Introducci

1
Introducción a las Redes neuronales

• Laboratorio de Inteligencia Artificial

2
Modelo biológico

• Se estima que el cerebro humano contiene más de
  cien mil millones ( ) de neuronas y  sinápsis en
  el sistema nervioso humano

• Cuerpo de la neurona,
• Ramas de extensión llamadas dendrítas para
  recibir las entradas, y
• Axón que lleva la salida de la neurona a las
  desdirías de otras neuronas

3
Red neuronal artificial
Una de las misiones consiste en simular las
propiedades observadas en los sistemas neuronales
biológicos que se caracterizan por su
generalización y su robustez.                     
                   Una red neuronal se compone
de unidades llamadas neuronas. Cada neurona
recibe una serie de entradas a través de
interconexiones y emite una salida. Respecto al
Diseño y programación de una RNA,en un paradigma
convencional de programación se modela mediante
un algoritmo codificado que tenga una serie de
propiedades que permitan resolver dicho problema.
En RNA se parte de un conjunto de datos de
entrada significativo y el objetivo es conseguir
que la red aprenda automáticamente las
propiedades. tiene más que ver con la selección
del modelo de red, las variables a incorporar ,
el conjunto de entrenamiento.
4
Red neuronal artificial ,ejemplo

• Ejemplo 1 Diagnostico de Imágenes médicas
• Durante la fase de entrenamiento el sistema
  recibe imágenes de tejidos que se sabe
  (aprendizaje supervisado) son cancerígenos y
  tejidos que se sabe son sanos
• Una vez entrenado el sistema podrá recibir
  imágenes de tejidos no clasificados y obtener su
  clasificación sano/no sano con un buen grado de
  seguridad.
• Las variables de entrada pueden ser
• los puntos individuales de cada imagen
• un vector de características de las mismas que se
  puedan incorporar al sistema
• procedencia anatómica del tejido de la imagen
• a edad del paciente al que se le extrajo la
  muestra
• Analisis clínicos adicionales

5
Ventajas

• Aprendizaje tienen la habilidad de aprender
  mediante una etapa de aprendizajeconsistente en
  proporcionar a la RNA datos como entrada a su vez
  que se le indica cuál es la salida (respuesta)
  esperada.
• Auto organización crea su propia representación
  de la información en su interior. Sin necesidad
  de una programación explicita .
• Tolerancia a fallos. Almacena la información de
  forma redundante, ésta puede seguir respondiendo
  aceptablemente aún si se daña parcialmente.
• Flexibilidad puede manejar cambios no
  importantes en la información de entrada, como
  señales con ruido u otros cambios en la entrada
• por ejemplo si la información de entrada es la
  imagen de un objeto, la respuesta correspondiente
  es acertada inclusio si la imagen tiene
  parametros de luz ligeramente distintos o el
  objeto cambia ligeramente de posición
• Tiempo real es paralela, si se implementa con
  con computadoras o en dispositivos electrónicos
  que utilicen dicha paralelización se pueden
  obtener respuestas en tiempo real , de la misma
  manera que el cerebro es capaz de procesar
  cantidades ingentes de información en paralelo
  sin un esfuerzo aparente
• Comprensión de imágenes
• Comprensión de sonidos
• Comprensión de parámetros tactiles, de calor y
  movimiento

6
Modelo de red

• La forma que dos neuronas interactuan no es
  totalmente conocida, En general, una neurona
  envía su salida a otras por su axón.
• Este proceso es a menudo modelado como la función
  de red . La neurona recoge las señales por su
  sinápsis sumando todas las influencias
  excitadoras e inhibidoras.
• Si las influencias excitadoras positivas
  dominan, entonces la neurona da una señal
  positiva y manda este mensaje a otras neuronas
  por sus sinápsis de salida.
• En el caso general el valor de activación de la
  neurona viene dado por una función de activación

7
El Perceptrón

• Los perceptrones se diseñaron para emular las
  características principales de las neuronas
  biológicas.
• Su funcionamiento es el siguiente Una serie de
  entradas se aplican al perceptrón, luego esas
  entradas son multiplicadas por un peso (también
  llamado factor), que representa la "fuerza" de la
  conexión sináptica y todas las entradas
  multiplicadas por su peso se suman para
  determinar el nivel de activación del perceptrón.
  
• De aquí en adelante nos referiremos a este
  sumatorio con el término NET.

8
La Función de Activación

• La salida NET es generalment utilizada más
  adelante por una función de activación que
  denominaremos F para producir la señal de salida
  del perceptrón, denominada OUT. Esta función
  puede ser de distintos tipos
• Lineal OUT K NET (siendo k una constante
  numérica)
•                    
• Umbral (Abrupta, binaria) La salida es 1 si
  NETgtK y 0 en otro caso
•                        
• Sigmoidea (Contínua) Es la función que más se
  parece a las características de transferencia no
  lineal de la neurona biológica y permite
  funciones de red más generales. Esta función
  además comprime el rango de NET, por lo que
  pertenece al tipo de funciones de aplastamiento

9
Perceptrón multicapa

• El perceptrón multicapa es una (RNA) formada por
  múltiples capas, esto le permite resolver
  problemas que no son linealmente separables, lo
  cual es la principal limitación del perceptrón
  simple)
• Las capas pueden clasificarse en tres tipos
• Capa de entrada Constituida por aquellas
  neuronas que introducen los patrones de entrada
  en la red. En estas neuronas no se produce
  procesamiento.
• Capas ocultas Formada por aquellas neuronas
  cuyas entradas provienen de capas anteriores y
  las salidas pasan a neuronas de capas
  posteriores.
• Capa de salida Neuronas cuyos valores de salida
  se corresponden con las salidas de toda la red.

10
Continuacion

• Seguir a partir de
• http//ohm.utp.edu.co/neuronales/Capitulo2/Percept
  ron/ReglaP.htm