Pensamiento estadístico y probabilístico, un puente entre neurociencias e inteligencia artificial
Statistic and Probabilistic thinking, a bridge between neuroscience and artificial intelligence
DOI:
https://doi.org/10.32870/ecucba.vi20.297Palabras clave:
Neurociencias, cerebro estadístico, cerebro bayesiano, multimetodologíasResumen
¿Cuál es el epicentro de este artículo? Es el cerebro humano, en el cual confluye, lo imprescindible, lo prescindible y lo valioso en todos los sentidos, donde nacen las simientes de las ideas, desarrollos y soluciones, con preeminencia en la resolución de conflictos, numerosas veces de características complejas, razón por la cual el cerebro mapea, a través del pensamiento, rotulado con diferentes nombres, teorías básicas y no tan básicas de resolución de incertidumbre; considerando a la Estocástica como una disciplina de amplia vastedad que se ve reflejada en el funcionamiento cerebral. En esta revisión convergen disciplinas centrales como: la Biología, las Neurociencias, corrientes del Pensamiento basado en la Incertidumbre y la Inteligencia Artificial en la simulación de procesos de aprendizaje, mediante modelos bio-inspirados como: Redes Neurales, Machine Learning, Deep Learning, Aprendizaje por Refuerzo, la Teoría de Agentes y Multiagentes, la Matemática Aplicada y las Teorías de Resolución de Incertidumbre. El propósito es la resolución de conflictos, basados en el Pensamiento Complejo, con un enfoque multimetodológico, ya que se tienen situaciones interdisciplinarias, que requieren soluciones transdisciplinarias. Las distintas concepciones del Cerebro, en el planteo y resolución de problemas con presencia de incertidumbre, en aras de mejorar la toma de decisión inteligente.
Citas
Capra, F. (2009). La trama de la vida: Una nueva perspectiva de los sistemas vivos. Ed.Anagrama.
Morin, E. (1990). Introducción al Pensamiento Complejo. GEDISA.
Bickman, L. y Rog, D. (1998). Handbook of Applied Social Research Methods. Thousand Oaks, Ca: Sage Publications. 580 pp.
Snee, R. D. (1993). What’s Missing in Statistical Education? The American Statistician, 47(2), 149–154. https://doi.org/10.2307/2685201
Deming, W. E. (1994). The New Economics. Boston.
Quality Press (1996). Glossary and Tables for Statistical Quality Control. ASQ Quality Press.
Polya, G. (1945). How to Solve It? Princeton University.
Zanakis, S. H. y Evans, J. R. (1981). Heuristic “optimization”: Why, when, and how to use it. Interfaces, 11(5), 84-91.
Greeno, J. G. y Hall, R. P. (1997). Practicing Representation: Learning with and about representational forms. Phi Delta Kappan, 78 (5), 361-367.
Vergara, A., Estrella, S. y Vidal-Szabó, P. (2020). Relaciones entre pensamiento proporcional y pensamiento probabilístico en situaciones de toma de decisiones. Revista Latinoamericana de Investigación en Matemática Educativa, 23(1), 7-36.
Gal, I. (2005). Towards "probability literacy" for all citizens: building blocks and instructional dilemmas. En Exploring Probability in School. Challenges for Teaching An Learning. Ed. Jones, G. Springer.
Sánchez, E. (2009). La probabilidad en el programa de estudio de matemáticas de la secundaria en México. Educación Matemática, 21(2), 39-77.
Helmholtz, H. (1867). Handbuch der physiologischen Optik. Leopold Voss, Leipzig.
Hernández, N., Duarte, A., Ost, G., Fraiman, R., Galves, A., & Vargas, C. D. (2021). Retrieving the structure of probabilistic sequences of auditory stimuli from EEG data. Scientific Reports, 11(1), 3520.
Farias, I. (2021). Thomas Bayes y el Cerebro Bayesiano. Psicoactiva. Recuperado de https://www.psicoactiva.com/blog/thomas-bayes-y-el-cerebro-bayesiano/
Mingers, J. (1997). Multi-Paradigm Multimethodology. John Wiley & Sons, England.
García, R. (2006). Sistemas Complejos. GEDISA.
Turing, A. (1950). Computing Machinery and Intelligence. Mind, 59, 433-460.
McClulloch, W. S. y Pitts, W. (1943). A Logical Calculus of the Ideas Immanent in Nervous Activity. Bulletin of mathematical biophysics, 5, 115-133.
Morris, R. G. (1949). D.O. Hebb: The Organization of Behavior. Brain Research Bulleti, 50. doi.org/10.1016/S0361-9230(99)00182-3.
Anderson, J. A. (1972). A Simple Neural Network Generating on Interactive Memory Mathematical. Biosciences 14, 197-220.
Hopfield, J. J. (1982). Neural Networks and Physical Systems with Emergent Collective Computational Abilities. Proceedings of the National Academy of Sciences. USA, 79, 2554-2558.
Hopfield, J. J. y Tank, D. W. (1985). Neural Computation of Decisions in Optimization Problems. Biological Cybernetics, 52, 141-152.
Hopfield, J. J. (1987). Learning Algorithms and Probability Distributions in Feed-Forward and Feed-Back Networks. Proceedings of the National Academy of Sciences. USA, 84, 8429.
Rosenblatt, F. (1958). The Perceptron: a Probabilistic Model for Information Storage and Organization in the Brain. Psychological Review, 65 (6) 386-408.
McClelland, J. L., Rumelhart, D. E. y the PDP Research Group (1986). Parallel Distributed Processing Explorations in the Microstructure of Cognition Psychological and Biological Models. Cambridge, MA, MIT Press/Bradford Books.
Grossberg, S. (1973). Contour Enhancement, Short-Term Memory, and Constancies in Reverberating Neural Networks. Studies in Applied Mathematics, 52 (3) 213-257.
Grossberg, S. (1982). Studies of Mind and Brain. Dordrecht, Holland: Reidel Press.
Grossberg, S. (1988). Neural Networks and Natural Intelligence. Cambridge, MA: The MIT Press.
Carpenter, S. A. y Grossberg, S. (1987). The ART of Adaptive Pattern Recognition by a Self-Organizational Neural Network. Computer, 77-87.
Carpenter, S. A. y Grossberg, S. (1990). ART 3: Self-Organizational of Distributed Pattern Recognition Codes in Neural Networks. International Neural Networks Conference July 9-13, 1990, Palais des Congres-Paris, 2, 801-804. Dordrecht, Holland: Kluwer Academic Publishers.
Kohonen, T. (1988). Self-Organization and Associative Memory. (3ª Ed.). New York, Springer-Verlag.
Kohonen, T. (1990). The Self-Organization Map. Proceedings of the IEEE, 78 (9) 1464-1480.
Aleksander, I. y Morton, H. (1990). The Cognitive Challange For Neural Architectures. INNC.
Gärdenfors, P. (1995). In Cognitive Science and Information Technology. Ed. Y. Wearn, Swedish Science Press, 68-72.
Sagula, Jorge E. (2021). La importancia creciente de la Heurística y la Metaheurística en la Resolución de Problemas. En Memorias del II SEM-V-Tomo I. Universidad Nacional de Luján. Luján, Buenos Aires, Argentina; 13-14 mayo’2021. ISBN 978-987-3941-66-5. EDUNLU.
Minsky, M. (1986). The Society of Mind. New York, Simon & Schuster.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Jorge E. Sagula
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
