Please use this identifier to cite or link to this item: http://www.dspace.espol.edu.ec/handle/123456789/43791
Full metadata record
DC FieldValueLanguage
dc.contributor.authorKURI PINTO, JUAN CARLOS-
dc.date.accessioned2018-06-25T15:32:16Z-
dc.date.available2018-06-25T15:32:16Z-
dc.date.issued2016-09-12-
dc.identifier.urihttp://www.dspace.espol.edu.ec/xmlui/handle/123456789/43791-
dc.descriptionEl reduccionismo científico crea soluciones casi perfectas, inflexibles y específicas para una gran cantidad de problemas. Por lo general, estas soluciones son modelos de deducción causal que van desde las causas hacia los efectos. En esta tesis se presenta 3 algoritmos inteligentes de inducción causal que van desde los efectos hacia las causas: El reconstructor de imágenes mentales, el caracterizador evolutivo y el ruteador causal jerárquico. Estos algoritmos usan redes de nodos interrelacionados que exploran el espacio de patrones para encontrar las mejores causas o soluciones que explican los efectos o problemas presentados como evidencia. Para cada algoritmo, se presenta una aplicación. Pero estos algoritmos son muy generales y aplicables a muchos problemas. El reconstructor de imágenes mentales resuelve el juego del buscaminas en pocos segundos. El caracterizador evolutivo infiere la tridimensionalidad de fotos bidimensionales mediante un sistema básico de visión artificial. Y el ruteador causal jerárquico se presenta como una solución teórica para el aprendizaje y auto-organización en tiempo real de las geometrías causales de un brazo robótico y de todo tipo de robot. Pero este problema es una frontera de la ciencia. No se lo resuelve pero se sugieren estrategias para resolverlo.es_EC
dc.description.abstractScientific reductionism finds solutions that are almost perfect, inflexible, and specific for a big variety of problems. In general, these solutions are models of causal deduction that go from causes to effects. This thesis presents 3 intelligent algorithms of causal induction that go from effects to causes: The mental image reconstructor, the evolutionary characterizer, and the hierarchical causal router. These algorithms use networks of interrelated nodes that exploit the pattern space to find the best causes or solutions that explain the effects or problems presented as evidence. For each algorithm, an application is presented. But these algorithms are very general and applicable to many problems. The mental image reconstructor solves the minesweeper videogame in few seconds. The evolutionary characterizer infers the tridimensionality of bidimensional photos through a basic system of artificial vision. And the hierarchical causal router is presented as a theoretical solution for learning and self-organizing in real time the causal geometries of a robotic arm and of every type of robot. But this problem is a frontier of science. It is not solved here but some strategies to solve it are suggested.es_EC
dc.language.isospaes_EC
dc.publisherESPOLes_EC
dc.rightsopenAccesses_EC
dc.subjectHolismo versus reduccionismoes_EC
dc.subjectinducción causales_EC
dc.subjectel problema inverso de la inteligenciaes_EC
dc.subjectinferencia probabilísticaes_EC
dc.subjectoptimización de parámetroses_EC
dc.subjectdescenso de gradientees_EC
dc.subjectprocesos de decisión markovianoses_EC
dc.subjectredes neuronaleses_EC
dc.subjectneurocienciaes_EC
dc.subjectinteligencia artificial aplicada a los videojuegoses_EC
dc.subjectcampo vectorial de la visiónes_EC
dc.subjectmecánica de Lagrange aplicada a la robóticaes_EC
dc.titleAlgoritmos Básicos de la Computación Cognitiva para la Programación de Cerebros Artificialeses_EC
dc.typeArticlees_EC
Appears in Collections:Artículos de Tesis de Grado - FIEC

Files in This Item:
File Description SizeFormat 
KURI PINTO JUAN CARLOS.pdfAlgoritmos Básicos de la Computación Cognitiva para la Programación de Cerebros Artificiales822.4 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.