Fundamentos de Redes Neuronales y Lógica en Inteligencia Artificial

Redes Neuronales: Fundamentos y Clasificación

La red neuronal monocapa es la más sencilla; posee una sola capa de neuronas que procesan las entradas para generar directamente las salidas de la red. Las redes multicapa, por su parte, contienen varias capas ocultas entre la capa de entrada (sensorial) y la capa de salida.

Clasificación según el Método de Aprendizaje

• Supervisado
• No supervisado
• Reforzado

En el aprendizaje reforzado, se evalúa únicamente si la respuesta generada es correcta o incorrecta.

Para el aprendizaje no supervisado, existen diversas técnicas, como:

• Agrupamiento (Clustering)
• Análisis de Componentes Principales (PCA)
• Aprendizaje competitivo
• Mapas autoorganizados (SOM)

Clasificaciones Adicionales de las Redes Neuronales

Las redes neuronales se pueden clasificar según su aplicación o uso:

• Redes neuronales para Clasificar (clasificadores)
• Redes neuronales para Regresión (regresores)

Las redes neuronales pueden implementarse como clasificadores o como regresores. En el caso de los clasificadores, se asigna una clase discreta a un vector de entradas. Para los regresores, se asigna un vector de salida continuo o analógico a un vector de entrada continuo.

Clasificación según su Topología o Arquitectura

• Red neuronal monocapa (Perceptrón simple)

Red Neuronal Multicapa

Las redes neuronales multicapa generalmente poseen varias capas.

Cada capa se caracteriza por una matriz de sesgo (conocido como bias, b) y un vector de salida (a). Se utiliza un superíndice en la variable de interés para distinguir la presencia de las distintas capas en las matrices de peso, los sesgos y los vectores de salida.

Creación de Capas de Neuronas

1. Una capa recibe valores, denominados entradas (inputs). En la primera capa, estos valores provienen directamente de los datos de entrada, mientras que las capas subsiguientes reciben el resultado de la capa anterior.
2. Se realiza una suma ponderada de todos los valores de entrada. Para esta ponderación, se requiere una matriz de pesos (W). La matriz W posee tantas filas como neuronas tenga la capa anterior y tantas columnas como neuronas tenga la capa actual.
3. Al resultado de la suma ponderada anterior se le suma otro parámetro, conocido como sesgo (bias).

Sistemas Neuronales Artificiales (ANS)

Los Sistemas Neuronales Artificiales (ANS) imitan, en cierta medida, la estructura del sistema nervioso biológico. Generan sistemas de procesamiento paralelo, distribuidos y adaptativos, que pueden exhibir un comportamiento «inteligente».

El conjunto de las reglas de producción conforma la base de conocimiento que describe cómo evoluciona un sistema. Las reglas de producción actúan sobre una memoria de trabajo o base de datos que describe el estado actual del sistema.

Si la condición de una regla de producción se satisface, entonces dicha regla se considera activa.

Tipos de Control en Sistemas de Producción

Para gestionar estos sistemas, se emplean dos tipos de control: control global (independiente del dominio) y control local (dependiente del dominio).

El control local puede implementarse mediante meta-reglas (reglas que controlan otras reglas).

Aspectos clave incluyen: sensibilidad (capacidad de responder rápidamente a cambios en el entorno) y estabilidad (mantener cierta continuidad en la línea de razonamiento).

Fundamentos de Lógica en Inteligencia Artificial

Elementos de la Lógica

• Conectores lógicos
• Cuantificadores: universal (∀x, «para toda x») y existencial (∃x, «existe una x»)
• Símbolos auxiliares: (, ), ,

Un término es una constante, una variable o una función de términos.

Una fórmula atómica o átomo es un predicado de N términos.

Lógica de Predicados de Primer Orden

En la lógica proposicional, los átomos son los constituyentes básicos de las fórmulas y pueden ser verdaderos o falsos.

Su limitación principal es que no puede expresar propiedades generales de casos similares.

Por ejemplo: «Todos los alumnos de Metodología de Inteligencia Artificial se están durmiendo».

Los átomos se pueden combinar mediante conectores lógicos, formando así proposiciones compuestas:

• Negación: ~
• Conjunción: & (o ∧)
• Disyunción: V (o ∨)
• Implicación: →
• Doble implicación: ↔

Lógica Proposicional

Este tipo de declaraciones se denominan proposiciones y se denotan en lógica proposicional con letras mayúsculas (v.g., P, Q, …).

Las proposiciones como P y Q también se conocen como proposiciones atómicas o átomos.

¿Qué es la Lógica?

La lógica es un lenguaje formal que permite expresar conocimiento y razonar a partir de ciertas expresiones para deducir otras (proceso de deducción).

Características Principales:

• Sintaxis y semántica bien definidas.
• Reglas de inferencia.