proyecto
Páginas: 19 (4537 palabras)
Publicado: 19 de octubre de 2014
PROYECTO DE INVESTIGACIÓN
I. DATOS BÁSICOS
1.1 Título:
IMPLEMENTACIÓN DE UN SISTEMA HÍBRIDO PARA EL APRENDIZAJE Y CLASIFICACIÓN DE UNA CLASE DE DATOS.
1.2 Autor o Ejecutor:
1.3 Lugar de ejecución:
II. PROBLEMA DE INVESTIGACIÓN
2.1 PLANTEAMIENTO DEL PROBLEMA
2.1.1 Enunciado del problema
La inteligencia artificial ha sido definida como la forma de diseñar procesos queexhiben características que comúnmente se asocian con el comportamiento humano inteligente. Sus enfoques abordan el modelado, con base en distintas arquitecturas de distintos procesos propios del pensamiento humano tales como: La toma de decisiones, el razonamiento o el aprendizaje.
Una de las arquitecturas que ha surgido para emular el comportamiento del aprendizaje es la red neuronal, que tomacomo modelo el cerebro humano.
Las redes neuronales artificiales ofrecen un paradigma atractivo para el análisis y diseño de sistemas adaptativos inteligentes para un amplio rango de aplicaciones en inteligencia artificial por muchas razones incluyendo: Flexibilidad para la adaptación y el aprendizaje (mediante la modificación de las estructuras computacionales empleadas), robustez ante lapresencia de ruido (datos erróneos o incompletos), habilidad para generalizar, capacidad de recuperación ante fallas, potencial para su computación masiva paralela, y semejanza con las redes neuronales biológicas.
A pesar de la gran actividad e investigación en esta área durante los últimos años, que ha llevado al descubrimiento de varios resultados teóricos y empíricos significativos, el diseñode las redes neuronales artificiales para aplicaciones específicas, bajo un conjunto dado de restricciones de diseño (por ejemplo, aquellas dictadas por la tecnología) es, por mucho, un proceso de prueba y error, dependiendo principalmente de la experiencia previa con aplicaciones similares.
La performance y costo de una red neuronal sobre problemas particulares es críticamente dependiente,entre otras cosas, de la elección de los elementos de procesamiento (neuronas), la arquitectura de la red y el algoritmo de aprendizaje utilizado. Por ejemplo, muchos de los algoritmos de aprendizaje utilizados en las redes neuronales esencialmente buscan un ajuste adecuado de los parámetros modificables (también llamados pesos) dentro de una topología de red especificada a priori, bajo la guíade muestras de entrada (ejemplos de entrenamiento) provenientes del ambiente de la tarea. Claramente, para que este enfoque sea exitoso, el ajuste deseado de parámetros debe de hecho existir en el espacio donde se busca (el cual a su vez está restringido por la elección de la topología de red) y el algoritmo de búsqueda usado debe ser capaz de encontrarlo. Aún cuando se pueda encontrar un ajusteadecuado de parámetros usando tal enfoque, la habilidad de la red resultante para generalizar sobre datos no vistos durante el aprendizaje, o el costo de usar la red (medido por su tamaño, consumo de energía, implementación en hardware, etc.) pueden estar lejos del óptimo. Estos factores tornan difícil al proceso de diseño de las redes neuronales. Adicionalmente, la falta de principios de diseñoconstituye un obstáculo de importancia en el desarrollo de sistemas de redes neuronales a gran escala para una amplia variedad de problemas prácticos. Por consiguiente, son de gran interés las técnicas para automatizar el diseño de arquitecturas neuronales para clases particulares de problemas bajo distintas restricciones de diseño y performance.
Este trabajo se centra en el desarrollo demétodos para el diseño evolutivo de arquitecturas de redes neuronales artificiales. Las redes neuronales son vistas comúnmente como un método de implementar mapeos no-lineales complejos (funciones) usando unidades elementales simples que se conectan entre sí mediante conexiones con pesos adaptables. Nos concentraremos en la optimización de las estructuras de conexión de las redes.
Los algoritmos...
I. DATOS BÁSICOS
1.1 Título:
IMPLEMENTACIÓN DE UN SISTEMA HÍBRIDO PARA EL APRENDIZAJE Y CLASIFICACIÓN DE UNA CLASE DE DATOS.
1.2 Autor o Ejecutor:
1.3 Lugar de ejecución:
II. PROBLEMA DE INVESTIGACIÓN
2.1 PLANTEAMIENTO DEL PROBLEMA
2.1.1 Enunciado del problema
La inteligencia artificial ha sido definida como la forma de diseñar procesos queexhiben características que comúnmente se asocian con el comportamiento humano inteligente. Sus enfoques abordan el modelado, con base en distintas arquitecturas de distintos procesos propios del pensamiento humano tales como: La toma de decisiones, el razonamiento o el aprendizaje.
Una de las arquitecturas que ha surgido para emular el comportamiento del aprendizaje es la red neuronal, que tomacomo modelo el cerebro humano.
Las redes neuronales artificiales ofrecen un paradigma atractivo para el análisis y diseño de sistemas adaptativos inteligentes para un amplio rango de aplicaciones en inteligencia artificial por muchas razones incluyendo: Flexibilidad para la adaptación y el aprendizaje (mediante la modificación de las estructuras computacionales empleadas), robustez ante lapresencia de ruido (datos erróneos o incompletos), habilidad para generalizar, capacidad de recuperación ante fallas, potencial para su computación masiva paralela, y semejanza con las redes neuronales biológicas.
A pesar de la gran actividad e investigación en esta área durante los últimos años, que ha llevado al descubrimiento de varios resultados teóricos y empíricos significativos, el diseñode las redes neuronales artificiales para aplicaciones específicas, bajo un conjunto dado de restricciones de diseño (por ejemplo, aquellas dictadas por la tecnología) es, por mucho, un proceso de prueba y error, dependiendo principalmente de la experiencia previa con aplicaciones similares.
La performance y costo de una red neuronal sobre problemas particulares es críticamente dependiente,entre otras cosas, de la elección de los elementos de procesamiento (neuronas), la arquitectura de la red y el algoritmo de aprendizaje utilizado. Por ejemplo, muchos de los algoritmos de aprendizaje utilizados en las redes neuronales esencialmente buscan un ajuste adecuado de los parámetros modificables (también llamados pesos) dentro de una topología de red especificada a priori, bajo la guíade muestras de entrada (ejemplos de entrenamiento) provenientes del ambiente de la tarea. Claramente, para que este enfoque sea exitoso, el ajuste deseado de parámetros debe de hecho existir en el espacio donde se busca (el cual a su vez está restringido por la elección de la topología de red) y el algoritmo de búsqueda usado debe ser capaz de encontrarlo. Aún cuando se pueda encontrar un ajusteadecuado de parámetros usando tal enfoque, la habilidad de la red resultante para generalizar sobre datos no vistos durante el aprendizaje, o el costo de usar la red (medido por su tamaño, consumo de energía, implementación en hardware, etc.) pueden estar lejos del óptimo. Estos factores tornan difícil al proceso de diseño de las redes neuronales. Adicionalmente, la falta de principios de diseñoconstituye un obstáculo de importancia en el desarrollo de sistemas de redes neuronales a gran escala para una amplia variedad de problemas prácticos. Por consiguiente, son de gran interés las técnicas para automatizar el diseño de arquitecturas neuronales para clases particulares de problemas bajo distintas restricciones de diseño y performance.
Este trabajo se centra en el desarrollo demétodos para el diseño evolutivo de arquitecturas de redes neuronales artificiales. Las redes neuronales son vistas comúnmente como un método de implementar mapeos no-lineales complejos (funciones) usando unidades elementales simples que se conectan entre sí mediante conexiones con pesos adaptables. Nos concentraremos en la optimización de las estructuras de conexión de las redes.
Los algoritmos...
Leer documento completo
Regístrate para leer el documento completo.