Topicos de Sistemas Computacionales

[RPérez]

Redes Neuronales Artificiales y Sistemas Expertos
La ventaja que veo sobre las redes neuronales a comparación de un sistema experto es que estas si son capaces de adaptarse ellas mismas frente a situaciones similares y sacar un buen resultado. Como ya hemos visto el funcionamiento de los 2, son muy similares y lejos de encontrar diferencias o ventajas sobre el otro yo creo que se complementan pues en la capa oculta de las redes neuronales el funcionamiento es el de un sistema experto con respecto a la toma de decisiones.
Una de las desventajas que encuentro en los 2 es que necesitan la ayuda de un experto humano para su funcionamiento y programación ademas de que son muy complejos de entender, por lo que se necesita de tecnología, tiempo de dedicación y conocimientos extensos sobre el tema a tratar.[COLOR="Navy"][/COLOR]

[RPérez]

Ara: [/FONT]
[FONT="Comic Sans MS"]Me parecio un buen ejemplo sobre la diferencia de sistemas expertos y redes neuronales, pues muestra claramente como lo maneja cada uno una sistuación que ene este caso es un pronostico de lluvia.

[Aracely_G]

Iniciado por dalyla

Vaya ese ejemplo, es bueno, eso nos puede dar ideas para RNA, aunque como ya le dije a Roberto eran venajas y desventajas de los SE y RNA. Pero nos amplia mas el punto de vista que tenemos con las redes. pero si dieras tu punto de vista de esto.

Es que dalila el ejemplo lo puse antes que el maestro dejara esa tarea, por eso...pero mi punto de vista ahorita lo pongo ok

[Aracely_G]

En mi opinion personal entedi...
que los sistemas expertos toman desiciones en base a experiencias pasadas previamente programadas por un experto y buscan la mejor solucion y una red neuronal es entrenada para entender las situaciones y resolver el "problema" .
Creo que cada una toman mucha informacion para procesarla y solo depende la manera que es manejada. Cualquiera de los dos se pueden utilizar para emular el pensamiento y comportamiento del cerebro humano; solo que cada uno se puede utilizar para situaciones distintas o depende del tipo de problema que se trate.

[Blankita Reyes]

Bueno como ya vimos en las expos lo que es una red neuronal, la estructura y todos sus niveles etc, aki hay algunas de sus ventajas:

Aprendizaje Adaptativo: capacidad de aprender a realizar tareas basadas en un entrenamiento o en una experiencia inicial.
Auto-organización:que significa que una red neuronal puede crear su propia organizacion o representación de la información que va a recibir con una etapa de aprendizaje.
Tolerancia a fallos: la destrucción parcial de una red conduce a una degradación de su estructura; sin embargo, algunas capacidades de la red se pueden retener, incluso sufriendo un gran daño.
Operación en tiempo real: los cómputos neuronales pueden ser realizados en paralelo; para esto se diseñan y fabrican máquinas con hardware especial para obtener esta capacidad.
Fácil inserción dentro de la tecnología existente: se pueden obtener chips especializados para redes neuronales que mejoran su capacidad en ciertas tareas.

Ya que vimos las venatjas ahora van las desventajas.
Una que se me hizo importante es que las redes no tienen reglas definitorias que ayuden a construir una red para un problema dado, el algoritmo de aprendizaje, la arquitectura, el número de neuronas por capa, el número de capas, la representación de los datos y mucho más. De nuevo, con el tiempo siendo tan importante, las compañías no pueden permitirse invertir tiempo de desarrollo para resolver los problemas eficientemente. Esto puede cambiar al avanzar las redes neuronales.

Otra es que la capacidad de las redes neuronales radica en su habilidad de procesar información en paralelo (esto es, procesar múltiples pedazos de datos simultáneamente). Desafortunadamente, las máquinas hoy en día son serie - sólo ejecutan una instrucción a la vez. POr este tipo de problemas se ocupa mucho tiempo en el procesamiento de la informacion.

VENTAJAS DE LOS SISTEMAS EXPERTOS

Estos programas proporcionan la capacidad de trabajar con grandes cantidades de información, que son uno de los grandes problemas que enfrenta el analista humano que puede afectar negativamente a la toma de decisiones pues el analista humano puede depurar datos que no considere relevantes, mientras un SE debido a su gran velocidad de proceso analiza toda la información incluyendo las no útiles para de esta manera aportar una decisión más sólida.

y sus desvenatajas
•Sentido común: Para un SE no hay nada obvio.
•Lenguaje natural: Con un experto humano podemos mantener una conversación informal mientras que con un SE no podemos.
•Capacidad de aprendizaje: Cualquier persona aprende con relativa facilidad de sus errores y de errores ajenos, que un SE haga esto es muy complicado.
•Perspectiva global: Un experto humano es capaz de distinguir cuales son las cuestiones relevantes de un problema y separarlas de cuestiones secundarias.
•Capacidad sensorial: Un SE carece de sentidos.
•Flexibilidad: Un humano es sumamente flexible a la hora de aceptar datos para la resolución de un problema.
•Conocimiento no estructurado: Un SE no es capaz de manejar conocimiento poco estructurado.


atte. blankis

[Blankita Reyes]

Rosy
Hola muy cierto lo que dices, a veces por mas que keramos dejarle todo a las maquinas siempre se necesita de un humano para arreglar cosas que tal vez la maquina no pueda...

[Blankita Reyes]

Me gusto tu opinion acerca de la similitud que tienen tanto las redes como los se, ya que ps es cierto que los dos son buenos pero como todo, tiene sus contras que a veces nos hacen dudar en usarlos o nop . muy bien amigui ahi nos vemos

[Yoana Martinez]

Bueno yo quisiera empezar con un ejemplo: "Campos en Blanco en un Examen"; ya que no es necesario menciona las ventajas y desventajas de uno o del otro, puesto que ya las conocemos.
Una red neuronal puede funcionar mejor en un entorno donde faltan datos. Por eso las redes neuronales se usan, para encuestas masivas donde los encuestados dejan muchas preguntas sin contestar, o pra el análisis de solicitudes de crédito donde no todos los datos han sido proporcionados. En estos casos la red neuronal no compite con otras técnicas sino que es un complemento.
También una red neuronal puede añadir valor a los sistemas expertos. Un sistema experto es un árbol de desición basado en conocimientos explícitos, mientras que una red neuronal es más apropiada cuando faltan estos conocimientos.
En este sentido las dos técnicas pueden ser complementarias, si tenemos un sistema experto con puntos de decisión donde no se dispone de conocimientos explícitos o donde hay datos contradictorios. En estas situaciones un sistema experto no puede tomar una decisión.

Pues uds saquen conclusiones, si es que me explique!!!!! BYE!!!!

[Yoana Martinez]

Bueno yo quisiera empezar con un ejemplo:"Campos en Blanco en un Examen"; ya que no es necesario menciona las ventajas y desventajas de uno o del otro, puesto que ya las conocemos.

Una red neuronal puede funcionar mejor en un entorno donde faltan datos. Por eso las redes neuronales se usan, para encuestas masivas donde los encuestados dejan muchas preguntas sin contestar, o pra el análisis de solicitudes de crédito donde no todos los datos han sido proporcionados. En estos casos la red neuronal no compite con otras técnicas sino que es un complemento.

También una red neuronal puede añadir valor a los sistemas expertos. Un sistema experto es un árbol de desición basado en conocimientos explícitos, mientras que una red neuronal es más apropiada cuando faltan estos conocimientos.

En este sentido las dos técnicas pueden ser complementarias, si tenemos un sistema experto con puntos de decisión donde no se dispone de conocimientos explícitos o donde hay datos contradictorios. En estas situaciones un sistema experto no puede tomar una decisión.

Pues uds saquen conclusiones, si es que me explique!!!!! BYE!!!!

[esthela]

Rosy creo que tienes razon en lo que dices respecto a que tanto las redes neuronales como los sistemas expertos necesitan de la ayuda de el recurso humano y tambien en que estos dos sistemas se complementan, ademas creo que si son temas muy extensos y se requiere demasiado tiempo para entender verdaderamente como funcionan.

[esthela]

Aracely la explicacion que das respecto a los sistemas expertos y redes neuronales me parece muy clara, ya que te enfocas directamente a lo que trata cada uno, como dices el S.E. trata de experiencias programadas por un experto y las redes neuronales entienden las situaciones y resuelven el problema.

[imontoya]

Ventajas de Sistemas Expertos

Capaces de aprender el conocimiento de cierta especialidad
Organizan y estructuran la información para generar resultados tan buenos o mejores que el de un humano.

Desventajas de sistemas expertos

No intentan encontrar la solución optima de un problema, sino el de tener la mejor respuesta posible.


Ventajas de Redes Neuronales

Capaces de aprender y eficientes en organización.
Capaces de aprobar y determinar la mejor decisión.
Uso del concepto matemático de grafo.

Desventajas de Redes Neuronales

Por el uso de grafos son más complejas (comprensión).

[esthela]

Los sistemas expertos toman decisiones en base a experiencias que fueron programadas por recurso humano, manejan grandes cantidades de información y buscan la mejor solucion para el sistema que fueron creados, ademas si necesitan programación un experto humano esta al pendiente de ellos, y las redes neuronales tambien manejan información pero ellas mismas son capaces de organizarla, pienso que las dos son muy complejas de entender ya que tienen bastante información.

[esthela]

Iniciado por esthela

Aracely la explicacion que das respecto a los sistemas expertos y redes neuronales me parece muy clara, ya que te enfocas directamente a lo que trata cada uno, como dices el S.E. trata de experiencias programadas por un experto y las redes neuronales entienden las situaciones y resuelven el problema.

[almalopez]

VENTAJAS Y DESVENTAJAS DE LAS RNA

BUENO LAS VENTAJAS KE YO ENCONTRE FUERON LAS SIGUIENTES:

Aprendizaje Adaptativo: capacidad de aprender a realizar tareas basadas en un entrenamiento o en una experiencia inicial.

DESVENTAJAS NO ENCONTRE PERO YO SOLO PUEDO LLEGAR A UNA, A PESAR DE TODO LO BUENO KE HACEN LAS REDES NEURONALES NUNCA VAN A PODER LLEGAR FUNCIONAR REALMENTE COMO UNA RED NEURONAL BIOLOGICA Y NO PODRA TENER LOS RESULTADOS EXACTOS COMO ESTA, TAL VEZ MUY APROXIMADOS PERO NUNCA EXACTOS....


Auto-organización: una red neuronal puede crear su propia organización o representación de la información que recibe mediante una etapa de aprendizaje.

Tolerancia a fallos: la destrucción parcial de una red conduce a una degradación de su estructura; sin embargo, algunas capacidades de la red se pueden retener, incluso sufriendo un gran daño.

Operación en tiempo real: los cómputos neuronales pueden ser realizados en paralelo; para esto se diseñan y fabrican máquinas con hardware especial para obtener esta capacidad.

Fácil inserción dentro de la tecnología existente: se pueden obtener chips especializados para redes neuronales que mejoran su capacidad en ciertas tareas. Ello facilitará la integración modular en los sistemas existentes

[almalopez]

ME EQUIVOQUE PERO LE PODRAN ENTENDER SOLO MANDEN LAS VENTAJAS AL FINAL....
Aprendizaje Adaptativo: capacidad de aprender a realizar tareas basadas en un entrenamiento o en una experiencia inicial.

Auto-organización: una red neuronal puede crear su propia organización o representación de la información que recibe mediante una etapa de aprendizaje.

Tolerancia a fallos: la destrucción parcial de una red conduce a una degradación de su estructura; sin embargo, algunas capacidades de la red se pueden retener, incluso sufriendo un gran daño.

Operación en tiempo real: los cómputos neuronales pueden ser realizados en paralelo; para esto se diseñan y fabrican máquinas con hardware especial para obtener esta capacidad.

Fácil inserción dentro de la tecnología existente: se pueden obtener chips especializados para redes neuronales que mejoran su capacidad en ciertas tareas. Ello facilitará la integración modular en los sistemas existentes

DESVENTAJAS NO ENCONTRE PERO YO SOLO PUEDO LLEGAR A UNA, A PESAR DE TODO LO BUENO KE HACEN LAS REDES NEURONALES NUNCA VAN A PODER LLEGAR FUNCIONAR REALMENTE COMO UNA RED NEURONAL BIOLOGICA Y NO PODRA TENER LOS RESULTADOS EXACTOS COMO ESTA, TAL VEZ MUY APROXIMADOS PERO NUNCA EXACTOS....

[Aracely_G]

Yo pienso igual que tu Alma, que por mas que se desarrollen programas y sistemas, no se puede igualar al 100% al ser humano.

[FBarba]

Ventajas de S.E
-Los Sistemas Expertos que se codifican y tratan el conocimiento de un experto, alcanzan el nivel de prestaciones de un experto humano.
-La separación entre base de conocimiento y motor de inferencia proporciona una gran flexibilidad al Sistema.
-Los Sistemas Expertos permiten llegar a una reflexión sobre el conocimiento y los procedimientos, para toma de decisiones realizados por los expertos.
-Posibilidad de trazar el razonamiento seguido por el Sistema Experto.

Desventajas
-Los motores de inferencia poseen algunos límites.
-Las interfaces con usuarios no son lo suficientemente amigables.
-Las aplicaciones suministradas por los SE son, frecuentemente, esotéricas.
-Falta personal competente para investigar y desarrollar aplicaciones.
-Campo de aplicaciones restringido y específico.
-El costo es bastante alto.

Ventajas de las RNA
-Poder de aprender, muy buena Generalización
-Predicen valores Reales y Discretos.
I-mplementación: Programas de simulación y físicamente en Hardware.

Desventajas
-Dificultad en la estimación de los parámetros adecuados de la RN.
-Número de capas
-Número de neuronas por capa
-Función de Activación, etc.
-Elección de codificación para atributos categóricos.

[FBarba]

Opinion de las exposiciones
Para mi punto de vista todas las exposiciones estuvieron muy bien, el temas si es dificil, pero ta tenemos las bases para comprender su significado, su funcionamiento y como estan compustos para seguir investigando, muchas felicidades por el esfuerzo.

[FBarba]

Fuzzyfication:
Traduccion de valores al mundo real a valores difusos, aqui los valores no son concretos ni exactos, los valores no son 0 ni 1 No es caliente ni frio, hay ago mas que eso, Son valores entre el 0 y el 1 ejemplo (0,.075, .50,.75, 1), (caliente, templado, calido, agradable, fresco,frio).

Rule evaluation
Son valores, o es la fuerza del resultado del significado de los valores difusos utilizando tecnicas de matematicas y programacion.

Defuzzyficacion
Es traducir de vuelta los resultados difusos a valores del mundo real que es el resultado de dicho proceso.

[herys]

Fuzzyficación (Fuzzyfication): Traducción de los valores del mundo real a valores difusos.

Evaluación de reglas (Rule Evaluation): Determinación de la fuerza de las reglas basado en los valores de entrada y las reglas.

Defuzzyficación (Defuzzyfication): Traducir de vuelta los resultados difusos a valores del mundo real.

FUZZYFICACIÓN (Fuzzyfication)

La traducción de valores del mundo real al ambiente Fuzzy mediante el uso de funciones de membresía. Las funciones de membresía de la Fig. 1, traducen una velocidad= 55 en los valores difusos (Grados de membresía), SLOW(LENTO)=0.25, MEDIUM(MEDIO)=0.75 y FAST(RÁPIDO)=0.



EVALUACIÓN DE LAS REGLAS (Rule Evaluation):
Considere una regla como esta: if SPEED=SLOW and HOME=FAR then GAS=INCREASE

Suponga SLOW=0.25 y FAR=0.82. La validez de la regla será 0.25 (El mínimo valor entre los antecedentes) y la variable fuzzy INCREASE sería tambien igual a 0.25.


Tomemos ahora otra regla: If SPEED=MEDIUM and HIGHER=SECURE then GAS=INCREASE

Asumamos en este caso, MEDIUM=0.75 y SECURE=0.5. Ahore la validez de la regla será 0.5 (El mínimo valor entre los antecedentes) y la variable fuzzy INCREASE resultará entonces igual a 0.5.

De esta manera, nos encontramos con dos reglas involucrando a la variable fuzzy INCREASE. Un "OR" fuzzy (ó difuso) entre los resultados de las dos reglas, será 0.5 (el máximo valor entre los dos operandos).

INCREASE=0.5


DEFUZZYFICACIÓN (Defuzzyfication): Despues de computar las reglas fuzzy y evaluar las variables fuzzy, necesitaremos transladar estos valores nuevamente hacia el mundo real. Requeriremos entonces de una función de membresía (membership functions) para cada una de las variables de salida, tal como se muestra en la Fig. 2.



Asumamos los siguientes valores: DECREASE=0.2 SUSTAIN=0.8 INCREASE=0.5

[herys]

NO al 100% en cuanto a un todo, sin embargo existen ramas en las que puede paracer ser mas avanzado y esto denota un tanto de superioridad...

[RPérez]

Logica Difusa:
Esta teoría nos permite manejar y procesar ciertos tipos de información en los cuales se manejen términos inexactos, imprecisos o subjetivos. De una manera similar a como lo hace el cerebro humano, es posible ordenar un razonamiento basado en reglas imprecisas y en datos incompletos.

La matemática Fuzzy en general involucra a las siguientes operaciones:

Fuzzyficación (Fuzzyfication): Traducción de los valores del mundo real a valores difusos.

Evaluación de reglas (Rule Evaluation): Determinación de la fuerza de las reglas basado en los valores de entrada y las reglas.

Defuzzyficación (Defuzzyfication): Traducir de vuelta los resultados difusos a valores del mundo real.

[bramasco]

La fuzificacion se encarga de convertir valores del mundo real que no son precisamente concretos en valores "borrosos" para en cierta manera reordenarlos.

Las reglas de evaluacion son ecuaciones matematicas o condiciones que se ejecutaran en base a la informacion o valores introducidos para su analisis.

La defuzificacion se encarga de reordenar los resultados obtenidos concretandolos en una salida optima o "valor real" utilizable.

[Aracely_G]

Difusamiento
Los valores físicos de entrada son traducidos a conceptos lingüísticos, que son representados por conjuntos difusos. Estos conceptos son llamdados son llamados variables lingüísticas. Los grados de pertenencia para todos los valores están asignados. Ejemplo: Qué "distancia" es considerada "lejos"

Inferencia de la regla difusa
Las reglas SI...ENTONCES que definen la relación entre las variables lingüísticas se fijan. Estas reglas determinan el curso de la acción que el controlador debe seguir. Ejemplo: SI "distancia" es lejos ENTONCES "poder" es neg_grande

De-difusamiento
El resultado de la inferencia difusa es retraducido de un concepto lingüístico a una salida física.

[Blankita Reyes]

Definición: [DEFUSIFICACION] La Defusificación es el proceso de llevar los resultados simbólicos obtenidos a valores que puedan ser utilizados para que las acciones de control sean activadas.
Para la defusificación existen varios métodos como por ejemplo: centro de gravedad, maxima pertenencia, centro de maxima pertenencia, entre otros.

Etiquetando el valor crisp de la variable de entrada (variable numérica) con un término linguistico y determinando el correspondiente grado de pertenencia, es llamado fusificación

Asumiendo que la variable de salida y puede ser medida en un control estandar de lazo cerrado, en los siguientes pasos solo las correspondientes variables linguisticas con términos como negativo grande, negativo pequeño, etc. serán procesados. Por tanto es necesario que se definan funciones de pertenencia para la salida y.

[Aracely_G]

HERIBERTO:
Esta muy bien el ejemplo, explica una aplicacion simple de la logica difusa......
Pero si lo explicas con tus palabras a lo mejor queda mas claro :D

[phantomx]

Heriberto y yo seleccionamos el tema de Sistemas expertos en México y Latinoamerica!!

[Aracely_G]

y los temas .....

[herys]

Los temas son:
Actualidad y futuro del teletrabajo en México
Sistemas Evolutivos: Nuevo paradigma de la informática
Innovación y desarrollo de productos, usando alguna de las herramientas de
la Inteligencia Artificial
Tendencias de integración de las redes de servicios de la telefonía y datos
Sistemas expertos basados en la probabilidad
Seguridad informática y comunicaciones electrónicas en redes abiertas

Temas ya seleccionados
Aplicación de los sistemas expertos en México/latino América (Ramírez)
Desarrollo de sistemas de aprendizaje e-learning (dalila y estela)

Gracias
Atn. MC. Hector Arriola Zorrilla