Post on 20-Jun-2015
1
Tema 1. Conocimiento y representaciones mentales.
Licenciatura de Psicología.
Psicología del Pensamiento
Parte 2
Curso 2011/2012
2
Orígenes
Alan M. Turing
Su objetivo era comprobar si existe un algoritmo o procedimiento general
para computar en un número finito de pasos, el valor de verdad o falsedad
de cualquier enunciado posible.
Ideó una máquina.
3. El enfoque computacional de la mente. Implicaciones.
3
ORÍGENES: La máquina de Turing: http://youtu.be/AgW6HplOZV0
Componentes:
- una cinta de papel de longitud ilimitada dividida en celdillas en las que
podía aparecer un 1 o un 0.
- un dispositivo de lectura y escritura que podía avanzar por la cinta
celdilla a celdilla y avanzar en cualquier dirección y escribir un 1 o un 0 en
alguna celdilla en función de cuál de los dos símbolos estaba bajo la
inspección 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. El enfoque computacional de la mente. Implicaciones.
4
Computación.
Cualquier función computable debía poder especificarse en términos de
un programa de este tipo.
Una función o el cálculo de la verdad de un enunciado son computables si
existe un conjunto finito de instrucciones (un programa) para que una
máquina de Turing pueda ejecutarlos.
3. El enfoque computacional de la mente. Implicaciones.
5
Algoritmo
Es un procedimiento de cómputo por pasos que consta de un conjunto de
reglas condición- acción bien definidas.
Es decir... que se pueden reducir a un conjunto de instrucciones y
operaciones que sigue la máquina de Turing.
3. El enfoque computacional de la mente. Implicaciones.
6
A partir de aquí se postuló que los procesos mentales consisten en la
ejecución de un algoritmo por parte de un sistema físico que transforma
un conjunto de símbolos en otro diferente mediante reglas.
3. El enfoque computacional de la mente. Implicaciones.
7
Los símbolos serían los constituyentes mismos de las representaciones
mentales.
Las reglas describirían formalmente los procesos, tanto de interpretación
como de transformación de las representaciones.
3. El enfoque computacional de la mente. Implicaciones.
8
Turing (1950) llegó a establecer las condiciones que tendría que cumplir
una 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.
3. El enfoque computacional de la mente. Implicaciones.
9
Implicaciones:
La mente y el cerebro no son sustancias distintas, sino formas diferentes
de referirse a un mismo objeto.
Importancia de este enfoque para el desarrollo de disciplinas:
- Inteligencia artificial, lingüística, filosofía y psicología.
3. El enfoque computacional de la mente. Implicaciones.
10
Implicaciones:
Idea fundamental:
Las operaciones mentales consisten en procesos cuyo objeto es el
tratamiento de la información - representación, adquisición y uso de la
información- .
3. El enfoque computacional de la mente. Implicaciones.
11
Implicaciones:
El procesamiento de la información se basa en una serie de procesos de
cómputo.
= En un conjunto de algoritmos que transforman unas representaciones en otras en pro de la
consecución de algún
objetivo de forma eficaz.
3. El enfoque computacional de la mente. Implicaciones.
12
*Supuesto de racionalidad.
*Supuesto de procesamiento algorítmico.
*Supuesto representacional.
*Supuesto de causación
*y Supuesto materialista.
3. El enfoque computacional de la mente. Supuestos
13
*Supuesto de racionalidad.
Los procesos mentales son racionales.
Existe polémica sobre qué se considera racional.
Def (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.
3. El enfoque computacional de la mente. Supuestos
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
producirla tiene alguna validez para
lograr algún objetivo en situaciones
variadas”.
Objetivo, situaciones variadas
El 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 acontecimientos
o captar la estructura estadística de las relaciones entre acontecimientos.
3. El enfoque computacional de la mente. Supuestos
15
*Supuesto de procesamiento algorítmico.
Los procesos mentales son de naturaleza algorítmica. Pueden describirse
mediante algoritmos.
Un algoritmo es un procedimiento especificado de modo completo y sin
ambigüedades para computar alguna función.
3. El enfoque computacional de la mente. Supuestos
16
*Supuesto de procesamiento algorítmico.
Se asume que existe una serie de símbolos que se combinan según ciertas
reglas formales y las reglas de transformación responden a la forma de
combinación.
3. El enfoque computacional de la mente. Supuestos
17
*Supuesto representacional.
Hay estados mentales que tienen la función de codificar estados del
mundo.
Se definen a partir de una combinación de símbolos.
Los símbolos pueden descomponerse hasta llegar a los “primitivos
subyacentes”
Ej. 0, 1 en la máquina de Turing.
Estados de encendido y apagado en una neurona.
3. El enfoque computacional de la mente. Supuestos
18
*Supuesto representacional.
El objeto o la situación presentes tienen que ser sustituidos por una
representación que elimine las variaciones y destaque lo que permanece
constante o es relevante.
3. El enfoque computacional de la mente. Supuestos
19
*Supuesto representacional.
El contenido de los símbolos no se ve afectado por el contexto en el que
aparece.
El significado de las expresiones complejas está en función del significado
de sus partes.
Asimetría: el significado del todo viene determinado por las partes.
El significado de las partes no se ve afectado por el todo.
3. El enfoque computacional de la mente. Supuestos
20
*Supuesto representacional.
Propiedades de este supuesto
(Aspectos esenciales de la arquitectura cognitiva):
- Sistematicidad.
- Composionalidad.
3. El enfoque computacional de la mente. Supuestos
21
*Supuesto representacional.
Propiedades de este supuesto:
- Sistematicidad.
Aplicaciónd de reglas que responden sistemáticamente a la estructura de
las expresiones simbólicas.
3. El enfoque computacional de la mente. Supuestos
22
*Supuesto representacional.
Propiedades de este supuesto:
- Composionalidad.
Las expresiones y símbolos tienen carácter combinatorio.
Hay diferentes estilos.
La concatenación: Emplea sintaxis.
3. El enfoque computacional de la mente. Supuestos
23
*Supuesto representacional. Composionalidad.
Rasgos de la concatenación:
Las 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 expresión
compleja no contiene literalmente los constituyentes originales.
3. El enfoque computacional de la mente. Supuestos
24
*Supuesto de causación
Los 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.
3. El enfoque computacional de la mente. Supuestos
25
*Supuesto materialista
Las operaciones mentales se realizan sobre un soporte físico.
Las estructuras simbólicas se corresponden con estructuras físicas reales en
el cerebro.
Los procesos mentales pueden descomponerse en procesos más elementales
de manera sucesiva hasta llegar a operaciones básicas del cerebro.
3. El enfoque computacional de la mente. Supuestos
26
Problemas de la dualidad mente/cerebro a mediados del siglo XX
Soluciones aportadas por el enfoque computacional. Mente y cerebro no son sustancias distintas, son modos distintos de referirse a un mismo sistema físico.
El ordenador: prueba que determinados procesos que consisten en
transformar unas representaciones en otras de acuerdo a objetivos mentales,
podrían descomponerse en procesos cada vez más elementales hasta llegar a
las operaciones electromecánicas del soporte físico.
3. El enfoque computacional de la mente.
27
Soluciones aportadas por el enfoque computacional.
Los procesos mentales transforman estados mentales representacionales, no
en función de las propiedades del objeto representado.
Lo hacen en función de las propiedades internas de los propios estados
mentales.
3. El enfoque computacional de la mente. Problemas de la dualidad mente/cerebro a mediados del siglo XX
28
La 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.
3. El enfoque computacional de la mente. Problemas de la dualidad mente/cerebro a mediados del siglo XX
29
Hay razones para suponer que unos estados cerebrales, o combinación
de símbolos, dan lugar a otros en virtud de leyes formalizables (de
algoritmos).
3. El enfoque computacional de la mente. Problemas de la dualidad mente/cerebro a mediados del siglo XX
30
Los conceptos básicos que hay que emplear en las descripciones de los
procesos mentales se pueden definir de manera simple y sin
ambigüedades.
3. El enfoque computacional de la mente. Problemas de la dualidad mente/cerebro a mediados del siglo XX
31
Las representaciones mentales se definen a partir
de los símbolos que emplea el sistema,
del modo en que se combina, y
del algoritmo que los transforma.
El algoritmo es un procedimiento de cómputo formalizable (lógica,
lingüística o matemáticamente) que se puede reducir a las operaciones
básicas del soporte físico.
3. El enfoque computacional de la mente. Problemas de la dualidad mente/cerebro a mediados del siglo XX
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.
33
1. Mc Culloch y Pitts.
2. Hebb.
3. Rosenblatt.
4. Selfridge.
5. Widrow y Hoff
4. El enfoque neuronal de la computación
34
1. Mc Culloch y Pitts (1943).
Primer estudio que analizó formalmente la relación entre la estructura y
función del sistema nervioso y los principios del cómputo mental.
4. El enfoque neuronal de la computación
35
Modelizaron matemáticamente la actividad de unidades de computación
neuronal interconectadas en forma de redes (redes neronales) y definidas
a partir de una abstracción de las propiedades fisiológicas de las
neuronas.
4. El enfoque neuronal de la computación 1. Mc Culloch y Pitts (1943).
36
Dos estados posibles de las
unidades:
- activas (1).
- 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.
4. El enfoque neuronal de la computación 1. Mc Culloch y Pitts (1943).
37
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 los
enunciados elementales.
4. El enfoque neuronal de la computación 1. Mc Culloch y Pitts (1943).
38
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 de
eficaces.
4. El enfoque neuronal de la computación 1. Mc Culloch y Pitts (1943).
39
2. Hebb: El aprendizaje. The organization of behavior (1949)
Su objetivo: encontrar una base científica en la neurofisiología para
estudiar
las representaciones mentales,
consolidación de las representaciones perceptivas,
la asociación entre estímulos percibidos,
la memoria, la atención
4. El enfoque neuronal de la computación
40
Las funciones mentales no
recaen en las neuronas
tomadas de manera
individual.
Defiende la naturaleza
distribuida de las
representaciones en el
cerebro.
4. El enfoque neuronal de la computación2. Hebb: El aprendizaje.
41
Acuñó el concepto de Asamblea neuronal
Def: 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 de
los ojos producen cambios repentinos en el patrón de actividad neuronal
como si fueran acontecimientos inconexos.
4. El enfoque neuronal de la computación2. Hebb: El aprendizaje.
4. El enfoque neuronal de la computación2. Hebb: El aprendizaje.
42
Las asambleas neuronales son como los ladrillos o bloques básicos por
medio de los cuales las neuronas podían ejercer funciones
psicológicamente relevantes.
Sin ellos no pueden construirse funciones más complejas.
4. El enfoque neuronal de la computación2. Hebb: El aprendizaje.
43
Lugar central del aprendizaje.
Consiste para Hebb en las modificaciones en la eficacia de las sinapsis.
4. El enfoque neuronal de la computación2. Hebb: El aprendizaje.
44
Las propiedades funcionalmente relevantes del sistema nervioso no se
encuentran en las neuronas, sino en unidades mayores de análisis: las
asambleas.
4. El enfoque neuronal de la computación2. Hebb: El aprendizaje.
45
3. Rosenblatt: el perceptrón.
Rosenblatt (1958). En respuesta a la tendencia a analizar las operaciones del cerebro del mismo modo que se analizan las operaciones de los ordenadores.
4. El enfoque neuronal de la computación
46
xxxx
4. El enfoque neuronal de la computación3. Rosenblatt: el perceptrón.
47
El análisis lógico- simbólico no es adecuado cuando se ignoran las
propiedades del sistema nervioso.
La falta de fiabilidad de las neuronas y la redundancia informativa o falta
de especificidad representacional de las neuronas y de las conexiones no
eran para él una imperfección.
4. El enfoque neuronal de la computación3. Rosenblatt: el perceptrón.
48
La tarea principal que tiene que resolver el cerebro no tiene que ver con la
lógica.
Tiene que ver con la clasificación y el reconocimiento de los
estímulos:
separación de patrones de actividad neuronal en condiciones
de ruido,
deterioro del sistema,
ambigüedad y falta de información-.
4. El enfoque neuronal de la computación3. Rosenblatt: el perceptrón.
49
Aboga por la necesidad de un mayor desarrollo formal y matemático en el
campo de la neurofisiología.
4. El enfoque neuronal de la computación3. Rosenblatt: el perceptrón.
50
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.
4. El enfoque neuronal de la computación3. Rosenblatt: el perceptrón.
51
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.
4. El enfoque neuronal de la computación3. Rosenblatt: el perceptrón.
52
Esta capa se proyectaba sobre otra (= capa de asociación).
Las unidades de esta capa no estaban conectadas con todas las
unidades de retina, solo con un pequeño porcentaje.
4. El enfoque neuronal de la computación3. Rosenblatt: el perceptrón.
53
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.
4. El enfoque neuronal de la computación3. Rosenblatt: el perceptrón.
54
Las unidades de las capas de asociación y de respuesta eran unidades
lógicas 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
4. El enfoque neuronal de la computación3. Rosenblatt: el perceptrón.
55
La tarea que tenía que resolver la red era modificar los pesos de las
conexiones entre las capas de asociación y de respuesta para que los
patrones de entrenamiento activaran solo la unidad de respuesta correcta.
4. El enfoque neuronal de la computación3. Rosenblatt: el perceptrón.
56
Rosenblatt ideó una regla de aprendizaje basada en una señal correctora
que actuaba ensayo a ensayo.
En cada ensayo se introducía un patrón de entrada en la retina que
correspondía a algún estímulo visual.
4. El enfoque neuronal de la computación3. Rosenblatt: el perceptrón.
57
Si
la respuesta de la red era correcta: no se producía cambio en los pesos.
La respuesta era errónea: se daban cambios en los pesos de conexión
entre las unidades de la capa de asociación y las unidades de la capa de
respuesta.
4. El enfoque neuronal de la computación3. Rosenblatt: el perceptrón.
58
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).
4. El enfoque neuronal de la computación3. Rosenblatt: el perceptrón.
59
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.
4. El enfoque neuronal de la computación3. Rosenblatt: el perceptrón.
60
Limitaciones de los perceptrones:
- no podían manifestar un comportamiento simbólico.
- no podía representar propiedades relacionales como “más grande que”
4. El enfoque neuronal de la computación3. Rosenblatt: el perceptrón.
61
4. Selfridge: el pandemónium (1958)
Describió el modelo de Pandemónium. Fue diseñado para aprender a descifrar palabras y letras en código Morse. Después se extendió al reconocimiento de letras escritas.
4. El enfoque neuronal de la computación
62
Aportaciones:
- El procesamiento en tareas de reconocimiento era paralelo,
no serial.
- No apoyaba la idea de un ejecutivo central (creía que las operaciones se
realizan por multitud de unidades de procesamiento de funcionamiento
autónomo, como las unidades de una red neuronal).
4. El enfoque neuronal de la computación4. Selfridge: el pandemónium
63
El pandemonium estaba organizado en capas que transmitían la
información en una sola dirección.
- La primera capa = demonios de imagen (representación en bruto
del estímulo presentado).
- Capas de demonios computacionales o subdemonios:
transformaban la información en bruto con un orden de complejidad
creciente. Ej. demonios que codifican rasgos visuales.
- Capa de demonios cognitivos: cada uno especializado en detección
de una letra.
- Demonio de decisión: seleccionaba el demonio cognitivo que más le
gritaba.
4. El enfoque neuronal de la computación4. Selfridge: el pandemónium
64
La conexión entre
demonios estaba modulada
por pesos.
La activación total de un
demonio = suma de todos
los inputs que recibía
de otros demonios.
4. El enfoque neuronal de la computación4. Selfridge: el pandemónium
65
Los demonios no daban respuestas de todo o nada. Gritaban en función e
la medida en que el estímulo incluía el elemento representado.
La falta de información, ruido o lesión no influye en el resultado total de la
suma.
4. El enfoque neuronal de la computación4. Selfridge: el pandemónium
66
El aprendizaje podía basarse en modificaciones de pesos.
Selfridge describió procesos evolutivos mediante un proceso de selección
natural:
- los demonios que no puntuaban mucho eran eliminados.
- los que más puntuaban generaban nuevos demonios.
4. El enfoque neuronal de la computación4. Selfridge: el pandemónium
67
5.Widrow y Hoff (1960): gradiente de descenso
Expusieron una regla de aprendizaje para sistemas compuestos de elementos neuronales adaptativos. La regla se derivó a partir del método de gradiente de descenso.
4. El enfoque neuronal de la computación
68
Su objetivo: optimizar el aprendizaje de clasificación de patrones en
máquinas de aprendizaje artificial basadas en sistemas de interruptores.
Se centraron en condiciones de aprendizaje con ruido y errores
inevitables.
Objetivo del sistema: minimizar los errores de clasificación
4. El enfoque neuronal de la computación5.Widrow y Hoff: gradiente de descenso
69
La estructura es similar al perceptrón.
Para calcular los cambios de peso de una unidad de salida, no importan
las demás.
Cada unidad reduce el error local que comete.
Hace disminuir el error global.
El sistema sigue aprendiendo aunque todas sus respuestas sean
correctas.
4. El enfoque neuronal de la computación5.Widrow y Hoff: gradiente de descenso
70
RESUMEN DE APORTACIONES
1. Trabajo interdisciplinar: psicólogos, neuropsicólogos, neurofisiólogos, lingüístas, matemáticos, lógicos, ingenieros, informáticos, expertos en Inteligencia Artificial.
4. El enfoque neuronal de la computación
71
4. El enfoque neuronal de la computaciónRESUMEN DE APORTACIONES
2. Los principios de cómputo están inspirados en el funcionamiento y estructura de las
redes 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.
72
3. 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.
4. El enfoque neuronal de la computaciónRESUMEN DE APORTACIONES
73
4. 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 las
propiedades de los estímulos a partir de la exposición.
4. El enfoque neuronal de la computaciónRESUMEN DE APORTACIONES
74
La racionalidad de los procesos mentales no está tanto en su eficacia para preservar la
verdad de un sistema de creencias en la sucesión de pasos inferenciales,
sino en
clasificar y captar la estructura, tanto de los estímulos, como de las relaciones entre
acontecimientos.
Imprimirles o escanearles la tabla de pag 54 Cobos.
4. El enfoque neuronal de la computaciónRESUMEN DE APORTACIONES
75
5. Aprendizaje en condiciones de ruido, ambigüedad, pérdida de información y
lesiones.
6. Los procesos mentales no consisten en manipulaciones de símbolos (cómo defendía
el enfoque clásico).
4. El enfoque neuronal de la computaciónRESUMEN DE APORTACIONES
76
5. Crisis de los enfoques neuronal y clásico.
Crisis del enfoque neuronal
Minsky y Papert (1969)mostraron las limitaciones de los perceptrones. Trataron de establecer una relación entre la estructura 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.
77
5. Crisis de los enfoques neuronal y clásico.
Crisis del enfoque clásico
Paradoja: La computación clásica había proporcionado un marco que permitía el estudio científico de los procesos mentales. El resultado de este estudio parecía ser que los procesos mentales no se ajustaban bien a los supuestos de este marco.
78
5. Crisis de los enfoques neuronal y clásico.Crisis del enfoque clásico
Cuestionamiento del supuesto de racionalidad
Supuesto a cuestionar: Los procesos mentales son racionales.
Tversky y Kahneman (1986). Tratan de demostrar la irracionalidad de los humanos en toma de decisiones y razonamiento probabilístico.
“Las desviaciones del comportamiento con respecto al modelo normativo están demasiado
extendidas para ser ignoradas, son demasiado sistemáticas para considerarlas errores aleatorios,
y demasiado fundamentales para acomodarlas mediante una relajación del sistema normativo”
79
Cuestionamiento de la aplicación de reglas formales para explicar patrones de comportamiento.
Supuesto a cuestionar: el procesamiento es resultado de la aplicación de reglas formales que responden a la estructura de las representaciones.
El problema no es describir las reglas, sino captar su ámbito de aplicación.
5. Crisis de los enfoques neuronal y clásico.Crisis del enfoque clásico
80
Cuestionamiento de la aplicación de reglas formales para explicar patrones de comportamiento.
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.
5. Crisis de los enfoques neuronal y clásico.Crisis del enfoque clásico
81
Cuestionamiento de la aplicación de reglas formales para explicar patrones de
comportamiento.
Intentos de resolver estos problemas:
- Introduciendo esquemas, marcos y guiones para flexibilizar.
Esquemas: Son estructuras de datos para representar conceptos genéricos almacenados en
la 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.
5. Crisis de los enfoques neuronal y clásico.Crisis del enfoque clásico
82
Cuestionamiento de la aplicación de reglas formales para explicar patrones de
comportamiento.
Los esquemas incluyen variables que pueden tener valores ausentes.
La activación de un esquema podría generar inferencias o hipótesis acerca de datos que por
el deterioro de la información u otras causas, estuvieran ausentes o fueran ambiguos.
Los esquemas no consiguieron este objetivo de flexibilizar y dar rapidez al procesamiento
inferencial humano.
5. Crisis de los enfoques neuronal y clásico.Crisis del enfoque clásico
83
Cuestionamiento de la aplicación de reglas formales para explicar patrones de
comportamiento.
Los sistemas basados en reglar resultaron inoperantes en el aprendizaje a partir de
ejemplos.
5. Crisis de los enfoques neuronal y clásico.Crisis del enfoque clásico
84
Cuestionamiento de la forma de considerar las representaciones mentales
Supuesto a cuestionar: los conceptos son listas de atributos definitorios (necesarios y
suficientes).
La pertenencia de un individuo a una categoría parecía depender más de una cuestión de
parecido familiar que de una definición precisa y exhaustiva.
5. Crisis de los enfoques neuronal y clásico.Crisis del enfoque clásico
85
La falta de asociación entre a psicología cognitiva (enfoque computacional clásico) y
la 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.
5. Crisis de los enfoques neuronal y clásico.Crisis del enfoque clásico
86
6. El conexionismo
Dentro 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 of
cognition. David R. Rumehart y James. L. McClelland, y el grupo PDP (1986).
87
6. El conexionismo
Objeto 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 de
conexión entre neuronas.
La información no se almacena de forma simbólica o representacional, sino como pesos de
fuerzas de conexión con señales de activación- inhibición.
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.
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 las
unidades ocultas) del mismo modo que se propaga hacia delante.
90
6. El conexionismo Aprendizaje de representaciones internas
(retropropagación del error).
El procedimiento puede aplicarse recursivamente tantas veces como capas ocultas
contenga la red.
Limitación:
Los axones transmiten la información en un solo sentido.
Esta reglar requiere que las conexiones transmitan información en dos sentidos opuestos.
91
6. El conexionismo
Las redes Hopfield (1982)
El comportamiento de la red se puede interpretar en términos de minimización de la función
de 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.
92
6. El conexionismo Las redes Hopfield
Cuando algunas unidades reciben un input externo, se da una sucesión de cambios de
estado (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 cada
unidad).
93
Cada 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 la
red a recuperar el estímulo completo.
6. El conexionismo Las redes Hopfield
94
Este modelo aborda el procesamiento de la información como un proceso continuo y
dinámico 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 a
cualquier grupo de neuronas.
- Las neuronas tienen comportamiento no lineal. (Su aportación más importante).
6. El conexionismo Las redes Hopfield
95
6. El conexionismo
Las máquinas Boltzmann
Hopfield, 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 se
active o se desactive.
96
6. El conexionismo Las máquinas Boltzmann
La 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 las
demás.
= La red llega a un mínimo global de energía y cae en un atractor.
97
La máquina incluye una regla de aprendizaje.
2 fases opuestas: aprendizaje y desaprendizaje.
6. El conexionismo Las máquinas Boltzmann
98
Aportaciones 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 las
redes encuentran estabilidad.
6. El conexionismo Las máquinas Boltzmann
99
Aportaciones generales de las redes conexionistas
- 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 (grateful
degradation) 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.
6. El conexionismo
100
6. El conexionismo Aportaciones generales de las redes conexionistas
Con respecto a los conceptos:
- Las redes abstraen el prototipo a partir de ejemplos y almacenan características
específicas de los estímulos.
- La representación de categorías es sensible a los efectos del contexto.
101
- Las redes muestran curvas de adquisición con cambios cualitativos semejantes a los
cambios evolutivos que se observan en los niños.
Estos cambios emergen a partir de la dinámica autoorganizativa de las redes en
interacción con los propios ejemplos de aprendizaje.
(Los modelos cláisicos explican los cambios cualitativos como incorporación de nuevas
reglas).
6. El conexionismo Aportaciones generales de las redes conexionistas
102
IMP:
Los cambios cualitativos de las redes EMERGEN
gracias a
los principios de funcionamiento del sistema
en combinación con
la distribución estadística de los ejemplos presentados y de sus propiedades.
6. El conexionismo Aportaciones generales de las redes conexionistas
103
Los 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.
6. El conexionismo Aportaciones generales de las redes conexionistas
104
La 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 los
individuos.
- la restricción de los datos del funcionamiento y estructura de las redes neuronales
biológicas.
6. El conexionismo Aportaciones generales de las redes conexionistas
105
De la neurociencia a los modelos conexionistas:
- incorporan nuevas propiedades de las redes neuronales biológicas
De los modelos conexionistas a la neurociencia:
- aporta nociones matemáticas y conceptos técnicos que permiten interpretar la función que
pueden desempeñar ciertas áreas cerebrales.
6. El conexionismo Aportaciones generales de las redes conexionistas
106
5. El conexionismo Aportaciones generales de las redes conexionistas
Las redes conexionistas se usan para:
- modelizar procesos cognitivos.
- probar hipótesis sobre la función de ciertas áreas cerebrales.
6. El conexionismo Aportaciones generales de las redes conexionistas
107
6. El conexionismo
Características de una red conexionista.
DEFINICIÓN:
Una red conexionista es un modelo de procesamiento de la información basado en la acción
de múltiples unidades de procesamiento interconectadas que operan en paralelo de acuerdo
con principios inspirados en cómo transcurre el procesamiento de la información en el
cerebro.
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.
109
Supuestos básicos de computación (Mc Leod et al, 1998):
2. Las neuronas pasan información a otras neuronas acerca del input total que
reciben.
3. El cerebro está estructurado en capas.
Cuando la información es procesada por una capa,
envía el resultado a la siguiente
y así sucesivamente.
6. El conexionismo Características de una red conexionista.
110
Supuestos básicos de computación (Mc Leod et al, 1998):
4. La influencia de una neurona sobre otra depende de la fuerza de conexión entre
ambas.
6. El conexionismo Características de una red conexionista.
111
Supuestos básicos de computación (Mc Leod et al, 1998):
5. El aprendizaje consiste en cambios en la fuerza de conexión (eficacia sináptica)
entre las neuronas.
La experiencia con los estímulos que nos rodean producen cambios en la fuerza de las
conexiones 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 las
conexiones entre las unidades.
6. El conexionismo Características de una red conexionista.
112
6. El conexionismo Características de una red conexionista.
Supuestos básicos de computación (Mc Leod et al, 1998):
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.
113
6. El conexionismo Arquitectura de las redes conexionistas
Consiste en el modo en que sus unidades operan y la estructura de la red.
La arquitectura + la estrategia de codificación
determinan
lo que la red puede computar
las propiedades globales que emergen de su funcionamiento.
= Definir la arquitectura de una red significa explicitar los principios que determinan su
comportamiento.
114
6. El conexionismo Arquitectura de las redes conexionistas
Microestructura de una red.
Las 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.
115
Microestructura de una red.
La integración de los inputs procedentes de otras unidades suele ser una simple suma de
cada uno de los inputs individuales.
La señal integrada = input neto.
El valor de activación es el resultado de aplicar
una función de activación o transferencia
sobre el input neto.
6. El conexionismo Arquitectura de las redes conexionistas
116
Microestructura 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 localmente
accesible en la misma conexión.
6. El conexionismo Arquitectura de las redes conexionistas
117
Mesoestructura 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.
6. El conexionismo Arquitectura de las redes conexionistas
118
Macroestructura de una red.
El modelo global es una red de redes.
6. El conexionismo Arquitectura de las redes conexionistas
119
Las representaciones en las redes conexionistas
Representaciones distribuidas.
Definición
Cuando la representación de cada entidad consiste en un patrón de actividad que cubre
un amplio número de unidades de procesamiento y al mismo tiempo, cada unidad de
procesamiento interviene en la representación de muchas entidades.
Representaciones locales.
Cuando cada unidad de procesamiento representa una entidad diferente.
6. El conexionismo Arquitectura de las redes conexionistas
120
Diferencias entre representaciones distribuidas y locales
1. 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 en
un patrón de activación, la red da una respuesta igual o similar.
6. El conexionismo Arquitectura de las redes conexionistas
121
Diferencias entre representaciones distribuidas y locales
2. 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 de
componentes y generalizan muy bien.
5. Las r. distribuidas permiten que el almacenamiento de patrones en las mismas
conexiones tenga como efecto la abstracción y surgimiento de prototipos.
6. El conexionismo Arquitectura de las redes conexionistas
122
Emergentismo e implicaciones
Partiendo 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 que
proceden de otras unidades.
Las propiedades de las redes conexionistas no están prediseñadas en ninguna parte
específica de la red. Emergen de las interacciones entre unidades.
6. El conexionismo