Resumen "conectionism and neural nets"

Resumen y opinion del capitulo “connectionism and neural nets”

El capítulo inicia explicando las bases sobre el conexionismo y las redes

neuronales, explica algunos de los conceptos clave en el conexionismo, como lo son

el paralelismo la adaptabilidad, robustez, etc. Posteriormente nos explica cuales son

las tres ramas del aprendizaje por conexión, que son el aprendizaje supervisado,

aprendizaje no supervisado, y aprendizaje por refuerzo.

Posteriormente nos habla de las formas en las que se puede representar las

conexiones en los modelos, las cuales pueden ser localistas o distribuidas y con

algunos puntos intermedios, puedo imaginar las localistas como las que vimos en

clase del cubo rubik, y una totalmente distribuida la imagino como una imagen en la

tarea de clasificación de imagen, cada pixel aporta conocimiento para la red, y a la

vez cada categoría requiere a todos los pixeles.

Al final de la sección se habla sobre algunos conceptos sobre aprendizaje,

como memoria y lenguaje para después explicar los modelos que usan símbolos, lo

cual da pie a establecer modelos que funcionan con lógica difusa, explica que

algunas capas de las redes neuronales se basan en éstos conceptos para funcionar,

con lo que se llegan a técnicas como el Backpropagation, y la idea de capas ocultas.

En la última parte se plantean técnicas donde se usan ambos modelos, y les

denominan híbridos, lo que hace que se puedan tomar las mejores partes de cada

uno, desde mi punto de vista ésta es la mejor parte del capítulo pues nos muestra

como dos ramas opuestas en la filosofía de las ciencias de la computación trabajan

mejor cuando se toma la mejor parte de cada una.

Hasta ahora éste ha sido el enfoque del curso, explicar como siempre hay

opiniones opuestas en la computación goafi y los enfoques modernos, conexionismo

y simbolismo. Pero el autor siempre muestra como mejor alternativa usar ambos

modelos para llegar a una solución bastante más óptima. Aunque claro en algunos

casos

...