McCulloch & Pitts Neuronas (I)

McCulloch Pitts: Neuronas
Autor: Michael Marsalli
En 1943 Warren S. McCulloch, un neurólogo y Walter Pitts, un lógico, publicaron "Un

cálculo lógico de las ideas inmanentes en actividad nerviosa" en la 5:115 de Boletín de
Biofísica matemática - 133. En este documento McCulloch y Pitts intentaron entender cómo
el cerebro podría producir patrones altamente complejos mediante el uso de muchas células
básicas que están conectadas. Estas células de cerebro básico se denominan neuronas, y
McCulloch y Pitts dieron un modelo muy simplificado de una neurona en su papel. El modelo
de McCulloch y Pitts de una neurona, lo que llamamos una neurona de MCP para abreviar, ha
sido muy importante en Ciencias de la computación. De hecho, usted puede comprar una
neurona de MCP electrónicas en la mayoría de las tiendas, pero se les llama "unidades de
lógica de umbral". Un grupo de neuronas de MCP que están conectados juntos es llamado
una red neuronal artificial. En un sentido, el cerebro es una red neuronal muy grande. Tiene
miles de millones de neuronas, y cada neurona está conectado a miles de otras neuronas.
McCulloch y Pitts demostraron cómo codificar cualquier proposición lógico por una red
adecuada de las neuronas de MCP. Y, por tanto, en teoría, cualquier cosa que se puede hacer
con un equipo también puede hacerse con una red de neuronas de MCP. McCulloch y Pitts
también mostraban que cada red de neuronas de MCP codifica algunos proposición lógica.
Por lo tanto si el cerebro fueron una red neuronal, entonces que sería codificar algún
programa de equipo complicado. Pero la neurona de MCP no es una neurona real; es sólo un
modelo muy simplificado. Debemos ser muy cuidadosos en la elaboración de conclusiones
acerca de las neuronas reales basadas en las propiedades de las neuronas de MCP.
Un estudio de la neurona McCullough Pitts es esclarecedor por varias razones. Se verá la
historia temprana del desarrollo de lo que se convertiría en los programas netos neuronales
impresionantes artificiales usados hoy en día. En segundo lugar, podrá ver la evolución de un
modelo de computadora que gradualmente aleja la concepción clásica de un computador
digital a la aparición de lo que llamamos un no clásico equipo (véase equipos clásico frente a
no clásica). Estos equipos no clásicos están haciendo una contribución importante en la
investigación que se está haciendo para comprender mejor el funcionamiento del cerebro
humano. Por último, usted llegará a apreciar la importancia vital que los matemáticos han
contribución al estudio científico de la mente. Este es un ejemplo estelar de las matemáticas
en la práctica.
Algunos ejemplos de neurona de MCP A fin de comprender las neuronas de MCP, veamos un
ejemplo. Supongamos que hay una neurona en el cerebro de un ave que tiene dos receptores,
que están conectados de alguna manera a los ojos del ave. Si el ave ve un objeto redondo, se
envía una señal al primer receptor. Pero si se observa cualquier otra forma, no se envía
ninguna señal. Por lo tanto el primer receptor es un detector de redondez. Si el ave ve un
objeto de color púrpura, se envía una señal al segundo receptor de la neurona. Pero si el
objeto es cualquier otro color, no se envía ninguna señal. Por lo que el segundo receptor es un
detector de color púrpura. Observe que para cualquier receptor hay una pregunta que puede
ser no contestado "sí" o "", y que sólo se envía una señal si la respuesta es "sí". El primer
receptor corresponde a la pregunta "is ronda el objeto?" El segundo receptor corresponde a la
pregunta "es púrpura el objeto?" Nos gustaría producir una neurona de MCP que dirá el ave a
comer un arándano, sino a evitar comer bayas rojas o violeta púrpura. En otras palabras,
nosotros queremos la neurona MCP para enviar una señal de "comer" si el objeto es redondo
y púrpura, pero la neurona de MCP no enviará ninguna señal, si el objeto es o bien no ronda
no púrpura o ninguno ronda ni púrpura. Por lo tanto el ave solo comer un objeto si la neurona
de MCP envía una señal. Si no se envía ninguna señal, el ave no comerá el objeto. Aquí es
una tabla que resume cómo funcionaría la neurona de MCP en varios casos.
La tabla 1
Objeto ¿Morado? ¿Ronda? ¿Comer?

Arándano Sí Sí Sí
Pelota de golf No Sí No
Violeta Sí No No
Hot Dog No No No
Observe que todas las señales enviadas a la neurona de MCP y la señal que envía son "todos
sí" o "no" de las señales. Esta característica de "todo o nada" es uno de los supuestos que
McCulloch y Pitts realizados acerca del funcionamiento de una neurona real. También
supone que de alguna manera una neurona real "añade" las señales de todos sus receptores, y
decide si va a enviar un "sí" o "no" señal basado en el total de las señales que recibe. Si el
total de las señales recibidas es lo suficientemente alto, la neurona envía una señal de "sí"; de
lo contrario, la neurona no envía una señal de "". A fin de "Agregar" las señales de que está
recibiendo la neurona de MCP, utilizaremos el número 1 para un "sí" y el número 0, para un
"no". A continuación, la tabla 1 tendrá ahora este aspecto.
La tabla 2
Objeto ¿Morado? ¿Ronda? ¿Comer?

Arándanos 1 1 1
Pelota de golf 0 1 0
Violeta 1 0 0
Hot Dog 0 0 0
Ahora necesitamos una manera de decidir si el total de las señales recibidas es "lo
suficientemente alto." La forma McCulloch y Pitts hicieron esto es utilizar un número
llamaron un umbral. ¿Qué es un umbral, y cómo funciona? Cada neurona de MCP tiene su
propio umbral que se compara con el total de las señales que ha recibido. Si el total es mayor
que o igual que el umbral, la neurona de MCP enviará un 1 (es decir, una "sí" señal). Si el
total es menor que el umbral, la neurona de MCP enviará un 0 (es decir, un "no" señal). Por
lo tanto la neurona de MCP es responder a la pregunta "es la suma de las señales que he
recibido mayor o igual a mi umbral?"
A fin de ver cómo funciona esta idea de umbral, supongamos que tenemos una neurona de
MCP con dos receptores conectados a los ojos de un ave. El uno receptor es un detector de
redondez y la otra es un detector de color púrpura, al igual que tuvimos en el ejemplo
anterior. Dado que queremos la neurona para instruir a las aves comer arándanos pero no la
pelota, violetas o perritos necesitamos un umbral alto lo suficiente por lo que requiere ambos
de las dos propiedades están presentes. Vamos a tratar de un umbral de "2" y ver si esto no
funciona.
Si el ave ve un arándano, entonces el detector púrpura envía un 1 y el detector de redondez un
1. Por lo que nuestra neurona MCP agrega estas señales para obtener un combinado de
entrada de 1 + 1 = 2. Ahora nuestro neurona MCP toma esta entrada total de 2 y lo compara
con su umbral de 2. Debido a la entrada total (= 2) es mayor o igual que el umbral (= 2), la
neurona de MCP enviará una salida de 1 (que significa, "EAT").
http://www.mind.ilstu.edu/curriculum/mcp_neurons/mcp_neuron_1.php?
modGUI=212&compGUI=1749&itemGUI=3018
traducido por microsoft: http://www.microsofttranslator.com/BV.aspx?

ref=BVNav&from=&to=es&a=http%3A%2F%2Fwww.mind.ilstu.edu%2Fcurriculum
%2Fmcp_neurons%2Fmcp_neuron_1.php%3FmodGUI%3D212%26compGUI
%3D1749%26itemGUI%3D3018

McCulloch & Pitts Neuronas (I)

Cargado por

Copyright:

Formatos disponibles

McCulloch & Pitts Neuronas (I)

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

McCulloch & Pitts Neuronas (I)

Cargado por

Copyright:

Formatos disponibles

McCulloch Pitts: Neuronas

Autor: Michael Marsalli

En 1943 Warren S. McCulloch, un neurólogo y Walter Pitts, un lógico, publicaron "Un

Objeto ¿Morado? ¿Ronda? ¿Comer?

Objeto ¿Morado? ¿Ronda? ¿Comer?

traducido por microsoft: http://www.microsofttranslator.com/BV.aspx?

También podría gustarte