1. Concepto
1.1. Es un conjuntos de datos que modelan de froma estructurada la experiencia que se tiene sobre cierto proceso, los cuales pueden resolver un determinado problema
2. Historia
2.1. es un concepto usado para referirse a representaciones pensadas para el procesamiento por ordenadores modernos, que viene desde los años 70 con muchos metodos y en los años 80 surgieron lenguajes especializados para el mismoy en 1975 se hizo un estandar
3. Clasificacion
3.1. Declarativas
3.1.1. Se representa como una colección estática de hechos junto con un pequeño conjunto de procedimientos para manipularlos. algunos ejemplos son: - Lógica - las redes semánticas - Scripts - Frames
3.2. Procedurales
3.2.1. se representa como procedimientos para usarlo. - Reglas de producción. - Strips
3.3. La Logica
4. Redes Neuronales
4.1. son un modelo computacional vagamente inspirado en el comportamiento observado en su homólogo biológico, Cada neurona está conectada con otras a través de unos enlaces, estos sistemas aprenden y se forman a sí mismos, en lugar de ser programados de forma explícita, y sobresalen en áreas donde la detección de soluciones o características es difícil de expresar con la programación convencional
4.2. Historia
4.2.1. en 1943 se creo un modelo informático para redes neuronales, que se llama lógica umbral, que se base en las matemáticas y los algoritmos. Este modelo señaló el camino para que la investigación de redes neuronales se divida en dos enfoques distintos. Un enfoque se centró en los procesos biológicos en el cerebro y el otro se centró en la aplicación de redes neuronales para la inteligencia artificial
4.3. Poseen una arquitectura de una RNA es la estructura o patrón de conexiones de la red. Es conveniente recordar que las conexiones sinápticas son direccionales, es decir, la información sólo se transmite en un sentido. En general, las neuronas suelen agruparse en unidades estructurales llamadas capas. Dentro de una capa, las neuronas suelen ser del mismo tipo. Se pueden distinguir tres tipos de capas:
4.3.1. De entrada: reciben datos o señales procedentes del entorno.
4.3.2. De salida: proporcionan la respuesta de la red a los estímulos de la entrada.
4.3.3. Ocultas: no reciben ni suministran información al entorno (procesamiento interno de la red).
4.3.4. Aprendizaje
4.3.4.1. Hay tres conceptos fundamentales en el aprendizaje: - Paradigma de aprendizaje: información de la que dispone la red. - Regla de aprendizaje: principios que gobiernan el aprendizaje. - Algoritmo de aprendizaje: procedimiento numérico de ajuste de los pesos. Existen dos paradigmas fundamentales de aprendizaje: - Supervisado: la red trata de minimizar un error entre la salida que calcula y la salida deseada (conocida) - No supervisado: la red conoce un conjunto de patrones sin conocer la respuesta deseada. Debe extraer rasgos o agrupar patrones similares. En cuanto a los algoritmos de aprendizaje, tenemos cuatro tipos: - Minimización del error: reducción del gradiente, retropropagación, etc. La modificación de pesos está orientada a que el error cometido sea mínimo. - Boltzmann: para redes estocásticas, donde se contemplan parámetros aleatorios. - Hebb: cuando el disparo de una célula activa otra, el peso de la conexión entre ambas tiende a reforzarse (Ley de Hebb). - Competitivo: sólo aprenden las neuronas que se acercan más a la salida deseada.