El objetivo global del tema es situar la visión del conexionismo basado en mecanismos neuronales en el contexto general de la IA, estableciendo la distinción y el carácter complementario de los dos tipos básicos de aproximaciones: descripciones externas, en lenguaje natural de las tareas y comportamientos que deseamos automatizar y descripciones internas basadas en los mecanismos neuronales de los que emergen esos comportamientos en los seres vivos.

El objetivo de este tema es resumir los aspectos conceptuales y formales del conexionismo convencional (RNAs). En particular se resumen las funciones de cálculo local analógicas y lógicas, haciendo énfasis en su carácter paramétrico. También se resumen los dos tipos básicos de aprendizaje supervisado y no supervisado usados para modificar la conectividad (el valor de los parámetros de las funciones de cálculo local). La enseñanza práctica asociada se focaliza en el diseño de clasificadores numéricos adaptativos. No es difícil de probar, aunque queda fuera del alcance de este tema, que otras tareas tales como el control o la predicción de series temporales, siempre pueden reescribirse en forma de clasificadores.

Los objetivos de este tema son: (1) plantear el concepto de “espacio de representación” como generalización de los espacios de señales propios de la Física, (2) resumir las dos aproximaciones dominantes en Neurociencia y en Computación sobre cómo construyen los animales y los humanos sus espacios de representación (Marr y Gibson), (3) plantear el problema del enorme salto semántico que hay entre las señales y los conceptos (entre las magnitudes físicas y numéricas y las magnitudes cognitivas) y (4) resumir algunos de los mecanismos neuronales básicos para ir asociando significados a las señales en su camino ascendente, desde los receptores sensoriales (extracción de características espacio-temporales locales, detección de contrastes, movimiento, etc.) y para la percepción directa (filtros sintonizados y otros mecanismos de resonancia). Haremos énfasis a lo largo del tema en la necesidad de comprender la dificultad asociada a la construcción automática (robot con sensores) de espacios de representación como fase previa a la programación de sistemas automáticos de interpretación de escenas.

Los objetivos del tema son: (1) conocer las bases neurofisiológicas del acto motor voluntario, (2) formular las enseñanzas que ofrece la biología al mundo de la IA y la robótica a la hora de diseñar planificadores, programas y controles de actos motores en robots concretos con sensores y efectores concretos y (3) desarrollar algunas actividades prácticas encaminadas a ilustrar el carácter preprogramado de los patrones motores y el resto de los conceptos descritos en la parte teórica.

El tema tiene dos objetivos globales que después se desdoblan en otros de alcance más limitado. El primer objetivo global es que el estudiante entienda el concepto de conducta como secuencia temporal de asociaciones percepción-acción y la formulación de estas conductas como secuencias de transiciones de estados y producción de salidas en un autómata finito determinista o probabilístico. Le recordamos al estudiante que ya hemos visto en los dos temas anteriores que estos patrones sensoriales y motores, cuya asociación estudiamos ahora, están en gran medida precalculados. Esta es también la recomendación que hacemos para el diseño de nuestros sistemas artificiales. El segundo objetivo de este tema es formular el aprendizaje como un proceso de modificación del patrón de asociaciones percepción-acción en función de la experiencia del animal (o del robot) en un medio concreto. Aquí estudiamos los distintos tipos de aprendizaje y su implementación neuronal, basándonos siempre en la generación de una señal de control, z(t), que hace que aumente o disminuya la eficacia de una determinada sinapsis en función de que su participación en una serie de asociaciones percepción-acción haya sido premiada o castigada.