TEMA: Redes Neuronales Artificiales

CURSO: Inteligencia Artificial

FACULTAD: Ingeniería de Sistemas

IX
CICLO:

DOCENTE: Dr. Jorge Gutiérrez Gutiérrez

INTEGRANTES:

• Oqueña Vilela Jesus

• Robles Medina Marlon
• Marquez Sanchez Ronald
• Olaya Gomez Junior
• Agurto Rosales Denixe

2024
 REDES NEURONALES ARTIFICIALES
1. Introducción
Un modelo matemático de una RNA (Red Neuronal Artificial) se basa en el
comportamiento biológico de las neuronas y en la estructura del cerebro.
Es posible considerarla como un sistema inteligente que realiza funciones de manera
diferente a la de las computadoras convencionales. Aunque estas últimas son útiles para
el procesamiento de información, existen tareas muy complejas, como el
reconocimiento y clasificación de patrones, que requieren mucho tiempo y esfuerzo en
las computadoras más potentes de la actualidad, pero que el cerebro humano es capaz
de resolverlas sin aparente esfuerzo (pensé en el lector al reconocer un rostro familiar
entre una multitud de otros rostros). El cerebro se puede considerar un sistema
altamente complejo(Tablada Claudio & Torres Claudio, s/f).
Aunque existen varios tipos de neuronas biológicas, la Figura 1 muestra un esquema
simplificado de un tipo común. Observamos que está compuesta por:
• El núcleo celular se encuentra en el soma, que es el cuerpo central.
• El axón es una prolongación del soma.
• Las dendritas forman una rama terminal.
• La sinapsis es un área de unión entre dos neuronas.

Las neuronas realizan principalmente la transmisión de impulsos nerviosos.

Estos viajan a través de toda la neurona desde las dendritas hasta las
terminaciones del axón, donde se conectan a otra neurona a través de una
conexión sináptica.

Las conexiones neuronales del cerebro están estrechamente relacionadas cómo

respondemos y aprendemos del mundo exterior, y las RNAs intentan emular esta
conexión(Tablada Claudio & Torres Claudio, s/f).
2. Marco Teórico
2.1. ¿Qué son las redes neuronales artificiales?

Una red de neuronas artificiales (RNA) es un paradigma de

procesamiento de información que se basa en cómo lo hace el cerebro. La
estructura de este paradigma es fundamental. Las RNA están formadas
por una variedad de componentes de procesamiento o neuronas que
trabajan juntos para resolver un problema específico. El modelo
matemático de neurona propuesto por McCulloch y Pitts en 1943 sirve
como base para las redes neuronales actuales(Palma, 2018, p. 650).

2.2. Proceso de entrenamiento o aprendizaje.

Este conocimiento se almacena en la RNA a través de un proceso de

aprendizaje o entrenamiento, que consiste en modificar los parámetros de
la RNA a través de un procedimiento preestablecido para mejorar su
rendimiento. El proceso de aprendizaje RNA se basa en el uso de
ejemplos que representan el problema.
Este conjunto se denomina conjunto de capacitación. El objetivo del
aprendizaje no es memorizar las relaciones entrada/salidas presentes en
el conjunto de entrenamiento, sino modelar el proceso que ha generado
estos datos. Es importante tener en cuenta esto.
Para lograr esto, es conveniente que la cantidad y el tipo de ejemplos
disponibles para el entrenamiento de la red sean suficientemente
representativos de la relación que se desea aprender.
De esta manera, una vez entrenada, la red podrá manejar no solo los datos
de entrenamiento, sino también nuevos datos que difieren de los
anteriores, sin que esto afecte su rendimiento. La capacidad de
generalización de la red es esto(Palma, 2018, p. 652).

- Métodos de aprendizaje supervisado:

Según Palma (2018), se presentan en esta sección las arquitecturas

más comunes utilizadas en redes de neuronas basadas en aprendizaje
supervisado. Estas arquitecturas se emplean para modelar la
correspondencia entre un conjunto de N ejemplos o patrones de
entrada {x1, x2, ..., xN} y las salidas deseadas {t1, t2, ..., tN},
mediante la minimización de la función de error que evalúa la
discrepancia entre estas salidas y las obtenidas por la red {y1, y2, ...,
yN}.

El aprendizaje supervisado es un enfoque en el que se proporciona al

modelo de aprendizaje automático un conjunto de datos de
entrenamiento etiquetados, es decir, datos que incluyen tanto las
características de entrada como las salidas deseadas o etiquetas
correspondientes. El objetivo del modelo es aprender una función que
pueda mapear correctamente las características de entrada a las
salidas deseadas(Palma, 2018, p. 653).

- Métodos de aprendizaje no supervisados

Los sistemas basados en el aprendizaje supervisado incluyen las redes

de neuronas discutidas anteriormente. Sin embargo, existen otros
paradigmas neuronales que se basan en el aprendizaje no supervisado
o no guiado. Todos intentan mostrar los datos de entrada del sistema
de una manera que refleje la estructura estadística que los define. En
otras palabras, intente identificar patrones o rasgos significativos en
los datos de entrada(Palma ,2018, p. 672).

Se clasifica en tres grandes grupos:

 Método de aprendizaje basados en la regla de Hebb:
El método de aprendizaje que se basa en la regla de Hebb: Se han
propuesto varios tipos de reglas hebbianas que se pueden usar para
varios propósitos, aunque uno de sus usos más importantes es en el
análisis de componentes principales(Palma, 2018, p. 672).

Métodos de aprendizaje competitivos:

El objetivo de este tipo de sistemas es agrupar o categorizar datos
relacionados. Se trata generalmente de similitud geométrica en el
espacio de entrada. En estos modelos, un grupo de neuronas compite
por ser activadas. En este tipo de sistemas, solo una neurona será la
ganadora, a diferencia de métodos anteriores en los que varias
neuronas pueden ser activadas al mismo tiempo.

Método de aprendizajes basado en modelos de la teoría de la

información: El objetivo de este tipo de sistemas es agrupar o
categorizar datos relacionados. Se trata generalmente de similitud
geométrica en el espacio de entrada. En estos modelos, un grupo de
neuronas compite por ser activadas. En este tipo de sistemas, solo una
neurona será la ganadora, a diferencia de métodos anteriores en los
que varias neuronas pueden ser activadas al mismo tiempo.

2.3. ¿Cómo funciona las redes neuronales artificiales?

Las tres categorías de nodos o neuronas componen las redes neuronales

artificiales(Qué son las Redes Neuronales Artificiales y el Deep
Learning, s/f):

- Los nodos de entrada reciben datos del exterior de la red.

- Nodos de salida: envían datos al exterior de la red.
- Nodos ocultos: intercambian datos entre los nodos de la red. Como
resultado, se encuentran en el centro de los nodos de entrada y salida
y no están conectados al exterior.
 Las redes neuronales artificiales suelen constar de varias capas de nodos
ocultos, se denominan "capas de aprendizaje". Cuantas más capas, mayor
es la profundidad de la red y mayor la capacidad de aprendizaje(Qué son
las Redes Neuronales Artificiales y el Deep Learning, s/f).

Los nodos de entrada reciben una serie de datos del exterior, que son
enviados a nodos ocultos en la red. Los nodos ocultos procesan,
modifican y transfieren información de una capa a otra. Este proceso se
denomina "aprendizaje" porque cada capa de nodos ocultos aprende de la
capa más externa(Qué son las Redes
Neuronales Artificiales y el Deep Learning, s/f).

Una vez que se entrena una red neuronal, cada red crea, modifica o
elimina conexiones entre nodos para responder con mayor precisión al
problema que está tratando de resolver(Qué son las Redes Neuronales
Artificiales y el Deep Learning, s/f).

2.4. ¿Cómo se entrena una red neuronal?

Ajustar cada uno de los pesos de las entradas de cada neurona que forma
parte de una red neuronal se conoce como entrenar una red neuronal. Esto
se hace para que las respuestas de la capa de salida se ajusten lo más
posible a los datos que conocemos. Es fundamental realizar el
entrenamiento con una gran cantidad de imágenes si queremos que la red
neuronal sea capaz de generalizar e identificar.
2.5. ¿Cómo funciona una red neuronal?

No hay conceptos muy complejos detrás de las redes neuronales. Como

puedes imaginar, el nombre proviene de la idea de simular la función de
la red neuronal de un organismo vivo: una colección de neuronas
interconectadas que trabajan juntas, cada una sin una tarea específica.
Con la experiencia, las neuronas crean y fortalecen ciertas conexiones
para "aprender" a fijar algo en el tejido.

2.6. Función de las redes neuronales

Las redes neuronales son modelos matemáticos que intentan simular
cómo funciona el cerebro humano. El objetivo principal de este modelo
es crear sistemas capaces de realizar ciertas acciones inteligentes. Esto
implica la capacidad de aprender cómo hacer una tarea
específica(Montealegre &
Bustamente, 2013).

2.7. Verificación de las redes neuronales

Las redes neuronales artificiales (RNA) son técnicas computacionales

efectivas que se utilizan ampliamente para solucionar problemas
complejos en una variedad de campos del conocimiento. La técnica se
verifica utilizando datos experimentales y simulaciones de una viga libre
y empotrada en diferentes condiciones de daño(Montealegre &
Bustamente, 2013).
2.8. Redes neuronales:

Las redes neuronales (NN: Neural Networks) fueron inicialmente una

representación abstracta de los sistemas nerviosos biológicos, formados
por un conjunto de unidades conocidas como neuronas o nodos que
estaban conectadas entre sí.

Al controlar la probabilidad de que una neurona dispare un 1 o 0

independientemente de los pesos, con frecuencia se le llama sesgo (en
inglés bias). La neurona con un sesgo alto necesita una entrada más alta
para producir una salida 1. Es más sencillo tener un sesgo
bajo(Introducción a las redes neuronales aplicadas, s/f).

2.9. ¿Dónde y cómo se determinan los valores del sesgo y peso?

Se pueden obtener parámetros de su modelo, como pesos y sesgos. Los

modelos relacionados, como la regresión lineal, usan los mismos nombres
que las redes neuronales. La mayoría de los algoritmos de aprendizaje
automático pueden
aprender algunos parámetros de esta manera(Introducción a las redes
neuronales aplicadas, s/f).

Antes de que comience el aprendizaje, los valores de estos parámetros se

inicializan aleatoriamente. Esto evita que todos coincidan en un solo
valor. Luego, cuando se presentan los datos durante el entrenamiento, se
ajustan a valores que dan una salida precisa(Introducción a las redes
neuronales aplicadas, s/f).

La fuerza de la conexión se conoce como peso. ¿Cuánto afecta aumentar

la entrada a la salida?

Con pesos cercanos a cero, cambiar esta entrada no afectará la salida. Para
simplificar la red, muchos algoritmos establecerán esos pesos
 automáticamente en cero(Introducción a las redes neuronales aplicadas,
s/f).
Sesgo: sugiere la distancia entre nuestras predicciones y los valores
reales. En general, los algoritmos paramétricos tienen un alto sesgo, lo
que los hace rápidos y fáciles de aprender y comprender, pero suele ser
menos flexible. A su vez, tienen un desempeño predictivo más bajo en
problemas complejos que no cumplen con los supuestos simplificadores
del sesgo de los algoritmos(Introducción a las redes neuronales
aplicadas, s/f).

Bajo sesgo: implica más hipótesis sobre el tipo de función objetivo.

2.10. Funcionalidad de las redes neuronales

Primero, diseñamos los patrones que tiene que aprender las redes
neuronales, las cuales son 5 imágenes: un corazón, flecha derecha, guiño
y flecha izquierda. Estamos poniendo un tablero de 5x7, en la parte de
abajo están los valores que va a tener para ser identificados.

En la siguiente imagen mostramos, un archivo de block de notas, que

hemos llamado patrones, en el hemos incluido los números de cada
imagen que pudimos observar en la imagen anterior.

Cada fila de dígitos es una imagen, como son 5 imágenes hay cinco filas
de 35 dígitos.
Del mismo modo, hemos hecho para la identificación de cada uno, la
primera fila es de corazón, la segunda fila fleca derecha, tercera fila el
guiño y cuarto es una flecha a la izquierda

Ahora usaremos el software JOONE para construir y aprender redes

neuronales. Crearemos un archivo de entrada, el cual marcaré en verde
(esto controla la entrada y salida, donde ponemos el archivo creado
anteriormente), ROJO sigmoide (donde ponemos los datos de la
neurona), AMARILLO profesor y azul gráfico (error).
Necesitamos aprender una red neuronal y para eso abres las
herramientas y luego vas al panel de control y a la derecha hay una
ventana con una imagen donde puedes ingresar el margen de error, min.
tiempo etc RMSE es el margen de error después de 5 veces, lo que
significa que es inferior a 0,5

Sacaremos los datos obtenidos de las redes neuronales, como los sesgos,
y los pesos, lo cual lo vamos a copiar en un block de notas, el que muestro
en esta imagen es el de sesgo o bia de la capa de entrada (los datos de los
cuadros sigmoid), vamos a hacer lo mismo para capa de salida y capa
oculta.

En el caso de los pesos de entrada oculta o salida oculta están dentro de esa
especie de cuadraditos, ahí ponen inspect y salen los datos y nuevamente lo
unimos en el block de notas, tal cual lo pueden observar ahí, esto se va hacer
para entrada y salida oculta.
Ahora, vamos a trabajar en Excel, primero vamos a copiar una de los patrones,
como aquí podemos ver el de guiño, luego ponemos los valores de x1 a x35,
estos son cada valor de cada cuadro, x1 es la celda A1, x2 celda B1, x3 celda c1,
x4 celda D1, x5 celda E1, x6 celda A2 y así sucesivamente. Ahora las tablas de
color naranja son datos que hemos sacado de JOONE, Bias es igual a sesgos. En
primero lugar vamos a sumar, las bias de entrada con los valores de I, Sigmoide
es una operación la cual implica 1/(1+EXP(-1*K) siendo K cada uno de los
valores de sumatoria, es decir para el primero fue 1/(1+EXP(-1*K8) el cual dio
el resultado que podemos observar. Luego ingresamos los datos de pesos de
entrada oculta, aquí vamos a hacer la formula =SUMAPROMEDIO donde
vamos a utilizar todos los valores de sigmoide con la primera columna de pesos
de entrada, luego nuevamente todos los de sigmoide con la segunda columna de
peso de entrada y así sucesivamente, en la cual terminamos con 4 datos que se
observa en oculta. Luego se ejecutan las mismas operaciones de sumatoria con
las bias de oculta y luego el sigmoide con todos los demás datos. En la columna
amarilla podemos observar que hemos hecho una condicional, donde si es mayor
al 0.8 el número de sigmoide de la columna AC, entonces te da un resultado, en
el primer corazón, en la segunda flecha derecha, en el tercer guiño, en la cuarta
signo de exclamación y en la última flecha izquierda.
CONCLUSIONES

1. El entrenamiento de redes neuronales es un proceso iterativo que implica

alimentar a la red con un conjunto de datos de entrenamiento y ajustar los pesos
de las conexiones entre las neuronas para minimizar una función de pérdida. Con
el tiempo, la red aprende a reconocer patrones y realizar predicciones precisas.
2. La selección y preparación adecuada de los datos de entrenamiento son cruciales
para el éxito del modelo. Los datos deben ser representativos del problema que
se desea resolver y deben estar correctamente etiquetados o anotados.
3. La arquitectura de la red neuronal, que incluye la cantidad de capas, el número
de neuronas por capa y las funciones de activación, tiene un impacto significativo
en el rendimiento del modelo. Es importante experimentar con diferentes
arquitecturas y técnicas de regularización para encontrar la configuración óptima.
4. Durante el entrenamiento, es esencial tener en cuenta el equilibrio entre el sesgo
y la varianza. Un modelo con alto sesgo puede tener dificultades para capturar
patrones complejos en los datos, mientras que un modelo con alta varianza puede
sobreajustarse y tener dificultades para generalizar a nuevos datos.
5. La verificación de la red neuronal implica evaluar su rendimiento en datos que
no se utilizaron durante el entrenamiento. Esto se hace típicamente dividiendo
los datos en conjuntos de entrenamiento, validación y prueba. La precisión, la
matriz de confusión, la curva ROC y la función de pérdida son métricas comunes
utilizadas para evaluar el rendimiento del modelo.
6. Es importante tener en cuenta que el rendimiento del modelo en el conjunto de
validación puede ser diferente del rendimiento en el conjunto de prueba. Esto se
debe a que el modelo puede sobre ajustarse al conjunto de validación si se ajusta
repetidamente según su rendimiento en ese conjunto. Por lo tanto, es esencial
realizar una evaluación final en el conjunto de prueba para obtener una
estimación más realista del rendimiento del modelo.
7. La comparación del rendimiento de diferentes modelos y enfoques requiere el
uso de métricas adecuadas y la aplicación de pruebas estadísticas apropiadas. No
se debe seleccionar un modelo únicamente en función de su rendimiento en un
solo conjunto de datos.
REFENCIAS BIBLIOGRÁFICAS

Introducción a las redes neuronales aplicadas. (s/f).

Montealegre, & Bustamente. (2013). ÁLVARO IVÁN RIVERA TORRES

PROFESORA GUÍA.

Palma José. (2018). Inteligencia artificial: Métodos, técnicas y

aplicacionesInteligencia artificial: métodos, técnicas y aplicaciones.

McGraw-Hill España. https://elibro.net/es/ereader/uladech/50116

Qué son las Redes Neuronales Artificiales y el Deep Learning. (s/f).

Recuperado el 29 de mayo de 2023, de

https://enzyme.biz/blog/redesneuronales-artificiales-y-deep-learning

Tablada Claudio, & Torres Claudio. (s/f). Redes Neuronales Artificiales.