Memoria Bibliografía: Miyashita et al (Nature, 1988a,1988b,1991) Hopfield, PNAS 79: 2554 (1986) Actividad persistente Modelo de Hopfield Conversión de.

Slides:



Advertisements
Presentaciones similares
Corteza Visual Primaria (V1)
Advertisements

Modelos de frecuencia de disparo
1. Modelo “LIF”, integración, variabilidad 2
LA MEMORIA.
INTRODUCCION A TECNICAS DE MINERIA DE DATOS
Fundamentos neurales de la percepción visual
Fundamentos neurales de la percepción visual
Medidas de la sensibilidad al contraste cromático y acromático
Unidad I Fundamentos neurales de la percepción visual El cortex estriado.
APRENDIZAJE NO ASOCIATIVO
Teoría del Aprendizaje de J. Bruner
PROCESAMIENTO DE LA INFORMACION POR PARTE DEL CONSUMIDOR
Profesora: Patricia Lestón Alumnos: - Fernández Corti, Gabriel -Giordano, Mariano Christian - Romeo, Darío Curso: 1ºA Turno: Tarde Instituto Superior del.
ESTRATEGIAS COGNOCITIVAS
Fenómenos Críticos INTRODUCCIÓN A  LA  COMPLEJIDAD  EN BIOLOGÍA Y MEDICINA.
Ingeniería Humana e Impacto Ambiental
7. Máquinas Estocásticas
III Unidad Procesos Psicológicos Básicos
LAS CONDICIONES DEL APRENDIZAJE
El aprendizaje: El cognitivismo
Control de ganancia “Multiplicative Gain Changes Are Induced by Excitation or Inhibition Alone” B Murphy & K Miller The Journal of Neuroscience 23(31): ,
Intelligent Databases and Information Systems research group Department of Computer Science and Artificial Intelligence E.T.S Ingeniería Informática –
Inteligencia Artificial (BAIA)  Se propone lograr que las computadoras se comporten de manera que podamos reconocerlas como inteligentes.  Tiene por.
Tracking de objetos articulados Model-Based Tracking of Complex Articulated Objects Kevin Nickels, Member, IEEE, and Seth Hutchinson, Senior Member, IEEE.
Existen claves químicas que guían a los axones en su desarrollo plan motor.
Capítulo 2. Representación de imágenes digitales
 SON FUNCIONES LÓGICAS  REPRESENTADAS POR TABLAS DE VERDAD  SIMPLIFICABLES POR LÓGICA BOOLEANA  SIMPLIFICABLES POR KARNAUGH  APLICACIONES: funciones.
Introducción Calculabilidad clásica Computación celular
Introducción al diseño gráfico
Ejemplo de aplicación de las ANN
Image Processing Using FL and ANN Chapter 10 Dr. Mario Chacón DSP & Vision Lab.
Memoria.
La Matemática en la Inteligencia Artificial
MEMORIA SENSORIAL + Integrantes: Karen Villena Camila Pino
Redes Asociativas.
Redes Neuronales Artificiales
La memoria.
El docente incentiva la capacidad de escucha, mientras que el maestro busca impulsar la capacidad crítica.
Modelos Computacionales
REDES NEURONALES.
Adquisición de Señales
Habilidades Cognitivas
Redes Neuronales Artificiales
Evaluación de la resiliencia en sistemas socio-ecológicos (ResilienceAlliance Ver y 2.0 – 2010) ¿Qué eventos podrían conducir a resultados inesperados.
Unidad V. Caracterización del SV en el dominio espacio-temporal. Sensibilidad a variaciones espacio- temporales.
Aprendizaje No Supervisado y Redes de Kohonen
Representación RUNS conversiones entre representaciones matriz binaria y secuencia Juan Manuel García Sánchez Pablo de la Torre Moreno.
Redes de Petri - Introducción Dr Chris Ling School of Computer Science & Software Engineering Monash University (Traducido por Cesáreo Raimúndez)
Copyright © 2005 The McGraw-Hill Companies, Inc. Permission required for reproduction or display. Module 21: Pensamiento Keith Brofsky/Getty Images.
Aprendizaje y Memoria.
APRENDIZAJE Y MEMORIA. Aprendizaje y memoria Aprendizaje: – Cualquier cambio relativamente estable en el comportamiento como consecuencia de la experiencia.
Modelos de Aprendizaje Cognitivos
Contenido Los puntos 9.7 y 9.8 no se dan 9.1. Revisión del concepto de máquina secuencial. Taxonomía Temporización en los circuitos lógicos síncronos.
Teoría Cognitiva del Aprendizaje Multimedia
Portafolio de evidencias
Las teorías del aprendizaje:
Tema 3: Organizadores de la Información: Mapas Conceptuales
PROCESADORES DIGITALES DE SEÑALES
Reconocimiento de cara basado en “espectrocara”
Introducción a la Inteligencia Artificial
Condicionamiento de pavlov
Facultad de Psicología “Relaciones entre Memoria, Estrategias de Codificación Mnésica y Estrategias de Aprendizaje” NOMBRE Y APELLIDO DE ALUMNAS: Cerimelli,
Redes Neuronales.
Escaneo de los datos.
Teoría Cognitiva del Aprendizaje Multimedia
Aprendiendo a pensar Espacialmente: La naturaleza y funciones del pensamiento espacial National Academy of Sciences The Nature of Spatial Thinking.
UPEL - IUMP. METODOS DE INVESTIGACION ESTADISTICA
Sergio Ariza Juan Paulo Díaz Laura Patricia Fonseca María Lizeth Gil Nathaly Santos Asignatura: Psicobiología Programa: Psicología.
LOS CHANGOS.
Illustration of the systemic wound response to insect attacks through a graft junction. Ryan C A, and Moura D S PNAS 2002;99: ©2002 by National.
Transcripción de la presentación:

Memoria Bibliografía: Miyashita et al (Nature, 1988a,1988b,1991) Hopfield, PNAS 79: 2554 (1986) Actividad persistente Modelo de Hopfield Conversión de correlaciones temporales en correlaciones espaciales Asociación entre pares de estímulos

Hay neuronas en IT, selectivas a imágenes complejas en estímulos visuales, mantienen su actividad una vez retirado el estímulo Y Miyashita & Chang Fig 2b Miyashita & Chang, Nature 331, 1988

Estímulos visuales Fig 1

Método Fig 2a

Fig 2c

Fig 2d ACTIVIDAD DURANTE LA ESPERA Es selectiva al estímulo

Fig 2e Para una célula, el número de estímulos que producen una dada frecuencia de disparo En esta neurona, sólo dos imágenes producen un disparo mayor que 10 Hz

La respuesta en el delay de esta neurona se mantiene bajo cambios en el estímulo Invariancia bajo transformaciones del estímulo Fig 3a Cambio en la escala Cambio cromático Control rotación

Fig 3a

J Hopfield, Proceedings of the National Academy of Sciences 79: 2554 (1986) Modelo de Hopfield Codificación de los estados de la red Qué son las memorias Elección de los patrones a almacenar en la memoria (memorias) Regla de aprendizaje (Hebb) Dinámica de la red (recuperación de un patrón almacenado)

Neuronas binarias: Estados posibles de la red: Codificación CODIFICACION Definición de solape q entre dos estados de la red: Los P patrones (memorias) a almacenar en la memoria Las memorias son P de los estados posibles de la red

ELECCION DE LAS MEMORIAS REGLA DE APRENDIZAJE Regla de Hebb

DINAMICA DE LA RED Suponemos umbral nulo

Régimen de saturación CAPACIDAD

Alfa crítico Hay un valor crítico de la capacidad, más allá del cual la memoria (en este modelo) colapsa.

Hopfield con 3 patrones: A, C, J

Patrón inicial: A con 10 % de ruido

Patrón inicial: A con 40 % de ruido

El patrón final es un estado distinto de los amacenados (aunque correlacionado con algunos de ellos) Patrón inicial: A con 48 % de ruido

Patrón inicial: A con 60 % de ruido El patrón final:

Fin Memoria de Trabajo