La descarga está en progreso. Por favor, espere

La descarga está en progreso. Por favor, espere

Dinámica no lineal, complejidad y caos en ambientes Microsoft Billy Reynoso Universidad de Buenos Aires

Presentaciones similares


Presentación del tema: "Dinámica no lineal, complejidad y caos en ambientes Microsoft Billy Reynoso Universidad de Buenos Aires"— Transcripción de la presentación:

1 Dinámica no lineal, complejidad y caos en ambientes Microsoft Billy Reynoso Universidad de Buenos Aires

2 Temario Teorías de la complejidad –Estructuras disipativas y derivaciones –Paradigma discursivo - Autopoiesis y enacción Sistemas complejos –Autómatas celulares –Redes booleanas aleatorias –Programación evolutiva –Redes neuronales Teorías del caos Geometría fractal

3 Autómatas celulares John von Neumann – Stanislav Ulam Modelo de tablero de damas (Checkerboard model) – Sakoda – Schelling Autómatas de teselación, estructuras celulares, arrays iterativos

4 Vecindades Moore Von Neumann Margolus (Hexagonal, gases)

5 John Conway Juego de la vida –Reglas: Inactiva, 3 activas: Nace Activa, 2 o 3 activas: Estasis Otros casos: Muere Survival/birth 23/3 –Estables, periódicos, móviles, reproductores –Deslizadores o planeadores (Gliders) –Arma o pistola deslizadora (Glider gun) –Life32: Switchen – Patrón más pequeño que se propaga indefinidamente Gun30 – Bill Gospers

6 Objetos fijos, periódicos y móviles

7 Autómatas celulares – Stephen Wolfram Tipo I – Atractor de punto fijo Tipo II – Atractor periódico (108) Tipo III – Atractor caótico (18) Tipo IV – Atractor complejo

8 Wolfram - Tipos

9 Reglas MCell Wolfram Class IV –1d Totalistic: Roots Auto-replicador –Edward Fredkin: regla más simple (Vote / Fredkin) Orden a partir del caos –Reacción de Beluzov-Zhabotinsky: Generations – BelZhav, RainZha –Mescolanza (Hodgepodge) (Gerhard-Schuster): UserDLL-Hodge –Simulated Annealing: Vote-Vote4-5 –Majority Rules: LGTG, Majority (Sakoda) Conways Life: Life

10 Reglas MCell Difusión de agregación limitada (Random walk): –UserDLL-DLA Langton, reproducción de DNA –UserDLL-DNA Reglas Greenberg-Hastings –CA excitables – Cyclic CA 313 – CCA - Cyclic spirals – GH Macaroni GH (nucleación de espirales simétricos)

11 Reglas MCell Primitivas lógicas –GenBinary – Logic Rules

12 Parámetro Lambda – Chris Langton Fijo - Cristales Periódico – Sólido no cristalino Caótico - Gases Complejo: Filo del caos – Entre sólido y gaseoso

13 Redes booleanas aleatorias Stuart Kauffman Redes NK –K=1 – Estado de punto fijo, quietud, stalinismo –K=N – Caos, sensitividad a estado inicial, anarquía –K=2 – Orden y caos balanceados, auto- organización, criticalidad auto-organizada

14 Modalidades Algoritmo genético – John Holland Estrategia evolutiva (Rechenberg-Schwefel) –Rasgos: conductas –Evaluación: relación entre rasgos –Operadores: mutaciones gaussianas, combinaciones de vectores de progenitores Programación genética (John Koza) –Arboles, LISP Memética (Richard Dawkins, Daniel Dennett) –Memes –No crossover, mutación al azar

15 Algoritmo genético Población Cromosomas: serie de caracteres Gen: Carácter Cross-over Mutación Ciclo: –1. Generar población –2. Aplicar criterio de fitness –3. Los mejores se reproducen, los peores mueren –4. Aplicar mutaciones –5. Aplicar criterio de fitness –6. Volver a 3

16 Algoritmo genético Cross-over Ejemplo… ALGORITMO GENETICO EN EL DF

17 Dos modelos IA fuerte - MIT –Artificial –Ligada a computadoras, lógica –Modelo mecánico –Deducción: cálculo de predicados –Newell-Simon, Russell/Whitehead, Frege –Atomismo, racionalismo Conexionismo – PDP (Parallel Distributed Processing) –Natural –Simulación del cerebro –Redes neuronales

18 Inteligencia artificial IA fuerte –Modelo de procesamiento de información –Programación lógica Hechos Reglas Teoremas –Modelo de sistema de símbolos físicos –Sistemas expertos Máquina de inferencia Base de dato –Inferencia clínica (Mycin, Neo-Mycin, Pip, Internist, Dendral, SHRDLU)

19 Conexionismo Redes de McCulloch – Pitts (1943) –Neuronas como puertas lógicas –Pesos: sinapsis excitativas, s. inhibitorias –Capacidad de computación universal –Máquina de lectura para ciegos, percdepción gestáltica Von Neumann, Winograd –Redundancia en McC-P para tolerancia a errores Sinapsis de Hebb (1949) –Basado en Ramón y Cajal –Modelo distribuido (hologramático) –Aprendizaje: redes neuronales adaptativas (McKay, Uttley, 1950) –Reconocimiento de patrones

20 Conexionismo Perceptrones (Rosenblatt) –Entrenamiento para distinción de patrones –Unidades sensoriales y motoras –Aumento o disminución de pesos (conductismo) Papert / Minsky –Distinción entre T y C, con rotación etc –No pueden resolver XOR y funciones lógicas que requieren más alto nivel de tipificación

21 Modelos ulteriores Redes de Hopfield –Spin glass: Problemas de optimización, vendedor ambulante (simulación de templado, AG, etc) – Atrapadas en configuraciones metaestables Máquinas de Boltzmann –Múltiples capas –Propagación hacia atrás –Kohonen: entrenamiento no asistido –Resolución XOR, T/C –NetTalk: lee y habla inglés –Redes amo-esclavo, filtros de Gabor –Modelos mixtos: AARON

22 Situación actual Situación incierta de IA fuerte –Sentido común: Estructuras, templates, frames, scripts, mapas cognitivos –Dreyfus: What computers cant do (Flores, Heidegger) –Deep Blue vence a Gasparov Divisiones en el paradigma conexionista –Conexionismo eliminativo: sin semántica ni nivel simbólico –Conexionismo implementacional: representación sub-simbólica –Conexionismo revisionista de procesamiento de símbolos (escuela de San Diego)


Descargar ppt "Dinámica no lineal, complejidad y caos en ambientes Microsoft Billy Reynoso Universidad de Buenos Aires"

Presentaciones similares


Anuncios Google