Antecedentes

La primera red neuronal conocida, fue desarrollada en 1943 por Warren McCulloch y Walter Pitts. La red tipo Perceptrón fue inventada por el sicólogo Frank Rosenblatt en el año 1957 y el primer modelo de Perceptrón fue desarrollado en un ambiente biológico imitando el funcionamiento del ojo humano. El fotoperceptrón: era un dispositivo que respondía a señales ópticas.

Regla de Aprendizaje

El Perceptrón es un tipo de red de aprendizaje supervisado, es decir necesita conocer los valores esperados para cada una de las entradas presentadas; su comportamiento está definido por pares de esta forma:

Cuando pj es aplicado a la red, la salida de la red es comparada con el valor esperado tj

• Se Suma de las señales de entrada, multiplicadas por unos valores de pesos escogidos aleatoriamente.
• La entrada es comparada con un patrón preestablecido para determinar la salida de la red.
• Si en la comparación, la suma de las entradas multiplicadas por los pesos es mayor o igual que el patrón preestablecido la salida de la red es uno (1), en caso contrario la salida es cero (0).

Procedimiento general:

El procedimiento de aprendizaje de la red (ajuste de los pesos) se resume en aplicar cada objeto de la muestra a la red y ajustar los pesos en caso de que la salida de la red no sea correcta, de acuerdo a las fórmulas ya explicadas:

WN = WA + e * p                                               UmbralN = UmbralA + e

Donde
e = t-a
t = valor real del objeto
a = valor calculado por la Red
WN = Peso nuevo
WA = Peso anterior

por ejemplo sea estos datos nuestra bateria de Prueba. Utilizaremos cuatro puntos para el aprendizaje de la RNA
P1 = ( 2,  1)         R1 = 1  (clase A)
P2 = ( 0, -1)        R2 = 1  (clase A)
P3 = (-2,  1)       R3 = -1 (clase B)
P4 = ( 0,  2)        R4 = -1 (clase B)

Partimos de cualquier valor (aleatorios) para los pesos y el umbral:
W = ( -0.7, 0.2 )  umbral = 0.5

Paso 1.

Objeto P1 = (2,1)   R1 = 1
W = ( -0.7, 0.2 )     Umbral = 0.5

Aplicamos la Red para P1

a=(P1.Peso)+Umbral = -0.7*2 + 0.2*1 + 0.5 = -0.7
(a <0) ?  Si  a=-1 en otro caso a=1

R1 = 1     es igual a…    a = -1  (NO)

Por tanto es necesario ajustar los pesos:
e = R1 – a = 1 – (-1) = 2

W = W + e*P1 = (-0.7,0.2) + 2*(2,1)= (3.3, 2.2)
Umbral = Umbral + e = 0.5 + 2 = 2.5

Paso 2.

Objeto P2 = (0,-1)   R2 = 1
W = ( 3.3, 2.2 )        Umbral = 2.5

Aplicamos la Red para P2

a=(W.P2)+Umbral = 3.3*0 + 2.2*-1 + 2.5 = 0.3
(a <0) ?  Si  a=-1 en otro caso a=1

R2 = 1  es igual a…  a = 1  (SI)

Por tanto NO es necesario ajustar los pesos

Paso 3.

Objeto P3 = (-2,1)     R3 = -1
W = ( 3.3, 2.2 )    Umbral= 2.5

Aplicamos la Red para P3

a=(W.P3)+Umbral  = 3.3*-2 + 2.2*1 + 2.5 = -1.9
(a <0) ?  Si  a=-1 en otro caso a=1

R3 = -1  es igual a…  a = -1

Por tanto NO es necesario ajustar los pesos

Paso 4.

Objeto P4 = (0,2)   R4 = -1
W = ( 3.3, 2.2 )    Umbral = 2.5

Aplicamos la Red para P4

a=(W.P4)+Umbral = 3.3*0 + 2.2*2 + 2.5 = 6.9
(a <0) ?  Si  a=-1 en otro caso a=1

R4 = -1  es igual a…  a = 1 (NO)

Por tanto es necesario ajustar los pesos:
e = R4 – a = -1 – (1) = -2

W = W + e*P4 = (3.3,2.2) + -2*(0,2) = (3.3, -1.8)
Umbral = Umbral + e = 2.5 + (-2) = 0.5

Entonces nuestro vector de pesos (W) queda del siguiente modo W=(3.3,-1.8)  y el Umbral=0.5

Cualquier punto que le demos al algoritmo, éste sin necesidad de volver a evaluar nos dará la respuesta que es correcta pues lo que conseguimos con esto es que el algoritmo a base de la bateria de pruebas pueda establecer una línea de separación entre los puntos que introdujimos. Ten en cuenta que este tipo de algoritmo solo resuelve dos estados para un punto dado, esto es: o es de la clase A (1) o es de la clase B (-1).

Ahora al código

Para mejor entendimiento descarga el programa que con mucho entusiasmo cree para poder ver el funcionamiento de este algoritmo. Dentro de la clase main modifica los vectores de variablesX y variablesY con los datos que tienes (tu bateria de prueba) recuerda que todas las cordenadas x van en el vector de variablesX y las de y pues en su correspondiente y en la de resultados escribe a que clase pertenece cada dato. Por ejemplo si queremos que nuestra bateria de pruebas sea esta:

P1 = ( 2,  1)          R1 =   1   (clase A)
P2 = ( 0, -1)         R2 =   1   (clase A)
P3 = (-2,  1)         R3 = -1   (clase B)
P4 = ( 0,  2)          R4 = -1   (clase B)

Debemos de cambiar los vectores en:

….
float[] variableX ={2,0,-2,0};
float[] variableY={1,-1,1,2};
float[] resultado={1,1,-1,-1};
….

Ahora dicho esto ejecutalo (F6) y sigue los pasos que te dirá por consol.

Prueba el conocimiento del percetrón inventandote un punto cualquiera para probar la destreza de su conocimiento, por ejemplo yo me invente el punto de prueba PP=(-1,4)  y se sabe por el mapa cartesiano (ultima figura mostrada) que este estará dentro de la clase B porque está junto a los otros.

Como era de esperar el programa te dará el mismo resultado. Bien, ahora te toca divertirte, puedes hacer que el algoritmo cuando se encuentre confundido nos pida añadir a la bateria de pruebas el dato que acabamos de darle, no está dificil, te invito a que lo hagas si te encuentras perdido buscamos que estaremos para orientarte en lo poco que aún conocemos; recuerda la mejor forma de aprender es practicando.

Conclusiones

A todo esto añado lo siguiente He aqui alguna de mis curiosidades en respecto a este algoritmo, aunque tenga función limitada el mismo no está demás darle importancia. Mis inquietudes son:

1).- Como puedo medir el nivel de aprendizaje que está teniendo mi algoritmo. ¿Acaso es la variable error (en el programa) de mi ejemplo?
2).- Cuales son las recomendaciones para que algoritmos de este tipo tengan correcto desenvolvimiento en su área (RNA) pues sucede que debems de darle valores iniciales de peso y umbral, pero si lo hacemos aleatoriamente… ¿tendremos iguales resultados?.
3).- En este ejemplo en sí, ¿qué es lo que el algoritmo aprende?. Pues yo solo veo que éste es capáz de encontrar un Vector de Pesos y el Umbral solamente.
4).- Como experiencia de este trabajo me llevo gran sorpresa al saber que un algoritmo de Perceptrón solamente es un algoritmo mecánico como cualquier otro, pero con distinto nombre, espero estar equivocado y haya algo más en esto que le haga diferenciar al resto de los algoritmos que hasta ahora he ido construyendo.

En el último punto puedo decir que vi como el algoritmo fue capaz de encontrar su propio vector de pesos y así también el Umbral (sesgo), entonces yo concluí que un algoritmo perceptron demuestra su capacidad de aprendizaje por que es autónomo en encontrar una recta que permita divividir a los puntos en cuestión que son evaluados según sus resultados de ’1′ (clase A) contra los de resultado ‘-1′ (clase B) (en el ejemplo que adjunto la recta encontrada es el vector de pesos y su umbral); pero… para sorpresa mía todo esto lo hizo de manera mecánica, como cualquier otro algoritmo, es entonces que me pregunto: ¿he sido capaz de desarrollar un algoritmo inteligente?, ¿existe la inteligencia artificial?, o la inteligencia artificial solo lo trae de nombre ya que pareciera que Inteligencia Artificial es un ‘charle’ solamente (en el lenguaje común). Vaya que estoy recontra confundido.

En fin… el estudio nos liberará de esto, si tienes algún aporte ayúdanos a aprender cada día más. Ahora a practicar se dijo, ah!, casi me olvido aquí teneís el link de descarga Algoritmos Inteligentes: Perceptrón para poder ver todo el código fuente creado en Netbeans 6.0 recuerda darme crédito cuando presentes esto o enseñes a alguién más : ) Hasta la próxima.

José Luis Zelaya          Escríbele por correo

Si deseas estudiar la teoría de la que me guié para construir todo esto descargate desde Descargar Teoría

“Crear cuesta mucho… agradecer no cuesta nada.”

La curiosidad humana ha conseguido que, a inicios del siglo XXI, existan robots capaces de piropear a sus dueños, que el hombre pueda cartografiar la superficie de Marte y que conectar con un amigo del otro lado del mundo sea tan fácil como encender un ordenador. En relación con los autómatas, siempre se ha relacionado la inteligencia con los aparatos mecánicos complejos. Los hombres, intuitivamente, han comparado la complejidad del funcionamiento de una máquina con su propia vida mental. Pero el camino ha sido largo y lleno de pequeñas victorias, en las que la humanidad ha ido ganando terreno a los impedimentos de la naturaleza.

No hemos querido ser ajenos a esta realidad y es que en esta ocasión te presentamos un resúmen de todo lo que vivió la muy reconocida Inteligencia Artificial y los diferentes lenguajes que lo gobiernan. Bienvenido a esta entrada y esperamos que el esfuerzo puesta en esta sea en un tiempo de valiosa ayuda para cada lector.

Historia-Antecedentes.

La Inteligencia Artificial “nació” en 1943 cuando Warren McCulloch y Walter Pitts propusieron un modelo de neurona del cerebro humano y animal. Estas neuronas nerviosas abstractas proporcionaron una representación simbólica de la actividad cerebral. Más adelante, Norbert Wiener elaboró estas ideas junto con otras, dentro del mismo campo, que se llamó ” cibernética”, de aquí nacería , sobre los años 50, la Inteligencia Artificial. Los primeros investigadores de esta innovadora ciencia, tomaron como base la neurona formalizada de McCulloch y postulaban que:

“El cerebro es un solucionador inteligente de problemas, de modo que imitemos al cerebro”.

Pero si consideramos la enorme complejidad del mismo esto es ya practicamente imposible, ni que mencionar que el hardware de la época ni el software estaban a la altura para ralizar semejantes proyectos. Se comenzó a considerar el pensamiento humano como una coordinación de tareas simples relacionadas entre sí mediante símbolos. Se llegaría a la realización de lo que ellos consideraban como los fundamentos de la solución inteligente de problemas, pero lo difícil estaba todavía sin empezar, unir entre sí estas actividades simples.

Por lo tanto podemos decir a grandes rasgos que la Inteligencia Artificial es una ciencia que intenta la creación de programas para máquinas que imiten el comportamiento y la comprensión humana, que sea capaz de aprender, reconocer y pensar, aunque esto último está por ver, ya que, realmente, ¿qué significa pensar? y ¿en qué consiste el pensamiento?.

Prehistoria de la Inteligencia Artificial.

Así como de alguna forma los soportes mecánicos para la automatización de cálculos aritméticos se sitúan en la prehistoria de los computadores, la prehistoria de la inteligencia artificial abarca desde los primeros tiempos de nuestra civilización hasta mediados del siglo XX. En este período se producen hechos que podemos agrupar en dos líneas:

• Una de ellas, directamente relacionada con al construcción de autómatas que simulaban desde el punto de vista externo el comportamiento humano o animal, y que solían funcionar en ayuda de su amo.
• La otra línea, referente a la información y automatización del razonamiento lógico y matemático. En relación con los autómatas, siempre se ha relacionado la inteligencia con los aparatos mecánicos complejos.

Al llegar el relacionista siglo XVIII, el siglo de los autómatas por antonomasia, las cosas fueron muy diferentes. Como es sabido, Descartes había defendido la tesis del “animal-máquina”: los seres vivos, salvo el hombre, son meros mecanismos y el escritor Capek difunde en 1920 una palabra destinada a tener gran éxito: “robot”, en su obra “RUR” aparecen unos seres creados para realizar las tareas que el hombre no quiere hacer, que acaban siendo más poderosos que el mismo hombre llegando a poner en peligro la existencia del mismo.

Hasta la llegada de los ordenadores electrónicos no dispusieron los científicos y técnicos de una herramienta que permitiera la ejecución de tareas más complejas por parte de dispositivos mecánicos; que hiciera posible, por así decir, la construcción de robots. Al llegar al siglo XIX, los matemáticos sienten por su parte la necesidad de abandonar la institución como fundamento de su ciencia y buscar para su razonamiento más sólidas bases. Las teorías de la computabilidad y de los autómatas proporcionaron el vínculo entre la formalización del razonamiento y las máquinas que estaban a punto de surgir tras la Segunda Guerra Mundial. En este ambiente, no es extraño que la aparición de las primeras máquinas electrónicas de computo fuera seguida inmediatamente por los intentos de aplicarlas a la que hoy llamamos IA. Un último elemento importante es la cibernética, ésta influyó en muchos campos debido a su naturaleza fundamentalmente interdisciplinaria, ligado entre sí la fisiología neuronal; las ideas de los creadores de la cibernética llegaron a ser parte del espíritu del tiempo e influyeron fuertemente en los primeros investigadores de la IA.

El nacimiento de la Inteligencia Artificial (IA).

El fracaso de la mayoría de los problemas que intentaban resolver eran demasiado complicados, tanto teórica como tecnológicamente. La lógica teórica fue considerada como el primer programa de IA y usada para resolver problemas de búsqueda heurística. Durante el decenio de 1950 se celebraron congresos, proliferaron los grupos de investigación y en 1954 uno de ellos afirmó haber creado un programa que traducía del ruso al inglés. La verdad es que los resultados prácticos fueron descorazonadoramente escasos. De todas formas, el resultado más espectacular de este período fue el programa de Samuel para Jugar a las damas, que se presentó en 1961 y era capaz de aprender de su experiencia, es decir, tener en cuenta sus errores y éxitos pasados, para determinar sus jugadas en la partida posterior.

Los años difíciles.

Tales habían sido las expectativas levantadas por la IA, y tantos sus fracasos, que el desánimo sucedió al optimismo inicial. El mundo exterior se desentendió de los trabajos de investigación, y la financiación de muchos proyectos se volvió problemática, tanto en América como en Europa. No obstante, la IA se fue consolidando y, aprendiendo de sus fracasos, buscó nuevos enfoques para los viejos problemas. En el año 1964 se publicó una tesis doctoral sobre el sistema STUDENT, que es un programa de lenguaje natural que comprende y resuelve problemas elevados de álgebra. Es en 1966 cuando se publica, en Comunicaciones de la Asociación para Máquinas Calculadoras, un programa de ordenador para el estudio de comunicación hombre-máquina mediante lenguaje natural interactivo, ELIZA, que fue creado como un programa de psicología que simula respuestas de un terapista en dialogo interactivo con un paciente. Las personas que dialogaban con ELIZA creían que hablaban con un psicólogo auténtico. A partir de 1970, el énfasis se trasladó de las reglas y procedimientos generales de deducción a la acumulación de conocimientos concretos de un campo bien delimitado en la realidad. El célebre programa SHRDLU era una parte de un proyecto de comprensión del lenguaje natural capaz de comprender y ejecutar correctamente órdenes dadas en inglés acerca de un “mundo de bloques”. Ello era posible porque el programa tenía todos los conocimientos necesarios de su limitado y simplificado mundo. Los sistemas expertos alcanzaron una sorprendente efectividad a la hora de responder a complicadas cuestiones de diagnóstico médico o prospección minera. Esto se conseguía limitando el razonamiento a un ámbito restringido del mundo real, acumulando en el programa una gran cantidad de conocimientos. En esta época, una de las principales actividades fue el diseño de sistemas expertos. La llamada Ingeniería del conocimiento fue acumulando técnicas y herramientas para la representación, recolección y empleo de conocimiento experto en un campo dado. Los trabajos hasta 1973, tuvieron como herramientas básicas de trabajo los conceptos de tiempo compartido en ordenadores y procesamiento de palabra. La investigación más normal incluye: visón con ordenador, todas las áreas de la robótica, sistemas expertos, lenguaje natural y arquitectura de ordenadores. La investigación en visión artificial a través del Programa de Comprensión de Imagen, incluye un desarrollo de la teoría de la visión y del hardware para procesado de imágenes. Se lanzaron ataques contra la IA basándose en la introspección, afirmó que ciertos aspectos del pensamiento humano son esencialmente inimitables por parte de los ordenadores, dando varias razones de apoyo a esta tesis: de una parte, los ordenadores son máquinas discretas, mientras que el pensamiento aparece en nuestra introspección como continuo; además, los ordenadores carecen de “corporeidad”, por lo que no pueden relacionarse como nosotros con el espacio físico; por último, los ordenadores no comparten nuestras experiencias, nuestro contexto humano, por lo que no pueden ser como los seres humanos. En cualquier caso, las controversias no desanimaron a los investigadores, que empezaban a alcanzar resultados tangibles. En esto les ayudaba grandemente el acelerado progreso del soporte material, con la aparición de los circuitos y el aumento consiguiente de capacidad y potencia de cálculo. También el soporte lógico empezaba a adaptarse a las necesidades de la IA. La aparición de lenguajes declarativos fue un paso importante para la IA.

]]> http://www.gameplayart.com/?feed=rss2&p=56 0