clase aprendizaje conexionista

Aprendizaje conexionista (redes neuronales)
1. ¿Desde cuándo se inició la idea de construir una máquina inteligente utilizando neuronas artificiales?
2. ¿Por qué se detuvo en la década de los sesenta la investigación sobre redes neuronales?
3. ¿A qué se debe que recientemente haya resurgido el interés en las redes neuronales?
4. ¿Qué nombre han recibido las nuevas arquitecturas para redesneuronales?
5. ¿Qué hechos conocidos caracterizan el funcionamiento del cerebro?
6. ¿Qué problemas está tratando la IA actualmente?
7. Hopfield en 1982 introdujo una red neuronal que propuso como una teoría de la memoria. ¿Qué características tiene una red de hopfield?
8. Describe una red de Hopfield
9. ¿Cómo funcionan las redes de Hopfield (algoritmo de relajación paralela)?
10. ¿En las redes deHopfield como se maneja la corrección de errores y las fallas?
11. ¿Cuál es la relación entre los pesos de las conexiones de la red y los mínimos locales en los que se asienta?
12. ¿Qué es un perceptrón?
13. ¿Cómo funciona un perceptrón?

14. ¿Cuál es la propiedad que resulta verdaderamente interesante del aprendizaje del perceptrón?
15. como aprende un perceptrón.
16. ¿Cuáles son los pasos delalgoritmo de aprendizaje del perceptrón de incremento fijo?

Respuesta: Arquitecturas conexionistas

Respuesta
Sea x un vector de entrada (x1, x2, … xn). Adviértase que la función de suma ponderada g(x), y la función de salida o(x) se puede definir como:

o(x)= {1 si g(x)>0
0 si g(x)<0
Con 2 entradas

g(x)= w0+w1x1+w2x2
Si g(x) es exactamente 0, el perceptrón no podrá decidir si debedispararse. Un ligero cambio en las entradas podría dar lugar a que el dispositivo se decida por uno de los dos caminos. Si se resuelve la ecuación g(x) = 0 se obtiene la ecuación de una recta:

X2=-(w1/w2)x1-(w0/w2)

La situación de la recta está completamente determinada por los pesos w0, w1, y w2. Si un vector de entrada se sitúa hacia uno de los lados de la recta, el perceptrón da como salida 1; sise desplaza hacia el otro lado dará salida 0. Una recta que separe correctamente dos casos de entrenamiento se corresponde con un perceptrón funcionando correctamente. Dicha recta se denomina superficie de decisión. Para perceptrones con muchas entradas, la superficie de decisión será un hiperplano en el espacio multidimensional de los posibles vectores de entrada. El problema del aprendizajeconsiste en localizar una superficie de decisión apropiada.


Respuesta. Que cualquiera que sea el cálculo que un perceptrón pueda llevar a cabo ¡puede aprender a calcularlo!



Respuesta. El algoritmo de aprendizaje del perceptrón es un algoritmo de búsqueda. Comienza en un estado inicial aleatorio y acaba encontrando un estado solución. El espacio de búsqueda simplemente consiste en todas lasposibles asignaciones de valores reales a los pesos del perceptrón, y la estrategia de búsqueda es un descenso por el gradiente.
Dado: Un problema de clasificación con n características de entrada (x1, x2, …, xn) y dos clases de salida.
Calcular: Un conjunto de pesos (w0, w1,…, wn) que harán que el perceptrón se dispare en el momento en que la entrada caiga dentro de la primera clase de las salidas.
1.Crear un perceptrón con n+1 entradas y n+1 pesos, donde una entrada extra llamada x0 siempre esta puesta a 1.
2. Inicializar los pesos (w0, w1,…, wn) con valores reales aleatorios.
3. Iterar a través del conjunto de entrenamiento, recogiendo todos los ejemplos sin clasificar que se obtienen con el conjunto de pesos que se tiene.
4. Si todos los ejemplos se clasifican correctamente, la salida sonlos pesos y se termina.
5. Si no ocurre así, calcular el vector suma S de los vectores sin clasificar donde cada vector es de la forma (x0, x1, x2, …, xn). Al calcular la suma añadir a S el vector x si x es una entrada para la que el perceptrón falla al no dispararse incorrectamente, y añade –x, si x es una entrada para la que el perceptrón se dispara incorrectamente. Multiplicar la suma por un...