Your SlideShare is downloading. ×
Tema 1 parte 2 computación
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×

Introducing the official SlideShare app

Stunning, full-screen experience for iPhone and Android

Text the download link to your phone

Standard text messaging rates apply

Tema 1 parte 2 computación

223
views

Published on

Published in: Education

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
223
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
5
Comments
0
Likes
0
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. Tema 1. Conocimiento y representaciones mentales. Licenciatura de Psicología. Psicología del Pensamiento Parte 2 Curso 2011/2012 1
  • 2. 3. El enfoque computacional de la mente. Implicaciones.OrígenesAlan M. TuringSu objetivo era comprobar si existe un algoritmo o procedimiento generalpara computar en un número finito de pasos, el valor de verdad o falsedadde cualquier enunciado posible.Ideó una máquina. 2
  • 3. ORÍGENES: La máquina de Turing: http://youtu.be/AgW6HplOZV0Componentes: 3. El enfoque computacional de la mente. Implicaciones.- una cinta de papel de longitud ilimitada dividida en celdillas en las quepodía aparecer un 1 o un 0.- un dispositivo de lectura y escritura que podía avanzar por la cintaceldilla a celdilla y avanzar en cualquier dirección y escribir un 1 o un 0 enalguna celdilla en función de cuál de los dos símbolos estaba bajo lainspección del lector y de los estados de la máquina.- un control ejecutivo que controlaba las operaciones de la máquina.Un programa o conjunto de reglas de acciones de la máquina. 3
  • 4. 3. El enfoque computacional de la mente. Implicaciones.Computación.Cualquier función computable debía poder especificarse en términos deun programa de este tipo.Una función o el cálculo de la verdad de un enunciado son computables siexiste un conjunto finito de instrucciones (un programa) para que unamáquina de Turing pueda ejecutarlos. 4
  • 5. 3. El enfoque computacional de la mente. Implicaciones.AlgoritmoEs un procedimiento de cómputo por pasos que consta de un conjunto dereglas condición- acción bien definidas.Es decir... que se pueden reducir a un conjunto de instrucciones yoperaciones que sigue la máquina de Turing. 5
  • 6. 3. El enfoque computacional de la mente. Implicaciones.A partir de aquí se postuló que los procesos mentales consisten en laejecución de un algoritmo por parte de un sistema físico que transformaun conjunto de símbolos en otro diferente mediante reglas. 6
  • 7. 3. El enfoque computacional de la mente. Implicaciones.Los símbolos serían los constituyentes mismos de las representacionesmentales.Las reglas describirían formalmente los procesos, tanto de interpretacióncomo de transformación de las representaciones. 7
  • 8. 3. El enfoque computacional de la mente. Implicaciones.Turing (1950) llegó a establecer las condiciones que tendría que cumpliruna máquina para poder atribuirle la capacidad de pensar.Crítica: las personas no razonan o solucionan problemas siempre del mismo modo.Una solución posible:introducir reglas de transformación que puedan conllevar contradicciones. 8
  • 9. 3. El enfoque computacional de la mente. Implicaciones.Implicaciones:La mente y el cerebro no son sustancias distintas, sino formas diferentesde referirse a un mismo objeto.Importancia de este enfoque para el desarrollo de disciplinas:- Inteligencia artificial, lingüística, filosofía y psicología. 9
  • 10. 3. El enfoque computacional de la mente. Implicaciones.Implicaciones:Idea fundamental:Las operaciones mentales consisten en procesos cuyo objeto es eltratamiento de la información - representación, adquisición y uso de lainformación- . 10
  • 11. 3. El enfoque computacional de la mente. Implicaciones.Implicaciones:El procesamiento de la información se basa en una serie de procesos decómputo.= En un conjunto de algoritmos que transforman unas representaciones en otras en pro de la consecución de algún objetivo de forma eficaz. 11
  • 12. 3. El enfoque computacional de la mente. Supuestos*Supuesto de racionalidad.*Supuesto de procesamiento algorítmico.*Supuesto representacional.*Supuesto de causación*y Supuesto materialista. 12
  • 13. *Supuesto de racionalidad.Los procesos mentales son racionales.Existe polémica sobre qué se considera racional.El 3. enfoque computacional de la mente. SupuestosDef (Cobos, 2005): “Una conducta (o una idea, o una decisión, o un juicio,etc.) es racional si el procedimiento seguido para producirla tiene alguna validez para lograr algún objetivo en situaciones variadas”.Para que un proceso se racional no hace falta que sea consciente.Aceptar este supuesto supone asumir una ruptura entre animales y humanos. 13
  • 14. *Supuesto de racionalidad.Def (Cobos, 2005): “Una conducta (o una idea, o una decisión, o un juicio,etc.) es racional si el procedimiento seguido para 3. El enfoque computacional algunala mente. producirla tiene de validez para Supuestos lograr algún objetivo en situaciones variadas”.Objetivo, situaciones variadasEl objetivo principal del sistema cognitivo:- Según un criterio de racionalidad lógica: establecer condiciones de verdad de un sistema de creencias a través de inferencias.- Según un criterio de racionalidad adaptativa:clasificar objetos,predecir acontecimientoso captar la estructura estadística de las relaciones entre acontecimientos. 14
  • 15. 3. El enfoque computacional de la mente. Supuestos*Supuesto de procesamiento algorítmico.Los procesos mentales son de naturaleza algorítmica. Pueden describirsemediante algoritmos.Un algoritmo es un procedimiento especificado de modo completo y sinambigüedades para computar alguna función. 15
  • 16. 3. El enfoque computacional de la mente. Supuestos*Supuesto de procesamiento algorítmico.Se asume que existe una serie de símbolos que se combinan según ciertasreglas formales y las reglas de transformación responden a la forma decombinación. 16
  • 17. *Supuesto representacional.Hay estados mentales que tienen la función de codificar estados delmundo. 3. El enfoque computacional de la mente. SupuestosSe definen a partir de una combinación de símbolos.Los símbolos pueden descomponerse hasta llegar a los “primitivossubyacentes”Ej. 0, 1 en la máquina de Turing.Estados de encendido y apagado en una neurona. 17
  • 18. 3. El enfoque computacional de la mente. Supuestos*Supuesto representacional.El objeto o la situación presentes tienen que ser sustituidos por unarepresentación que elimine las variaciones y destaque lo que permanececonstante o es relevante. 18
  • 19. *Supuesto representacional. 3. El enfoque computacional de la mente.El contenido de los símbolos no se ve afectado por el contexto en el que Supuestosaparece.El significado de las expresiones complejas está en función del significadode sus partes.Asimetría: el significado del todo viene determinado por las partes.El significado de las partes no se ve afectado por el todo. 19
  • 20. *Supuesto representacional. 3. El enfoque computacional de la mente. SupuestosPropiedades de este supuesto(Aspectos esenciales de la arquitectura cognitiva):- Sistematicidad.- Composionalidad. 20
  • 21. 3. El enfoque computacional de la mente. Supuestos*Supuesto representacional.Propiedades de este supuesto:- Sistematicidad.Aplicaciónd de reglas que responden sistemáticamente a la estructura delas expresiones simbólicas. 21
  • 22. 3. El enfoque computacional de la mente. Supuestos*Supuesto representacional.Propiedades de este supuesto:- Composionalidad.Las expresiones y símbolos tienen carácter combinatorio.Hay diferentes estilos.La concatenación: Emplea sintaxis. 22
  • 23. *Supuesto representacional. 3. El enfoque computacional Composionalidad. de la mente.Rasgos de la concatenación: SupuestosLas expresiones complejas se forman a partir de la concatenación de los símbolos constituyentes.Ej. Si A, &, y B son símbolos válidos. Pueden formar A & B por concatenación.También hay estilos de composicionalidad “funcional” donde la expresióncompleja no contiene literalmente los constituyentes originales. 23
  • 24. 3. El enfoque computacional de la mente. Supuestos*Supuesto de causaciónLos estados mentales intervienen causalmente de tres formas (Fodor, 1987):1. Pueden darse como un efecto de la presencia de un estímulo o de un contexto estimular.2. Pueden producir otros estados mentales.3. Pueden producir conductas. 24
  • 25. 3. El enfoque computacional de la mente. Supuestos*Supuesto materialistaLas operaciones mentales se realizan sobre un soporte físico.Las estructuras simbólicas se corresponden con estructuras físicas reales enel cerebro.Los procesos mentales pueden descomponerse en procesos más elementalesde manera sucesiva hasta llegar a operaciones básicas del cerebro. 25
  • 26. 3. El enfoque computacional de la mente. Problemas de la dualidad mente/cerebro a mediados del siglo XXSoluciones aportadas por el enfoque computacional.Mente y cerebro no son sustancias distintas, son modos distintos de referirse aun mismo sistema físico.El ordenador: prueba que determinados procesos que consisten entransformar unas representaciones en otras de acuerdo a objetivos mentales,podrían descomponerse en procesos cada vez más elementales hasta llegar alas operaciones electromecánicas del soporte físico. 26
  • 27. 3. El enfoque computacional de la mente. Problemas de la dualidad mente/cerebro a mediados del siglo XXSoluciones aportadas por el enfoque computacional.Los procesos mentales transforman estados mentales representacionales, noen función de las propiedades del objeto representado.Lo hacen en función de las propiedades internas de los propios estadosmentales. 27
  • 28. 3. El enfoque computacional de la mente. Problemas de la dualidad mente/cerebro a mediados del siglo XXLa mente es un sistema que transforma representaciones mediante operaciones de cómputo. Implicaciones:1. El cerebro opera con símbolos que se reducen a primitivos subyacentes simples.2. Unos símbolos dan lugar a otros en función de ciertas leyes formalizables. 28
  • 29. 3. El enfoque computacional de la mente. Problemas de la dualidad mente/cerebro a mediados del siglo XXHay razones para suponer que unos estados cerebrales, o combinaciónde símbolos, dan lugar a otros en virtud de leyes formalizables (dealgoritmos). 29
  • 30. 3. El enfoque computacional de la mente. Problemas de la dualidad mente/cerebro a mediados del siglo XXLos conceptos básicos que hay que emplear en las descripciones de losprocesos mentales se pueden definir de manera simple y sinambigüedades. 30
  • 31. 3. El enfoque computacional de la mente. Problemas de la dualidad mente/cerebro a mediados del siglo XXLas representaciones mentales se definen a partirde los símbolos que emplea el sistema,del modo en que se combina, ydel algoritmo que los transforma.El algoritmo es un procedimiento de cómputo formalizable (lógica,lingüística o matemáticamente) que se puede reducir a las operacionesbásicas del soporte físico. 31
  • 32. 3. El enfoque computacional de la mente. Limitaciones El enfoque clásico no llegó a probar sus supuestos en las operaciones que tienen lugar en el cerebro.. El enfoque neuronal de la computación se apoyó en la neurociencia y obtuvo resultados en estos aspectos. 32
  • 33. 4. El enfoque neuronal de la computación1. Mc Culloch y Pitts.2. Hebb.3. Rosenblatt.4. Selfridge.5. Widrow y Hoff 33
  • 34. 4. El enfoque neuronal de la computación 1. Mc Culloch y Pitts (1943).Primer estudio que analizó formalmente la relación entre la estructura yfunción del sistema nervioso y los principios del cómputo mental. 34
  • 35. 4. El enfoque neuronal de la computación 1. Mc Culloch y Pitts (1943).Modelizaron matemáticamente la actividad de unidades de computaciónneuronal interconectadas en forma de redes (redes neronales) y definidasa partir de una abstracción de las propiedades fisiológicas de lasneuronas. 35
  • 36. Dos estados posibles de las4. El enfoque neuronal de la computación unidades: - activas (1). 1. Mc Culloch y Pitts (1943). - inactivas (0). Conexiones por sinapsis: Todas las sinapsis con mismo peso. Excitatorias: se suman las señales. Si la suma sobrepasaba el valor de umbral, se activaba la unidad. Varias señales inhibitorias: no se inhibe independientemente de la suma de señales excitatorias. 36
  • 37. 4. El enfoque neuronal de la computación 1. Mc Culloch y Pitts (1943).El valor de activación 1 en una neurona es la verdad de una proposición.El valor 0 significa falsedad.Los enunciados podían ser elementales o complejos.Los complejos eran una función lógica de cualquier orden de losenunciados elementales. 37
  • 38. 4. El enfoque neuronal de la computación 1. Mc Culloch y Pitts (1943).Limitaciones del modelo:- Las unidades daban respuestas de todo o nada (activas o inactivas).Las neuronas pueden adoptar estados intermedios dentro de un continuo.- Es poco realista asumir que todas las sinapsis excitatorias son igual deeficaces. 38
  • 39. 4. El enfoque neuronal de la computación 2. Hebb: El aprendizaje.The organization of behavior (1949)Su objetivo: encontrar una base científica en la neurofisiología paraestudiarlas representaciones mentales,consolidación de las representaciones perceptivas,la asociación entre estímulos percibidos,la memoria, la atención 39
  • 40. 4. El enfoque neuronal de la computación 2. Hebb: El aprendizaje. Las funciones mentales no recaen en las neuronas tomadas de manera individual. Defiende la naturaleza distribuida de las representaciones en el cerebro. 40
  • 41. 4. El enfoque neuronal de la computación 2. Hebb: El aprendizaje.Acuñó el concepto de Asamblea neuronalDef: Es un grupo de neuronas activadas de forma estable a partir de la presencia de un estímulo.Ej. Ante la presencia de un estímulo visual, los movimientos sacádicos delos ojos producen cambios repentinos en el patrón de actividad neuronalcomo si fueran acontecimientos inconexos. 41
  • 42. 4. El enfoque neuronal de la computación 2. Hebb: El aprendizaje.Las asambleas neuronales son como los ladrillos o bloques básicos pormedio de los cuales las neuronas podían ejercer funcionespsicológicamente relevantes.Sin ellos no pueden construirse funciones más complejas. 42
  • 43. 4. El enfoque neuronal de la computación 2. Hebb: El aprendizaje.Lugar central del aprendizaje.Consiste para Hebb en las modificaciones en la eficacia de las sinapsis. 43
  • 44. 4. El enfoque neuronal de la computación 2. Hebb: El aprendizaje.Las propiedades funcionalmente relevantes del sistema nervioso no seencuentran en las neuronas, sino en unidades mayores de análisis: lasasambleas. 44
  • 45. 4. El enfoque neuronal de la computación 3. Rosenblatt: el perceptrón.Rosenblatt (1958).En respuesta a la tendencia a analizar las operaciones del cerebro delmismo modo que se analizan las operaciones de los ordenadores. 45
  • 46. 4. El enfoque neuronal de la computación 3. Rosenblatt: el perceptrón. xxxx 46
  • 47. 4. El enfoque neuronal de la computación 3. Rosenblatt: el perceptrón.El análisis lógico- simbólico no es adecuado cuando se ignoran laspropiedades del sistema nervioso.La falta de fiabilidad de las neuronas y la redundancia informativa o faltade especificidad representacional de las neuronas y de las conexiones noeran para él una imperfección. 47
  • 48. 4. El enfoque neuronal de la computación 3. Rosenblatt: el perceptrón.La tarea principal que tiene que resolver el cerebro no tiene que ver con lalógica.Tiene que ver con la clasificación y el reconocimiento de losestímulos:separación de patrones de actividad neuronal en condicionesde ruido,deterioro del sistema,ambigüedad y falta de información-. 48
  • 49. 4. El enfoque neuronal de la computación 3. Rosenblatt: el perceptrón.Aboga por la necesidad de un mayor desarrollo formal y matemático en elcampo de la neurofisiología. 49
  • 50. 4. El enfoque neuronal de la computación 3. Rosenblatt: el perceptrón.Aportó una serie de modelos. Su nombre genérico es el de Perceptrón.Tarea: Consiste en clasificar los patrones visuales.Un perceptrón podía consistir en una red con varias capas de neuronas. 50
  • 51. 4. El enfoque neuronal de la computación 3. Rosenblatt: el perceptrón.La primera capa era un modelo de retina.Formada por unidades dispuestas en forma de matriz bidimensional.Registraba el input del E en forma de patrón de activación. 51
  • 52. 4. El enfoque neuronal de la computación 3. Rosenblatt: el perceptrón.Esta capa se proyectaba sobre otra (= capa de asociación).Las unidades de esta capa no estaban conectadas con todas lasunidades de retina, solo con un pequeño porcentaje. 52
  • 53. 4. El enfoque neuronal de la computación 3. Rosenblatt: el perceptrón.La capa de asociación se conectaba con una Capa de respuesta.Ahí se producía la respuesta de clasificación.Sólo podía activarse una unidad de respuesta. 53
  • 54. 4. El enfoque neuronal de la computación 3. Rosenblatt: el perceptrón.Las unidades de las capas de asociación y de respuesta eran unidadeslógicas con umbral de activación.Valores del umbral: 0 y 1 ó 1 y -1.Patrón visual --->Modelo de retina ---->Capa de Asociación-->Capa de respuesta 54
  • 55. 4. El enfoque neuronal de la computación 3. Rosenblatt: el perceptrón.La tarea que tenía que resolver la red era modificar los pesos de lasconexiones entre las capas de asociación y de respuesta para que lospatrones de entrenamiento activaran solo la unidad de respuesta correcta. 55
  • 56. 4. El enfoque neuronal de la computación 3. Rosenblatt: el perceptrón.Rosenblatt ideó una regla de aprendizaje basada en una señal correctoraque actuaba ensayo a ensayo.En cada ensayo se introducía un patrón de entrada en la retina quecorrespondía a algún estímulo visual. 56
  • 57. 4. El enfoque neuronal de la computación 3. Rosenblatt: el perceptrón.Sila respuesta de la red era correcta: no se producía cambio en los pesos.La respuesta era errónea: se daban cambios en los pesos de conexiónentre las unidades de la capa de asociación y las unidades de la capa derespuesta. 57
  • 58. 4. El enfoque neuronal de la computación 3. Rosenblatt: el perceptrón.Entrenó a diversos perceptrones.Resultado:- eran muy hábiles para diferentes condiciones de ruido.- generalizan lo aprendido a patrones nuevos con alto nivel de corrección.- toleran la falta de información (correcta clasificación de patrones estimulares incompletos).- resistencia a lesiones (supresión de unidades o conexiones). 58
  • 59. 4. El enfoque neuronal de la computación 3. Rosenblatt: el perceptrón.Uso de representaciones distribuidas.= Los estímulos quedaban representados por un gran número de unidades en la capa de asociación.Cada unidad intervenía en la representación de otros muchos estímulos. 59
  • 60. 4. El enfoque neuronal de la computación 3. Rosenblatt: el perceptrón.Limitaciones de los perceptrones:- no podían manifestar un comportamiento simbólico.- no podía representar propiedades relacionales como “más grande que” 60
  • 61. 4. El enfoque neuronal de la computación 4. Selfridge: el pandemónium (1958)Describió el modelo de Pandemónium.Fue diseñado para aprender a descifrar palabras y letras en códigoMorse.Después se extendió al reconocimiento de letras escritas. 61
  • 62. 4. El enfoque neuronal de la computación 4. Selfridge: el pandemóniumAportaciones:- El procesamiento en tareas de reconocimiento era paralelo,no serial.- No apoyaba la idea de un ejecutivo central (creía que las operaciones serealizan por multitud de unidades de procesamiento de funcionamientoautónomo, como las unidades de una red neuronal). 62
  • 63. El pandemonium estaba organizado en capas que transmitían lainformación en una sola dirección. El 4. enfoque neuronal de la computación 4. Selfridge: el pandemónium- La primera capa = demonios de imagen (representación en brutodel estímulo presentado).- Capas de demonios computacionales o subdemonios:transformaban la información en bruto con un orden de complejidadcreciente. Ej. demonios que codifican rasgos visuales.- Capa de demonios cognitivos: cada uno especializado en detecciónde una letra.- Demonio de decisión: seleccionaba el demonio cognitivo que más legritaba. 63
  • 64. 4. El enfoque neuronal de la computación 4. Selfridge: el pandemóniumLa conexión entredemonios estaba moduladapor pesos.La activación total de undemonio = suma de todoslos inputs que recibíade otros demonios. 64
  • 65. 4. El enfoque neuronal de la computación 4. Selfridge: el pandemóniumLos demonios no daban respuestas de todo o nada. Gritaban en función ela medida en que el estímulo incluía el elemento representado.La falta de información, ruido o lesión no influye en el resultado total de lasuma. 65
  • 66. 4. El enfoque neuronal de la computación 4. Selfridge: el pandemóniumEl aprendizaje podía basarse en modificaciones de pesos.Selfridge describió procesos evolutivos mediante un proceso de selecciónnatural:- los demonios que no puntuaban mucho eran eliminados.- los que más puntuaban generaban nuevos demonios. 66
  • 67. 4. El enfoque neuronal de la computación 5.Widrow y Hoff (1960): gradiente de descensoExpusieron una regla de aprendizaje para sistemas compuestos deelementos neuronales adaptativos.La regla se derivó a partir del método de gradiente de descenso. 67
  • 68. 4. El enfoque neuronal de la computación 5.Widrow y Hoff: gradiente de descensoSu objetivo: optimizar el aprendizaje de clasificación de patrones enmáquinas de aprendizaje artificial basadas en sistemas de interruptores.Se centraron en condiciones de aprendizaje con ruido y erroresinevitables.Objetivo del sistema: minimizar los errores de clasificación 68
  • 69. 4. El enfoque neuronal de la computación 5.Widrow y Hoff: gradiente de descensoLa estructura es similar al perceptrón.Para calcular los cambios de peso de una unidad de salida, no importanlas demás.Cada unidad reduce el error local que comete.Hace disminuir el error global.El sistema sigue aprendiendo aunque todas sus respuestas seancorrectas. 69
  • 70. 4. El enfoque neuronal de la computación RESUMEN DE APORTACIONES1. Trabajo interdisciplinar: psicólogos, neuropsicólogos, neurofisiólogos, lingüístas,matemáticos, lógicos, ingenieros, informáticos, expertos en Inteligencia Artificial. 70
  • 71. 4. El enfoque neuronal de la computación RESUMEN DE APORTACIONES2. Los principios de cómputo están inspirados en el funcionamiento y estructura de lasredes neuronales.Rasgos del SN que encontramos (las neuronas):- pueden excitar o inhibir a otras.- integran simultáneamente señales procedentes de otras neuronas.- pasan información del input que reciben de forma simultánea a otras.- la tasa de disparos es una función de la suma de señales de input que integra.- se organizan en capas.- la eficacia con que una neurona presináptica afecta a otra postsináptica depende la de eficacia de la conexión.- el aprendizaje consiste en cambios en la eficacia de las conexiones entre neuronas. 71
  • 72. 4. El enfoque neuronal de la computación RESUMEN DE APORTACIONES3. Uso de representaciones distribuidas.El conocimiento está distribuido en muchas neuronas y conexiones.Ninguna neurona es imprescindible para representar un objeto o cumplir una función. 72
  • 73. 4. El enfoque neuronal de la computación RESUMEN DE APORTACIONES4. El aprendizaje a partir de ejemplos.Objetivo del aprendizaje:- captar la estructura de relaciones entre acontecimientos.- clasificar estímulos.- detectar rasgos básicos útiles para la predicción, clasificación y generalización.Estos objetivos dependen de la capacidad para captar la distribución estadística de laspropiedades de los estímulos a partir de la exposición. 73
  • 74. 4. El enfoque neuronal de la computación RESUMEN DE APORTACIONESLa racionalidad de los procesos mentales no está tanto en su eficacia para preservar laverdad de un sistema de creencias en la sucesión de pasos inferenciales,sino enclasificar y captar la estructura, tanto de los estímulos, como de las relaciones entreacontecimientos.Imprimirles o escanearles la tabla de pag 54 Cobos. 74
  • 75. 4. El enfoque neuronal de la computación RESUMEN DE APORTACIONES5. Aprendizaje en condiciones de ruido, ambigüedad, pérdida de información ylesiones.6. Los procesos mentales no consisten en manipulaciones de símbolos (cómo defendíael enfoque clásico). 75
  • 76. 5. Crisis de los enfoques neuronal y clásico. Crisis del enfoque neuronalMinsky y Papert (1969)mostraron las limitaciones de los perceptrones. Trataron de establecer una relación entre laestructura geométrica de un problema de clasificación y su estructura lógica.Crearon un modelo basado en un perceptron multiestrato(con alguna capa oculta entre las unidades de entrada y las de salida).i+ info: Cobos (2005). pág 55-59. 76
  • 77. 5. Crisis de los enfoques neuronal y clásico. Crisis del enfoque clásicoParadoja:La computación clásica había proporcionado un marco que permitía el estudio científico delos procesos mentales.El resultado de este estudio parecía ser que los procesos mentales no se ajustaban bien alos supuestos de este marco. 77
  • 78. 5. Crisis de los enfoques neuronal y clásico. Crisis del enfoque clásicoCuestionamiento del supuesto de racionalidadSupuesto a cuestionar: Los procesos mentales son racionales.Tversky y Kahneman (1986).Tratan de demostrar la irracionalidad de los humanos en toma de decisiones y razonamientoprobabilístico.“Las desviaciones del comportamiento con respecto al modelo normativo están demasiadoextendidas para ser ignoradas, son demasiado sistemáticas para considerarlas errores aleatorios,y demasiado fundamentales para acomodarlas mediante una relajación del sistema normativo” 78
  • 79. 5. Crisis de los enfoques neuronal y clásico. Crisis del enfoque clásicoCuestionamiento de la aplicación de reglas formales para explicar patrones decomportamiento.Supuesto a cuestionar: el procesamiento es resultado de la aplicación de reglas formalesque responden a la estructura de las representaciones.El problema no es describir las reglas, sino captar su ámbito de aplicación. 79
  • 80. 5. Crisis de los enfoques neuronal y clásico. Crisis del enfoque clásicoCuestionamiento de la aplicación de reglas formales para explicar patrones decomportamiento.Las reglas son rígidas: su aplicación requiere el estricto cumplimiento de condiciones.Son frágiles: cualquier violación de las condiciones cancela su aplicación.Los computadores clásicos son torpes para tratar información deteriorada. 80
  • 81. 5. Crisis de los enfoques neuronal y clásico. Crisis del enfoque clásicoCuestionamiento de la aplicación de reglas formales para explicar patrones decomportamiento.Intentos de resolver estos problemas:- Introduciendo esquemas, marcos y guiones para flexibilizar.Esquemas: Son estructuras de datos para representar conceptos genéricos almacenados enla memoria.Serían modelos del mundo.Cada modelos se activa en función del ajuste con los estímulos presentes.El modelo que mejor se ajusta es la interpretación de la situación. 81
  • 82. 5. Crisis de los enfoques neuronal y clásico. Crisis del enfoque clásicoCuestionamiento de la aplicación de reglas formales para explicar patrones decomportamiento.Los esquemas incluyen variables que pueden tener valores ausentes.La activación de un esquema podría generar inferencias o hipótesis acerca de datos que porel deterioro de la información u otras causas, estuvieran ausentes o fueran ambiguos.Los esquemas no consiguieron este objetivo de flexibilizar y dar rapidez al procesamientoinferencial humano. 82
  • 83. 5. Crisis de los enfoques neuronal y clásico. Crisis del enfoque clásicoCuestionamiento de la aplicación de reglas formales para explicar patrones decomportamiento.Los sistemas basados en reglar resultaron inoperantes en el aprendizaje a partir deejemplos. 83
  • 84. 5. Crisis de los enfoques neuronal y clásico. Crisis del enfoque clásicoCuestionamiento de la forma de considerar las representaciones mentalesSupuesto a cuestionar: los conceptos son listas de atributos definitorios (necesarios ysuficientes).La pertenencia de un individuo a una categoría parecía depender más de una cuestión deparecido familiar que de una definición precisa y exhaustiva. 84
  • 85. 5. Crisis de los enfoques neuronal y clásico. Crisis del enfoque clásicoLa falta de asociación entre a psicología cognitiva (enfoque computacional clásico) yla neurociencia.- No consideraron las restricciones del propio sistema cognitivo.Estas restricciones afectan al tipo de cómputos que pueden realizarse y al modo.Estas teorías no se comunicaron con la neurociencia.Obviaron la arquitectura cognitiva. 85
  • 86. 6. El conexionismoDentro del enfoque neuronal. Se considera una renovación del enfoque neuronal.La retoma del modelo neuronal:Fin: Minsky y Papert (1969)Renacimiento: Libro- Parallel distributed processing: Exploring the microstructrure ofcognition. David R. Rumehart y James. L. McClelland, y el grupo PDP (1986). 86
  • 87. 6. El conexionismoObjeto del conexionismo:Estudiar las unidades y sistemas de activación- inhibición del procesamiento.Estudiar el almacenamiento de la información y el aprendizaje mediante pesos de fuerzas deconexión entre neuronas.La información no se almacena de forma simbólica o representacional, sino como pesos defuerzas de conexión con señales de activación- inhibición. 87
  • 88. 6. El conexionismo Rasgos de los modelos conexionistas- Uso de representaciones distribuidas.- Procesamiento de la información en paralelo a través de un gran número de unidades de procesamiento elemental.- Aprendizaje a partir de ejemplos.- Carácter dinámico del procesamiento. 88
  • 89. 6. El conexionismo Aprendizaje de representaciones internas (retropropagación del error).Aplicando la regla de retropropagación del error:La señal de error calculada en las señales de salida se propaga hacia atrás (hacia lasunidades ocultas) del mismo modo que se propaga hacia delante. 89
  • 90. 6. El conexionismo Aprendizaje de representaciones internas (retropropagación del error).El procedimiento puede aplicarse recursivamente tantas veces como capas ocultascontenga la red.Limitación:Los axones transmiten la información en un solo sentido.Esta reglar requiere que las conexiones transmitan información en dos sentidos opuestos. 90
  • 91. 6. El conexionismo Las redes Hopfield (1982)El comportamiento de la red se puede interpretar en términos de minimización de la funciónde energía del sistema.La estructura de la red es la de un autoasociador.Cada unidad está conectada con el resto de unidades.Las conexiones entre las unidades son simétricas. 91
  • 92. 6. El conexionismo Las redes HopfieldCuando algunas unidades reciben un input externo, se da una sucesión de cambios deestado (cambios sucesivos en el patrón de activación.Para cuando la red encuentra un punto de equilibrio (= atractor)(el estado en que la red tiene la máxima satisfacción de las restricciones impuestas por cadaunidad). 92
  • 93. 6. El conexionismo Las redes HopfieldCada atractor constituye un patrón almacenado.Cuando se presenta un estímulo, la red ofrece la interpretación más aceptable.Cualquier característica o conjunto de características específicas de un estímulo lleva a lared a recuperar el estímulo completo. 93
  • 94. 6. El conexionismo Las redes HopfieldEste modelo aborda el procesamiento de la información como un proceso continuo ydinámico que evoluciona a lo largo del tiempo.- En el cerebro existe abundante recurrencia:La actividad de cualquier grupo de neuronas puede afectar directa o indirectamente acualquier grupo de neuronas.- Las neuronas tienen comportamiento no lineal. (Su aportación más importante). 94
  • 95. 6. El conexionismo Las máquinas BoltzmannHopfield, Hinton y Sejnowski (1983)Pensaron un tipo de red llamada Máquina Boltzmann.Contienen:- unidades estocásticas:Su actividad está determinada probabilísticamente.- un parámetro (= temperatura).Modula la capacidad del input neto para determinar la probabilidad de que la unidad seactive o se desactive. 95
  • 96. 6. El conexionismo Las máquinas BoltzmannLa dinámica de la red está determinada por un proceso (= enfriamiento).Momento inicial del procesamiento: temperatura alta.= el input neto apenas influye en la actividad de las unidades.(misma probabilidad de ser activadas que no activadas).- Enfriamiento progresivo de la red y las unidades cada vez se ven más influidas por lasdemás.= La red llega a un mínimo global de energía y cae en un atractor. 96
  • 97. 6. El conexionismo Las máquinas BoltzmannLa máquina incluye una regla de aprendizaje.2 fases opuestas: aprendizaje y desaprendizaje. 97
  • 98. 6. El conexionismo Las máquinas BoltzmannAportaciones del desarrollo de principios de computación en redes dinámicas:- Los conceptos no son elementos fijos e inalterables.Emergen de las interacciones entre unidades.Los conceptos y los esquemas son estados de organización o atractores en los que lasredes encuentran estabilidad. 98
  • 99. Aportaciones generales de las redes conexionistas 6. El conexionismo- Representan bien rasgos y comportamientos del sistema cognitivo:- Aprenden a partir de ejemplos y generalizan.- La eliminación o alteración de componentes produce una degradación elegante (gratefuldegradation) parecida a la que sufre el sistema cognitivo lesionado.- el tipo de errores se parece al que cometen las personas cuando realizan tareas cognitivas.- Toleran bien la pérdida de información, ruido, ambigüedad e información contradictoria. 99
  • 100. 6. El conexionismo Aportaciones generales de las redes conexionistasCon respecto a los conceptos:- Las redes abstraen el prototipo a partir de ejemplos y almacenan característicasespecíficas de los estímulos.- La representación de categorías es sensible a los efectos del contexto. 100
  • 101. 6. El conexionismo Aportaciones generales de las redes conexionistas- Las redes muestran curvas de adquisición con cambios cualitativos semejantes a loscambios evolutivos que se observan en los niños.Estos cambios emergen a partir de la dinámica autoorganizativa de las redes eninteracción con los propios ejemplos de aprendizaje.(Los modelos cláisicos explican los cambios cualitativos como incorporación de nuevasreglas). 101
  • 102. 6. El conexionismo Aportaciones generales de las redes conexionistasIMP:Los cambios cualitativos de las redes EMERGENgracias alos principios de funcionamiento del sistemaen combinación conla distribución estadística de los ejemplos presentados y de sus propiedades. 102
  • 103. 6. El conexionismo Aportaciones generales de las redes conexionistasLos principios instrumentados no son lógicos, sino estadísticos.- El conexionismo ha sido el principal puente de unión entre la Psicología,la Neurociencia, y la Ciencia Cognitiva.Está en continua construcción. 103
  • 104. 6. El conexionismo Aportaciones generales de las redes conexionistasLa forma de este puente es un compromiso entre las diferentes formas de restricción:- la restricción del análisis computacional de las tareas cognitivas.- la restricción de los datos que describen el comportamiento cognitivo y conductual de losindividuos.- la restricción de los datos del funcionamiento y estructura de las redes neuronalesbiológicas. 104
  • 105. 6. El conexionismo Aportaciones generales de las redes conexionistasDe la neurociencia a los modelos conexionistas:- incorporan nuevas propiedades de las redes neuronales biológicasDe los modelos conexionistas a la neurociencia:- aporta nociones matemáticas y conceptos técnicos que permiten interpretar la función quepueden desempeñar ciertas áreas cerebrales. 105
  • 106. 6. 5. El conexionismo Aportaciones generales de las redes conexionistasLas redes conexionistas se usan para:- modelizar procesos cognitivos.- probar hipótesis sobre la función de ciertas áreas cerebrales. 106
  • 107. 6. El conexionismo Características de una red conexionista.DEFINICIÓN:Una red conexionista es un modelo de procesamiento de la información basado en la acciónde múltiples unidades de procesamiento interconectadas que operan en paralelo de acuerdocon principios inspirados en cómo transcurre el procesamiento de la información en elcerebro. 107
  • 108. 6. El conexionismo Características de una red conexionista.Supuestos básicos de computación (Mc Leod et al, 1998):1. Las neuronas integran información en paralelo.De forma simultánea, las neuronas excitadoras producen un potencial de despolarización,las inhibidoras de hiperpolarización.Los efectos son la diferencia entre ambas señales. 108
  • 109. 6. El conexionismo Características de una red conexionista.Supuestos básicos de computación (Mc Leod et al, 1998):2. Las neuronas pasan información a otras neuronas acerca del input total quereciben.3. El cerebro está estructurado en capas.Cuando la información es procesada por una capa,envía el resultado a la siguientey así sucesivamente. 109
  • 110. 6. El conexionismo Características de una red conexionista.Supuestos básicos de computación (Mc Leod et al, 1998):4. La influencia de una neurona sobre otra depende de la fuerza de conexión entreambas. 110
  • 111. Supuestos básicos de computación (Mc Leod et al, 1998): 6. El conexionismo5. El aprendizaje consiste en cambios en la fuerza de conexión (eficacia sináptica)entre las neuronas. Características de una red conexionista.La experiencia con los estímulos que nos rodean producen cambios en la fuerza de lasconexiones entre nuestras neuronas.Estos cambios son la base neurofisiológica del aprendizaje y la memoria.En las redes conexionistas, el aprendizaje consiste en cambios en los pesos de lasconexiones entre las unidades. 111
  • 112. Supuestos básicos de computación (Mc Leod et al, 1998): 6. El conexionismo Características de una red conexionista.6. Las neuronas y sus conexiones codifican la información en forma distribuida.La representación de un objeto conlleva la activación de un gran número de neuronas.Estas neuronas participan en la representación de otros objetos.Si una neurona no responde, su ausencia funcional es suplida por neuronas vecinas. 112
  • 113. Arquitectura de las redes conexionistas 6. El conexionismoConsiste en el modo en que sus unidades operan y la estructura de la red.La arquitectura + la estrategia de codificacióndeterminanlo que la red puede computarlas propiedades globales que emergen de su funcionamiento.= Definir la arquitectura de una red significa explicitar los principios que determinan sucomportamiento. 113
  • 114. Microestructura de una red. 6. El conexionismo Arquitectura de las redes conexionistasLas operaciones que realizan sus componentes más básicos:- unidades o nodos.Operaciones:- integración de los inputs procedentes de otras unidades.- cálculo de valor de activación y transmisión a otras unidades.- cómputo de las modificaciones de pesos por la exposición de la red al input externo. 114
  • 115. 6. El conexionismo Arquitectura de las redes conexionistasMicroestructura de una red.La integración de los inputs procedentes de otras unidades suele ser una simple suma decada uno de los inputs individuales.La señal integrada = input neto.El valor de activación es el resultado de aplicaruna función de activación o transferenciasobre el input neto. 115
  • 116. 6. El conexionismo Arquitectura de las redes conexionistasMicroestructura de una red.La regla de modificación de pesos es la regla de aprendizaje.Hay reglas de aprendizaje supervisado y reglas de aprendizaje no supervisado.Aprendizaje supervisado:Las modificaciones del eso dependen de una señal externa.Aprendizaje no supervisado: La información para llevar a cabo la modificación es localmenteaccesible en la misma conexión. 116
  • 117. 6. El conexionismo Arquitectura de las redes conexionistasMesoestructura de una red.Describe la estructura de la red.Responde a las preguntas:- cuántas capas tiene una red.- cuántas unidades tiene en cada capa.- cómo se conectan las unidades. 117
  • 118. 6. El conexionismo Arquitectura de las redes conexionistasMacroestructura de una red.El modelo global es una red de redes. 118
  • 119. 6. El conexionismo Arquitectura de las redes conexionistas Las representaciones en las redes conexionistasRepresentaciones distribuidas.DefiniciónCuando la representación de cada entidad consiste en un patrón de actividad que cubreun amplio número de unidades de procesamiento y al mismo tiempo, cada unidad deprocesamiento interviene en la representación de muchas entidades.Representaciones locales.Cuando cada unidad de procesamiento representa una entidad diferente. 119
  • 120. 6. El conexionismo Arquitectura de las redes conexionistasDiferencias entre representaciones distribuidas y locales1. En la r.distribuidad ninguna unidad es esencial para representar una entidad.Si se cambia el valor de activación de un pequeño porcentaje de unidades implicadas enun patrón de activación, la red da una respuesta igual o similar. 120
  • 121. 6. El conexionismo Arquitectura de las redes conexionistasDiferencias entre representaciones distribuidas y locales2. Las r. locales se almacenan en huellas separadas.3. El uso de r. distribuidas aporta una mayor capacidad de almacenamiento.4. Las redes con r. distribuidas toleran la ambigüedad, contradicción y pérdida decomponentes y generalizan muy bien.5. Las r. distribuidas permiten que el almacenamiento de patrones en las mismasconexiones tenga como efecto la abstracción y surgimiento de prototipos. 121
  • 122. 6. El conexionismo Emergentismo e implicacionesPartiendo de una idealización formal de las neuronas.Las unidades son elementos interconectados con alto grado de autonomía.Ningún procesador central dirige el flujo del procesamiento.Cada unidad realiza en paralelo operaciones sencillas que integran las señales queproceden de otras unidades.Las propiedades de las redes conexionistas no están prediseñadas en ninguna parteespecífica de la red. Emergen de las interacciones entre unidades. 122