Modelos Biolóxicos e Computacionais de Representación do Coñecemento

Impártese na Facultade de Informática da Universidade da Coruña

Dar a coñecer aos alumnos algunhas das técnicas de representación do coñecemento en Sistemas Intelixentes. Por outra parte, ver un exemplo de representación do coñecemento distribuído compatible e baseado con algún sistema biolóxico para a representación do coñecemento

PROGRAMA DE CLASES TEÓRICAS

1. CONCEPTOS HISTÓRICOS E BÁSICOS DOS SISTEMAS ADAPTATIVOS
1.1 Evolución histórica e precursores.
1.2 Nacemento.

2. MODELOS
2.1 Proceso de Modelización.
2.2 Comparación entre o elemento biolóxico e o formal.

3. O COÑECEMENTO NATURAL E A SUA REPRESENTACIÓN.
3.1 Características do coñecemento do mundo real.
3.2 Formas de representación do coñecemento.

4. RAZOAMENTO E APRENDIZAXE.
4.1 Modos de Razoamento.
4.2 Tipos de Aprendizaxe.

5. METODOLOXÍA NOS SISTEMAS ADAPTATIVOS
5.1 Introdución.
5.2 Etapas de la Metodoloxía.

6. APLICACIÓNS BÁSICAS DOS SISTEMAS CONEXIONISTAS
6.1 Consideracións previas.
6.2 Aplicacións.

PROGRAMA DE CLASES PRÁCTICAS
- Prácticas en grupo de Análise e Creatividade
- Prácticas de discusión e debate.
- Prácticas de laboratorio computacional

SEMINARIOS
Exporanse a los alumnos los resultados de investigacións científicas recentes

•Arbib M.A.: "Cerebros, Máquinas y Matemáticas". Ed. Alianza Universidad. Madrid. 1987.
•Arbib, M.A.: “The handbook of brain theory and neural networks”. Cambridge, Massachusetts. MIT Press. 1995.
•Grossberg, S.: "Neural Networks and Natural Inteligence". Editor: MIT Press, 1988.
•Hertz, J., Krogh, A. & Palmer, R.: "Introduction to the Theory of Neural Computation". Santa Fe Institute, Addison-Wesley Editores 1991.
•Hinton, G.E.: “How Neural Networks Learn from Experience”. Scientific American, 267, 144-151. 1992.
•McCulloch, W. S., and Pitts, W.: "A Logical Calculus of the Ideas Inmanent in the Neural Nets". Buletin of Mathematical Biophysics, vol. 5, pp. 115-137. 1943.
•McCulloch, W.S., Arbib, M.A. & Cowan, J.D. "Neurological Models and Integrative Processes". In Yacovits, Jacobi and Goldstein. Ed. Selft-Organizing Systems.Spartan bocks. Washington. 1969.
•Minsky, M. & Papert, S.: "Perceptrons". Cambridge, MIT Press. 1988.
•Ramón y Cajal, S.: "Textura del Sistema Nervioso del Hombre y los Vertebrados". tomo I. Ed. Alianza. 1989.
•Rosenblueth, A., Wiener, N, and Bigelow, J.: "Behavior, Purpose and Teleology". Phylosophy of Science nº10, pp. 18-24. 1943.
•Rumelhart, D.E., Widrow, B. & Lehr, M. A.: "The basic ideas in neural networks". Comm. ACM. Num 37. pp 87-92. 1994.

Comprender a base neurobiolóxica na que se basean os sistemas adaptativos, da que obteñen a súa estrutura e funcionalidades
Coñecer as características do coñecemento natural e a súa representación
Entender o modo de razoamento dos sistemas adaptativos e aprender os distintos métodos para a súa aprendizaxe
Estudar o proceso fundamental de modelización dun sistema adaptativo
Adestrarse na construción destes sistemas seguindo unha metodoloxía adecuada

Clases expositivas
Clases interactivas: Seminarios e prácticas
Titorías en grupos reducidos ou individualizadas
Actividades de avaliación

Participación activa na clase
Elaboración e presentación dun traballo tutelado sobre a asignatura
Exame escrito sobre teoría e práctica

Clases expositivas: 10 horas
Clases interactivas: Seminarios e prácticas: 10 horas
Titorías en grupos reducidos ou individualizadas: 8 horas
Actividades de avaliación : 2 horas

Estudo individual: 20 horas
Elaboración de memorias de prácticas, traballos: 25 horas

Pode ser enriquecedor para o alumno cursar esta asignatura xunto cá de Neurociencia Computacional, Desenvolvemento do Sistema Nervioso e Evolución do sistema nervioso