SISTEMA INMUNITARIO ARTIFICIAL

Sistema inmunitario artificial

son una clase de máquinas de aprendizaje basado en reglas computacionalmente inteligentes, inspiradas en los principios y procesos del sistema inmunitario vertebral. Los algoritmos son típicamente modelados a partir de las características de aprendizaje y memorización del sistema inmunitario para la solución de problemas.

Las técnicas comunes están inspiradas en teorías inmunológicas concretas que explican el funcionamiento y el comportamiento del sistema inmunitario adquirido mamífero.

-Algoritmo de selección clonal: Una clase de algoritmos inspirados en la teoría de selección clonal de la inmunidad adquirida que explica cómo los linfocitos B y T mejoran su respuesta a antígenos con el tiempo mediante la maduración de la afinidad. Estos algoritmos se enfocan en los atributos Darwinistas de la teoría donde la selección está inspirada por la afinidad de las interacciones antígeno-anticuerpo, la reproducción está inspirada en la división celular, y la variación está inspirada en la hipermutación somática. 

-Algoritmo de selección Negativa: Inspirado en el proceso de selección positiva y negativa que ocurre durante la maduración de celulas T en el timo llamado tolerancia de célula T. La selección negativa se refiere a la identificación y eliminación (apoptosis) de células autoinmunes, es decir, las células T pueden seleccionar y atacar tejidos propios. Por ejemplo, en el caso de la detección de anomalias del algoritmo prepara un conjunto de ejemplo de detectores de patrones entrenados a partir de patrones normales (no-anómalos) que modelan y detectan patrones ocultos o anómalos.

-Algoritmos de Redes Inmunes: Algoritmos inspirados en la teoría de la red idiopatica propuesta por Niels Kaj Jerne que describe la regulación del sistema inmunitario por anticuerpos anti-idiopáticos (anticuerpos que seleccionan para otros anticuerpos). Esta clase de algoritmos se enfocan en las estructuras de la red de grafo implicadas donde los anticuerpos (o un anticuerpo que produce células) representan los nodos y el algoritmo de entrenamiento implica crecer o podar aristas entre los nodos basándose en la afinidad (semejanza en el espacio de representación de los problemas).

-Algoritmos de Células Dentríticas: Es un ejemplo de un algoritmo inspirado en la inmunidad desarrollado utilizando una aproximación de multi-escala. Este algoritmo está basado en un modelo abstracto de células dentríticas. El DCA es abstraído e implementado a través de un proceso de examen y modelación de varios aspectos del funcionamiento de las células dendríticas, desde las redes moleculares presentes dentro de la célula hasta el comportamiento globalmente exhibido por una población de células. Dentro del DCA la información está granulada en diferentes capas, conseguidas a través de procesamiento multi-escala.

Referencia: Rescatado de 

https://es.wikipedia.org/wiki/Sistema_inmunitario_artificial

INTELIGENCIA DE ENJAMBRE

Inteligencia de enjambre.

Es una forma de inteligencia de enjambre es una parte de la inteligencia artificial la cual su función principal se basa en el comportamiento colectivo de sistemas, como las hormigas y abejas, de allí se puso el nombre de enjambre, pues ese tipo de insecto realizan de igual manera.

Que significa PSO?: Particle swarm. optimization (optimizacion por enjambre de particulas).

Las características principales de una partícula:

-Separación: No debe chocar con otras partículas.

-Alineación: Su visión debe estar a la par con sus vecinos, pero sin obstruir esta visión.

-Cohesión: Moverse siempre al centro del enjambre

Aplicaciones: 

La inteligencia de emjambres basados en técnicas pueden ser usadas en un número de aplicaciones. El ejército de EE.UU. está investigando técnicas de enjambre para el control de vehículos no tripulados. La Agencia Espacial Europea está pensando en un enjambre orbital para el autoensamblaje y la interferometría. La NASA está investigando el uso de la tecnología de nube para la cartografía planetaria. Un documento de 1992 por M. Anthony Lewis y George A. Bekey  analiza la posibilidad de utilizar la inteligencia de enjambre para controlar nanorobots dentro del cuerpo con el fin de matar a los tumores de cáncer.​ Por otra parte al-Rifaie y Aber han usado Búsqueda difusión estocástico para ayudar a localizar tumores. 

La aplicación de los principios enjambre a robots se llama robótica de enjambres que son un nuevo tipo de aproximación para la coordinación de sistemas de modelos basados en agentes, constituidos por un alto número de robots relativamente simples.

Referencias: Rescatado de

https://es.slideshare.net/arnoely/algoritmo-enjambre-de-abejas?next_slideshow=1

https://es.wikipedia.org/wiki/Inteligencia_de_enjambre#Aplicaciones

COMPUTACIÓN EVOLUTIVA.

La computación evolutiva 

Es una rama de la inteligencia artificial que involucra problemas de optimización combinatoria Se inspira en los mecanismos de la Evolución biológica. 

Fundamentos de la computación evolutiva:

-La unidad fundamental de información en los seres vivos es el gen.

-El gen es parte de una estructura denominada cromosoma que determina o afecta un carácter simple o fenotipo (propiedad visible).

-Los organismos vivos pueden ser visualizados como un dual de su genotipo (la codificación genética) y de su fenotipo.

Incluye 4 paradigmas: 

-Algoritmos genéticos: Son métodos adaptativos que se derivan de la simulación  de los procesos genéticos, que comprenden los mecanismos naturales de cruce, mutación y la supervivencia de mas apto (selección). se utilizan para resolver problemas de búsqueda y optimización. 

-Programación evolutiva: Se deriva de la simulación del comportamiento adaptativo propio de un proceso evolutivo. se caracteriza por su énfasis en el desarollo de modelos de comportamiento. trabaja en el espacio del fenotipo del comportamiento observable (evolución fenotípica).

-Estrategias de evolución: Están basadas en el concepto de meta evolución y, al igual que la programación evolutiva, enfatizan al aspecto fenotípico del proceso evolutivo. 
A pesar de utilizar las operaciones de mutación y cruce (recombinación), la perspectiva de ellas son diferentes a las utilizadas por los algoritmos genéticos o la programación evolutiva:

-Operaciones de mutación o recombinación que caen fuera de una ventana de evolución predefinida por la función de optimizacion, no son de utilidad. 

-El ajuste dinámico del tamaño de la mutación a una ventana de evolución también dinámica, favorece la meta evolución.

-Programación genética: Esta diseñada para evolucionar programas de computadoras, genéticamente. a diferencia de las tres implementaciones anteriores, que generalmente emplean cromosomas en forma de cadena de caracteres como miembros individuales de la población, la programación genética utiliza arboles para representar a los programas sujetos a evolución. 

- Las funciones definidas para el problema aparecen en los nodos (conjunto interno).

-Las variables de estado y las constantes están localizadas en las hojas del árbol (conjunto terminal).

Referencia: Rescatado de 

https://www.slideshare.net/hbanda/computacin-evolutiva-56846864

RED NEURONAL ARTIFICIAL.

Redes Neuronales

Dentro de la Inteligencia Computacional podemos encontrar técnicas como las Redes Neuronales que son una rama de la inteligencia computacional muy relacionada con el aprendizaje automático. 

Consiste en un conjunto de unidades llamadas neuronas artificiales, conectadas entre si para trasmitirse señales. la información de entrada atraviesa la red neuronal (donde se somete a diversas operaciones) produciendo unos valores de salida.

El objetivo de la red neuronal es resolver los problemas de la misma manera que el cerebro humano, aunque las redes neuronales son mas abstractas. las redes neuronales actuales suelen contener desde unos miles a unos pocos millones de unidades neuronales.

En cuanto a su aplicación, las redes neuronales son apropiadas para aplicaciones donde no se conoce un modelo a apriori de un sistema pero se dispone de un conjunto de ejemplos de entrada y la red aprende a partir de esos ejemplos para disponer finalmente de un modelo de comportamiento.

hay aplicaciones donde encontraremos ejemplos de lo que se desea: aprender, tales como reconocimiento de voz, análisis y procesado de señales, control de procesos, así como problemas de predicción. 

Las tareas se aplican a las redes neuronales artificiales tienden a caer dentro de las siguientes categorías generales:

1. Aproximación de funciones, o el análisis de regresión, incluyendo la predicción de series temporales, funciones de aptitud y el modelado
2.  Clasificación incluyendo el reconocimiento de patrones y la secuencia de reconocimiento, detección y de la toma de decisiones secuenciales. 
3. Procesamiento de datos, incluyendo el filtrado, el agrupamiento, la separación ciega de las señales y comprensión. 
4. Robótica, incluyendo la dirección de manipuladores y prótesis.        
5. Ingeniería de control, incluyendo control numérico por computadora.

Ejemplo: Un bot es un programa que simula a un jugador humano. El neuralbot es un bot para el juego quake II que utiliza una red neuronal artificial para decidir su comportamiento y un algoritmo genético  para el aprendizaje. Es muy fácil probarlo para ver su evolución.

Referencia: Rescatado de
 https://es.wikipedia.org/wiki/Red_neuronal_artificial#Aplicaciones_de_la_vida_real

Inteligencia computacional basada en la vida. JOSÉ MUÑOZ PÉREZ

JOSÉ MUÑOZ PÉREZ (2010) indica que la mayor parte de las teorías acerca del funcionamiento de la naturaleza ha sido producto de la observación de la misma naturaleza permitiendo además como funciona. Pero no es suficiente la observación ni explicarla si no que también puede servir de inspiración para diseñar y construir sistemas, maquinas o artefactos. De igual manera la informática se ha desarrollado y ha progresado gracias al estudio de la naturaleza comprendiendo mejor los procesos biológicos y sus funciones. Como producto de interacción de la computación y biología surgen la computación bioinspirada (redes neuronales artificiales, algoritmo genético, etc).

Referencia: MUÑOZ PÉREZ J. (2010). Inteligencia computacional basada en la vida. Recuperado de https://books.google.com.co/books?id=X6elEFHIUxYC&printsec=frontcover&dq=inteligencia+computacional&hl=es&sa=X&ved=0ahUKEwiIk8m3iabgAhVMs1kKHUllCmMQ6AEIKTAA#v=onepage&q=inteligencia%20computacional&f=false

VIDEO V

Este vídeo es una prueba de todo lo que puede hacer la inteligencia computacional relacionado con la inteligencia artificial. En el vídeo nos habla de sophia, la robot mas avanzada del mundo y todo lo que ha logrado aprender y hacer.

VIDEO IV

La inteligencia computacional es la capacidad de resolver un problema a través de herramientas de tecnologías de la información. se divide en 5 elementos: pensamiento critico, la descomposición, el reconocimiento de patrones, la abstracción y la capacidad de generar un proceso algorítmico a través de las fases anteriores.