), 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 estructura de una red FeedForward consiste en capas de neuronas donde la salida de una neurona de una capa, alimenta todas las neuronas de la capa siguiente. El aspecto elementary de esta estructura es que no existen las uniones de retroalimentación.
•Redes Recurrentes 技术信仰
Redes recurrentes son aquellas que poseen conexiones de realimentación, las cuales proporcionan un comportamiento dinámico. El modelo de Hopfield es un ejemplo de red neuronal recurrente.
Algoritmos de Aprendizaje de un RNA
Una propiedad importante de las redes neuronales es la habilidad de aprender a partir de su ambiente. Eso es realizado a través de un proceso interactivo de ajustes aplicado a sus pesos de conexión entre dos neuronas, denominados entrenamiento. Existen muchos algoritmos de aprendizaje. 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: Son dos neuronas que están simultáneamente activas a conexiones entre ellas que pueden ser fortalecidas caso contrario se debilitaran este aprendizaje es utilizado en el Modelo de Hopfield
• Aprendizaje de Boltzmann: Es una regla de aprendizaje estocástico obtenido a partir de principios de teórico de información y de termodinámica. Su objetivo es ajustar los pasos de conexión de tal forma que el estado de las unidades visibles satisfaga una distribución de probabilidades deseada en specific
Otro factor que interviene en el aprendizaje de su entorno de las redes neuronales son los Paradigmas de Aprendizaje los cuales son:
• Aprendizaje Supervisado: 使用一个外部代理向网络指示输入模式的期望响应.
• 强化学习: 这是一种监督学习的变体，在这种学习中，仅向网络提供crimson输出的纠正性反馈，而不是正确的答案本身.
• 无监督学习 (自组织): 没有外部代理指示输入模式的期望响应. 这种类型的学习用于Kohonen地图模型, ART1和ART2网络.
文章参考
Juan Carlos Gutiérrez Cáceres
人工智能 – 神经网络
由Javier Gramajo发表于神经网络
神经网络被认为是试图模拟大脑神经元功能的数学模型, 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) 三
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 difíciles de interpretar.
En las SOM de dos dimensiones, se pueden distinguir dos tipos de rejillas:
Rejilla hexagonal: en ella cada neurona tiene seis vecinos (excepto los extremos).
矩形网格: 每个神经元有四个邻居.
输入空间和输出空间
网络的每个神经元都关联一个权重向量 ( 原型的) 与输入数据具有相同维度. 这就是网络的输入空间, 而输出空间则是每个神经元在地图上的位置.
神经元之间的关系
神经元与其邻居保持邻近关系, 这些关系在训练阶段形成地图时至关重要. 这种关系由一个函数决定.
训练
每一步将一个数据向量输入到每个神经元，并计算此向量与每个神经元的权重向量之间的相似性. 与输入向量最相似的神经元是获胜神经元 ( BMU, 最佳匹配单元, 最佳匹配单元). 通常使用欧几里得距离来测量相似性. 之后, BMU及其邻居的权重向量会被更新, 以使其靠近输入向量.
自由软件
LabSOM SOM实验室
视频:
迷宫! 11月2日, 2008
有效的零件: 免费
在一张卡纸上用线条绘制一个具有与文件中所示相同拓扑特征的迷宫。该迷宫是平面且无纹理的. 有16个点，机器人可以沿着黑线进出. 线条的尺寸由你决定.
每个成员应开发一个机器人. 将两个机器人放在迷宫相对的两侧的任意入口点时, 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
intrigado por el funcionamiento del ojo de una mosca.
marvin minsky and seymour papert demuestran que el perceptron es limitado y esta provado en el libro disillusioned years” 1969
bernard widrow y marcian hoff de stanford desarrollan modelos que se llamaron ADALINE y MADALINE
1959
1982
john HOpfield de caltech presenta un articulo a la academia de ciencias.
el alcance de Hopfield es no crear simples modelos del cerebro, sino crear dispositivos utiles.
con claridad y analisis matematico, el demostro como las redes pueden trabajar, y lo que pueden hacer.
1985
el instituto americano de fisica, empezo lo que luego se convirgio en una reunion annual, redes neuronales para computaciones. en 1987 la IEEE hizo la primera conferencia internacional de redes neuronales, a la que atendieron mas de 1800 personas.
1989 neural networks for protection.
en 1990 el departamento de defensa de los estados unidos, en su programa de investigacion nombre 16 topicos, de los cuales thirteen posiblemente podrian ser resueltos con RNA.
Es bien conocida la superior habilidad de los seres humanos para poder aprender cuando se hace uso de herramientas visuales, esto es claramente comprobable al momento de ver los programas educativos para niños, nuevos modos de entrenamiento basados en ambientes virtuales y enfoque multimedia del aprendizaje.
Este comportamiento se debe a los miles de años durante los cuales la vista ha permitido a los humanos poder obtener conclusiones de cosas que suceden mas allá de lo que el puede tocar, oler u oír, 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, 也就是说, guarde siempre al mejor elemento de la población 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.
应用程序开始时的交叉类型选择.
突变:
变异范围选择, 这是个体发生变异的概率.
Selección:
应用程序输出:
文本形式的解决方案
视频形式的解决方案 (帧序列)
关于组成视频的帧，评估的关键方面是每帧所能传递的信息量, 可能的理想方面包括:
迭代次数
最优解
最差解
解决方案所属区域的界定, 其目的是为了能够观察解决方案在局部最大值周围的空间如何逐渐收敛.
随时间的演变: información de la iteración actual versus la iteración anterior anteriores
indicación de individuos no aptos (no cumplen con alguna regla del negocio)