Redes artificiales

El cerebro es uno de las cumbres de la evolución biológica, ya que es un gran procesador de información. Entre sus características podemos destacar, que es capaz de procesar a gran velocidad grandes cantidades de información procedentes de los sentidos, combinarla o compararla con la información almacenada y dar respuestas adecuadas. Además es de destacar su capacidad para aprender a representarla información necesaria para desarrollar tales habilidades, sin instrucciones explícitas para ello.
Los científicos llevan años estudiándolo y se han desarrollado algunos modelos matemáticos que tratan de simular su comportamiento. Estos modelos se han basado sobre los estudios de las características esenciales de las neuronas y sus conexiones.
Aunque estos modelos no son más que aproximacionesmuy lejanas de las neuronas biológicas, son muy interesantes por su capacidad de aprender y asociar patrones parecidos lo que nos permite afrontar problemas de difícil solución con la programación tradicional. Se han implementado en computadoras y equipos especializados para ser simulados.
Con el paso de los años, los modelos de neuronas iniciales se han ido complicando, introduciendo nuevosconceptos llegando a ser un paradigma de computación (equivalente a las máquinas de Turing) basado en el comportamiento de las neuronas.
McCulloch y Pitts dio origen a los modelos conexionista definiendo formalmente la neurona en 1943 como una maquina binaria con varias entradas y salidas.
Hebb, definió en 1949 dos conceptos muy importantes y fundamentales quehan pesado en el campo de las redesneuronales, basándose en investigaciones psicofisiológicas:
• El aprendizaje se localiza en las sinapsis o conexiones entre las neuronas.
• La información se representan en el cerebro mediante un conjunto de neuronas activas o inactivas.
Las hipótesis de Hebb, se sintetizan en la regla de aprendizaje del hebb, que sigue siendo usada en los actuales modelos. Esta Regla nos dice que los cambios enlos pesos de las sinapsis se basan en la interacción entre las neuronas pre y postsinapsitcas.La primera conferencia sobre IA en la cual se discutió sobre la capacidad de las computadoras para simular el aprendizaje fue en 1956 en Dartmouth. A partir de ahí investigadores han desarrollado distintos tipos de redes neuronales que cito a continuación:
• 1959 Widrow Teoría sobre la adaptación neuronaly el Adaline (Adaptative Linear Neuron) y el Madaline (Multiple Adaline). Es la primera aplicación de las redes a problemas reales: filtros adaptativos para eliminar ecos en las líneas telefónicas.
• 1962, Rosemblatt El Perceptrón es un identificador de patrones ópticos binarios, y salida binaria. Dio lugar a regla de aprendizaje delta, que permitía emplear señales continuas de entrada y salida.• 1969, Minsky y Papert una seria crítica del Perceptrón que dada su naturaleza lineal tenia bastantes limitaciones, provocó una caída en picado de las investigaciones y una época gris para las redes neuronales.
• 1977, Anderson Los Modelos de memorias asociativas. Investiga el autoasociador lineal brain-state-in-a-box
• Años 80, Rumelhart, McClelland & Hinton crean el grupo PDP (ParallelDistributed Processing). Como resultado de los trabajos de este grupo salieron los manuales con más influencia desde el trabajo descorazonador de Minsky y papera
• 1982, Hopfield elabora un modelo de red consistente en unidades de proceso interconectadas que alcanzan mínimos energéticos, aplicando los principios de estabilidad desarrollados por Grossberg.
• 1984, Kohonen Mapas de Kohonen, Esteinvestigador fines desarrolló redes basadas en aprendizaje competitivo, con una idea nueva basada en la biología: Las unidades de procesos físicamente adyacentes aprenderán a representar patrones de entrada similares, así las neuronas de salida adyacentes identifican patrones similares.
• 1987, Grossberg El modelo ART (Adaptative Resonance Theory), estudia los principios de la estabilidad de...