Redes Neuronales - PowerPoint PPT Presentation

About This Presentation
Title:

Redes Neuronales

Description:

Duwan Ernesto Arismendy Rodr guez Pontificia Universidad Javeriana Facultad de Comunicaci n y Lenguaje Ciencia de la Informaci n Bibliotecolog a – PowerPoint PPT presentation

Number of Views:465
Avg rating:3.0/5.0
Slides: 27
Provided by: DuwanAr
Category:

less

Transcript and Presenter's Notes

Title: Redes Neuronales


1
(No Transcript)
2
Neurona
Célula especializada del tejido nervioso que
asegura la conducción y la transmisión del
influjo nervioso. Esta célula que pertenece al
sistema nervioso, y que comprende un cuerpo
celular y varias prolongaciones, constituye la
unión funcional de diferentes áreas del cuerpo .
Se estima que en el ser humano hay entre 20.000
millones y 200.000 millones de neuronas, cada una
de las cuales puede tener hasta 30.000 conexiones
con otras neuronas.
3
Red Neuronal
Definición
Una red neuronal, es una estructura de
procesamiento de información paralela y
distribuida, que intenta simular las funciones
computacionales elementales de la red nerviosa
del cerebro humano, con base a la interconexión
de multitud de elementos de procesamiento, cada
uno de los cuales presenta un comportamiento
completamente local.
4
Historia
  • 1943. MacCulloch y Pitts (MacCulloch y Pitts,
    1943) publicaban el artículo "A logical Calculus
    of ideas Immanent in Nervous Activity". La
    probabilidad que una neurona se activase dependía
    de la señal de entrada y de la sinapsis de
    conexión.

1949. Hebb (1949) Publica el libro "The
organization of the Behavior" donde se describe
cómo pueden aprender las neuronas.
1951. Marvin Minsky y Dean Edmons fabrican con
tubos, motores y dispositivos mecánicos una
máquina capaz de aprender.
5
Historia
  • 1956. Organizada por Minsky, John mcCarthy,
    Nathaniel Rochester y Claude Shannon se celebró
    la primera conferencia sobre Inteligencia
    Artificial.

1959. Frank Rosenblatt (Rosenblatt, 1959)
desarrolla su concepto de perceptron. Un sistema
que permitía interpretar patrones tanto
abstractos como geométricos.
1962. Marcian Hoff. Desarrolla un modelo llamado
ADALINE. Este modelo de RNA es capaz de
clasificar los datos en espacios separables
linealmente.
6
Historia
1969. Minsky y Papert (Minsky and Paperts, 1969)
publican el libro llamado "perceptrons" en el que
presentan el principal problema del perceptron,
el famoso problema del XOR o el No exclusivo.
  • 1986. Rumelhart, McClelland y el PDP (Rumelhart,
    McClelland PDP, 1986) Estos dos investigadores
    fundaron el PDP (Parallel Distributed Processing)
    un grupo dedicado al estudio del conocimiento. De
    este grupo se editó el libro "Parallel
    Distributed Processing Explorations in the
    Microstructures of Cognition".

7
Fundamentos
Es robusto y tolerante a fallas, diariamente
mueren neuronas sin afectar su desempeño.
  • Es flexible, se ajusta a nuevos ambientes de
    aprendizaje, no hay que programarlo.

Puede manejar información difusa, con ruido o
inconsistente.
Es altamente paralelo.
Es pequeño, compacto y consume poca energía.
8
Fundamentos
  • Procesamiento de imágenes y de voz

Reconocimiento de patrones
Planeamiento
Interfaces adaptivas para sistemas Hombre/máquina
Predicción
Control y optimización
Filtrado de señales
9
Características
Neurona Biológica
Estas neuronas tienen tres componentes
principales, las dendritas, el cuerpo de la
célula o soma, y el axón. Las dendritas, son el
árbol receptor de la red, son como fibras
nerviosas que cargan de señales eléctricas el
cuerpo de la célula.
  • El cuerpo de la célula, realiza la suma de esas
    señales de entrada. El axón es una fibra larga
    que lleva la señal desde el cuerpo de la célula
    hacia otras neuronas. El punto de contacto entre
    un axón de una célula y una dendrita de otra
    célula es llamado sinápsis.

10
Características
Redes Neuronales
El modelo de una neurona artificial es una
imitación del proceso de una neurona biológica.
11
Características
Existen varias formas de nombrar una neurona
artificial, entre las formas conocidas
encontramos, nodo, neuronodo, celda, unidad o
elemento de procesamiento (PE).
12
Características
En esta figura puede observarse el recorrido de
un conjunto de señales que entran a la red.
13
Características
Tener una inclinación natural a adquirir el
conocimiento a través de la experiencia.
Tienen una altísima plasticidad y gran
adaptabilidad.
Poseen un alto nivel de tolerancia a fallas.
Tienen un comportamiento altamente no-lineal.
La red no se programa se entrena.
14
Clasificación de las Redes Neuronales
Aprendizaje supervisado
Se asemeja al método de enseñanza tradicional con
un profesor que indica y corrige los errores del
alumno hasta que éste aprende la lección. Si la
red utiliza un tipo de aprendizaje supervisado
debemos proporcionarle parejas de patrones
entrada-salida y la red neuronal aprende a
asociarlos. series temporales, etc.
15
Clasificación de las Redes Neuronales
Aprendizaje no supervisado
No hay un profesor que corrija los errores al
alumno recuerda más al autoaprendizaje. El
alumno dispone del material de estudio pero nadie
lo controla. Si el entrenamiento es no
supervisado, únicamente debemos suministrar a la
red los datos de entrada para que extraiga los
rasgos característicos esenciales.
16
Clasificación de las Redes Neuronales
17
Tipos de Redes
Redes Unidireccionales (Feedforward Networks)
Usadas para transformar un conjunto de datos
especificado en otro también especificado.
El aprendizaje es supervisado y tiene lugar a
través de un proceso de ajuste de los pesos
sinápticos de las neuronas de la red.
Su arquitectura típica es de una red multicapa.
Prototitpo Perceptrón multicapa.
18
Tipos de Redes
Redes Recurrentes (Feedback Networks)
Concebidas para almacenar eficientemente
información.
La red funciona como un sistema dinámico cuyos
puntos de equilibrio representan los registros
almacenados.
Su arquitectura típica es la de una red monocapa
con una gran realimentación.
Prototipo Red de Hopfield.
19
Tipos de Redes
Redes Auto-Organizadas (Self-Organizing Networks)
Uso Estructurar la información que se presenta a
la red en conjuntos a priori desconocidos.
El entrenamiento es mediante un aprendizaje no
supervisado denominado competitivo.
Cada neurona tiene un cierto grado de conexión
con neuronas colaterales.
20
Aplicaciones de las Redes Neuronales
Clasificación Decidir a qué clase, de una serie
dada, se asigna un dato de entrada a la red.
Asociación La red funciona como un proceso de
recuperación de un dato, a partir de una entrada
relacionada con el dato almacenado. La entrada
puede ser una versión incompleta o deformada del
dato buscado.
21
Aplicaciones de las Redes Neuronales
Agrupamiento (Clustering) Utilizada cuando no
se conoce una clasificación de los datos de
entrada, y se espera que la red genere esta
clasificación. Generación de prototipos.
Optimización Permite solucionar problemas de
optimización de naturaleza complicada. Las RNA
proporcionan un procedimiento rápido para
generar una solución óptima.
22
Aplicaciones de las Redes Neuronales
Predicción y Control En tareas de predicción
para anticipar el estado futuro de un
sistema. Tareas de control de sistemas dinámicos
complejos.
23
Ventajas Redes Neuronales
Algunas ventajas de las redes neuronales son
Aprenden de ejemplos.
Procesan la información en paralelo.
Pueden trabajar en sistemas no lineales.
Trabajan mejor en sistemas ruidosos.
No necesitan un modelo matemático.
Capacidad de generalizar.
Son baratas en su construcción.
24
Desventajas Redes Neuronales
Algunas desventajas de las redes neuronales son
No se identifica claramente el mecanismo con el
cual han resuelto un problema.
No existe una metodología que nos indique que
tipo de red debemos utilizar para resolver un
problema específico, ni cuantas neuronas debemos
utilizar en la capa escondida, o si tenemos que
utilizar más de una capa escondida.
Modelo de Clasificación incomprensible.
25
Bibliografía
ACOSTA, Maria Isabel. Tutorial de redes
neuronales en línea. 2000. Consultado el 21 de
octubre de 2006. Disponible en
http//ohm.utp.edu.co/neuronales/. CASTELLANOS,
Miguel Angel. Introducción a las Redes Neuronales
y su aplicación a las Búsquedas de documentos en
línea. Consultado el 22 de octubre de 2006.
Disponible en http//www.tid.es/documentos/boleti
n/numero19_1.pdf. HERRERA LÓPEZ, Enrique.
Estimación de las concentraciones de biomasa y el
pigmento astaxantina, mediante redes neuronales
artificiales en línea. Consultado el 22 de
octubre de 2006. Disponible en
http//iteso.mx/rleal/archivos/cie97.pdf.
26
Bibliografía
MARTÍN DEL BRÍO, Bonifacio. Redes neuronales y
sistemas difusos. México Alfaomega. 2002. 399 p.
PALACIOS BURGOS, Francisco José. Herramientas
en GNU/Linux para estudiantes universitarios.
Redes Neuronales con GNU/Linux en línea. 2003.
Consultado el 21 de octubre de 2006. Disponible
en http//softwarelibre.unsa.edu.ar/docs/descarga
/2003/curso/htmls/redes_neuronales/index.html. RE
INOSO, Oscar. Curso 2002-2003. Redes Neuronales e
Inteligencia Artificial en línea. 2002.
Consultado el 22 de octubre de 2006. Disponible
en http//isa.umh.es/doct/rnia/. SERRANO,
Carlos. Las redes neuronales artificiales en
línea. 2000. Consultado el 22 de octubre de
2006. Disponible en http//ciberconta.unizar.es/L
ECCION/REDES/INICIO.HTML.
Write a Comment
User Comments (0)
About PowerShow.com