INTEGRANTES:

OSCAR FERNANDO MARTINEZ MASMELA

JHON FREDDY CELIS DUARTE

SOLUCION TALLER

1)

SEMEJANZAS Y DIFERENCIAS
Red Neuronal	Sistema Experto	Programa de Computadora
- Obtiene conocimiento mediante entradas.	- Representa y procesa conocimiento.	- Obtiene conocimiento.
- No necesita programación.	- Están basados en instrucciones de código.	- Están basados en instrucciones de código.
- Puede manejar información ambigua sin ningún problema.	- Los problemas planteados en términos difusos o ambiguos son difíciles de analizar con este sistema.	- Los problemas planteados en términos ambiguos son difíciles de analizar con este sistema.
	- Está orientado a la Inteligencia Artificial.	- Está orientado a la Inteligencia Artificial.
- Aprende solo.	- Es capaz de generar nuevas reglas y nuevos hechos.	- Solo tiene información de acuerdo a un tiempo dado.
- Tiene la capacidad de generar conocimiento, entregar conclusiones y razonar.	- Genera conclusiones a partir de conocimiento.	- Entrega conocimiento pero nosotros generamos las conclusiones.
- Es robusto y seguro ante fallas.	- Sintetiza nuevo conocimiento a partir de su entendimiento del mundo que lo rodea.	- Opera secuencialmente.
- Aprenden y olvidan.	- Se basa solamente en conocimiento.	- Genera conocimiento.

2.

SEMEJANZAS Y DIFERENCIAS
Neurona Biológica	Neurona Artificial
- El cuerpo de la neurona o suma contiene el núcleo. - Las dendritas parten del soma y se encarga de la recepción de mensajes a través de las sinapsis. - La sinapsis establece la comunicación entre dos células. - El axón es la salida.	- El Núcleo es un sumador o cuerpo. - Las dendritas llevan señales eléctricas positivas o negativas al cuerpo. - Los voltajes positivos contribuyen a la excitación del cuerpo de la neurona. - Los voltajes negativos contribuyen a inhibir la respuesta de la neurona - El axón es la salida - La sinapsis se encarga de elevar o disminuir el potencial eléctrico dentro del cuerpo de la célula receptora.

3)

La respuesta la produce el circuito activo o función de transferencia. Las dendritas llevan las señales eléctricas positivas o negativas al cuerpo de la misma y estas señales provienen de sensores o son la salida de las neuronas vecinas, donde Los voltajes positivos contribuyen a la excitación del cuerpo de la neurona y los voltajes negativos contribuyen a inhibir la respuesta de la neurona.

4)

Este proceso consiste en una adaptación progresiva de los valores de las conexiones sinápticas para permitir a la Red Neuronal (Neural Network) el aprendizaje de un comportamiento deseado. Para lograr esto, se alimenta la red con una entrada de los datos de entrenamiento, comparamos la salida de la red con la salida de los datos de entrenamiento; la diferencia se usa para computar el error de la respuesta de la red neuronal. El valor del error se utiliza como realimentación para aplicar un algoritmo de corrección.

5)

El proceso de aprendizaje es un proceso iterativo, en el cual se va refinando la solución hasta alcanzar un nivel de operación suficientemente bueno, consisten en proponer una función de error que mida el rendimiento actual de la red en función de los pesos sinápticos. El objetivo del método de entrenamiento es encontrar el conjunto de pesos sinápticos que minimizan (o maximizan) la función. El método de optimización proporciona una regla de actualización de los pesos que en función de los patrones de entrada modifica iterativamente los pesos hasta alcanzar el punto óptimo de la red neuronal.

Características de los Algoritmos

- gradiente descendente: Este método define una función E(W) que proporciona el error que comete la red en función del conjunto de pesos sinápticos W. El objetivo del aprendizaje será encontrar la configuración de pesos que corresponda al mínimo global de la función de error, aunque en muchos casos es suficiente encontrar un mínimo local lo suficientemente bueno

- El algoritmo backpropagation es el método de entrenamiento más utilizado en redes con conexión hacia delante. Es un método de aprendizaje supervisado de gradiente descendente, en el que se distinguen claramente dos fases: primero se aplica un patrón de entrada, el cual se propaga por las distintas capas que componen la red hasta producir la salida de la misma. Esta salida se compara con la salida deseada y se calcula el error cometido por cada neurona de salida.

6. LÓGICA DIFUSA

La lógica difusa o borrosa (Fuzzy logic) descansa en la idea que en un
instante dado, no es posible precisar el valor de una variable X, sino tan
solo conocer el grado de pertenencia a cada uno de los conjuntos en que se ha participado el rango de variación de la variable.

FUZZI LOGIC

RELACIÓN ENTRE LÓGICA DIFUSA Y REDES NEURONALES

• Las redes neuronales necesitan sistemas expertos capaces de procesar información, toma de decisiones, y capaces de responder a estímulos de forma similar a como lo hace el cerebro humano.
• La lógica difusa se puede utilizar en los procesos iniciales de redes neuronales donde se realizan procesos mecánicos , repetitivos pero que necesitan de una gran precisión y a su vez toma de decisiones.

INTRODUCCIÓN A LAS REDES NEURONALES

1)

SEMEJANZAS Y DIFERENCIAS
Red Neuronal	Sistema Experto	Programa de Computadora
- Obtiene conocimiento mediante entradas.	- Representa y procesa conocimiento.	- Obtiene conocimiento.
- No necesita programación.	- Están basados en instrucciones de código.	- Están basados en instrucciones de código.
- Puede manejar información ambigua sin ningún problema.	- Los problemas planteados en términos difusos o ambiguos son difíciles de analizar con este sistema.	- Los problemas planteados en términos ambiguos son difíciles de analizar con este sistema.
	- Está orientado a la Inteligencia Artificial.	- Está orientado a la Inteligencia Artificial.
- Aprende solo.	- Es capaz de generar nuevas reglas y nuevos hechos.	- Solo tiene información de acuerdo a un tiempo dado.
- Tiene la capacidad de generar conocimiento, entregar conclusiones y razonar.	- Genera conclusiones a partir de conocimiento.	- Entrega conocimiento pero nosotros generamos las conclusiones.
- Es robusto y seguro ante fallas.	- Sintetiza nuevo conocimiento a partir de su entendimiento del mundo que lo rodea.	- Opera secuencialmente.
- Aprenden y olvidan.	- Se basa solamente en conocimiento.	- Genera conocimiento.

2.

SEMEJANZAS Y DIFERENCIAS
Neurona Biológica	Neurona Artificial
- El cuerpo de la neurona o suma contiene el núcleo. - Las dendritas parten del soma y se encarga de la recepción de mensajes a través de las sinapsis. - La sinapsis establece la comunicación entre dos células. - El axón es la salida.	- El Núcleo es un sumador o cuerpo. - Las dendritas llevan señales eléctricas positivas o negativas al cuerpo. - Los voltajes positivos contribuyen a la excitación del cuerpo de la neurona. - Los voltajes negativos contribuyen a inhibir la respuesta de la neurona - El axón es la salida - La sinapsis se encarga de elevar o disminuir el potencial eléctrico dentro del cuerpo de la célula receptora.

3)

La respuesta la produce el circuito activo o función de transferencia. Las dendritas llevan las señales eléctricas positivas o negativas al cuerpo de la misma y estas señales provienen de sensores o son la salida de las neuronas vecinas, donde Los voltajes positivos contribuyen a la excitación del cuerpo de la neurona y los voltajes negativos contribuyen a inhibir la respuesta de la neurona.

4)

Este proceso consiste en una adaptación progresiva de los valores de las conexiones sinápticas para permitir a la Red Neuronal (Neural Network) el aprendizaje de un comportamiento deseado. Para lograr esto, se alimenta la red con una entrada de los datos de entrenamiento, comparamos la salida de la red con la salida de los datos de entrenamiento; la diferencia se usa para computar el error de la respuesta de la red neuronal. El valor del error se utiliza como realimentación para aplicar un algoritmo de corrección.

5)

El proceso de aprendizaje es un proceso iterativo, en el cual se va refinando la solución hasta alcanzar un nivel de operación suficientemente bueno, consisten en proponer una función de error que mida el rendimiento actual de la red en función de los pesos sinápticos. El objetivo del método de entrenamiento es encontrar el conjunto de pesos sinápticos que minimizan (o maximizan) la función. El método de optimización proporciona una regla de actualización de los pesos que en función de los patrones de entrada modifica iterativamente los pesos hasta alcanzar el punto óptimo de la red neuronal.

Características de los Algoritmos

- gradiente descendente: Este método define una función E(W) que proporciona el error que comete la red en función del conjunto de pesos sinápticos W. El objetivo del aprendizaje será encontrar la configuración de pesos que corresponda al mínimo global de la función de error, aunque en muchos casos es suficiente encontrar un mínimo local lo suficientemente bueno

- El algoritmo backpropagation es el método de entrenamiento más utilizado en redes con conexión hacia delante. Es un método de aprendizaje supervisado de gradiente descendente, en el que se distinguen claramente dos fases: primero se aplica un patrón de entrada, el cual se propaga por las distintas capas que componen la red hasta producir la salida de la misma. Esta salida se compara con la salida deseada y se calcula el error cometido por cada neurona de salida.