Ingeniería de Software con IA
Módulo: MACHINE LEARNING Y DEEP
LEARNING
Semestre IV
Docente: Jorge Suárez Y.
[Link]
Agenda
• Define la red neuronal artificial y su importancia en al IA.
• Describe la estructura de una red neuronal artificial.
• Identifica los tipos de redes neuronales artificiales.
• Investigar y exponer un modelo asignado.
[Link]
Red neuronal artificial y su importancia en al IA
Una red neuronal artificial (RNA) es un modelo matemático inspirado en el cerebro humano,
diseñado para reconocer patrones y resolver problemas complejos en inteligencia artificial (IA).
La red está compuesta por neuronas artificiales (también llamadas nodos o unidades),
organizadas en capas. Estas capas se conectan de forma que las neuronas "hablan" entre sí,
aprendiendo a identificar patrones y tomar decisiones basadas en los datos de entrada.
Estructura Básica de una Red Neuronal Artificial
[Link] de Entrada: Es la primera capa y recibe los datos de entrada. Cada neurona en esta capa
representa una característica de los datos.
[Link] Ocultas: Estas capas están en el medio de la red y procesan la información que pasa a
través de ellas. A medida que la información avanza, se transforman los datos para captar
relaciones más complejas.
[Link] de Salida: Produce el resultado final. En un modelo de clasificación, por ejemplo, cada
neurona de salida representa una clase o categoría.
Cada conexión entre neuronas tiene un "peso" que representa la importancia de esa conexión.
Durante el entrenamiento, la red ajusta estos pesos para minimizar el error y mejorar su precisión
en una tarea específica.
[Link]
Importancia de las Redes Neuronales en IA
[Link] de Patrones Complejos: Las RNAs pueden aprender patrones
intrincados que serían difíciles de captar para otros modelos. Esto las hace
ideales para tareas como el reconocimiento de voz, la traducción automática y la
visión por computadora.
[Link] a Partir de Datos: Las redes neuronales se entrenan con grandes
volúmenes de datos, ajustando sus pesos a medida que reciben más información.
Esto las hace flexibles y capaces de mejorar a medida que se dispone de más
datos.
[Link]ón a Diferentes Tipos de Datos: Las RNAs pueden procesar textos,
imágenes, audio y datos tabulares, lo que las hace aplicables en una variedad de
dominios, desde el procesamiento de lenguaje natural hasta la predicción
financiera.
[Link]ón de Tareas Complejas: En IA, las RNAs se usan para automatizar
tareas que requieren decisiones complejas, como la detección de anomalías, el
diagnóstico médico y la conducción autónoma.
[Link]
Estructura de una red neuronal artificial
La estructura de una red neuronal artificial (RNA) se basa en una organización de capas de neuronas conectadas entre sí. Cada
neurona recibe y transmite información, lo que permite que la red procese y aprenda de los datos. Aquí está la estructura básica
de una red neuronal artificial:
1. Capa de Entrada
•Función: Es la primera capa de la red y se encarga de recibir los datos de entrada (por ejemplo, una imagen, texto, valores
numéricos, etc.).
•Neurona de entrada: Cada neurona en esta capa representa una característica específica de los datos. Si los datos de entrada
son, por ejemplo, una imagen de 28x28 píxeles, esta capa tendría 784 neuronas, una para cada píxel.
•No hay procesamiento: En esta capa, los datos no se transforman; simplemente se transmiten a la siguiente capa.
[Link]
Estructura de una red neuronal artificial
2. Capas Ocultas (Capas Intermedias)
•Función: Las capas ocultas (o intermedias) están entre la capa de entrada y la capa de salida. Son las que procesan los datos
aplicando funciones de activación para captar patrones complejos.
•Número de capas y neuronas: Una red puede tener una o más capas ocultas, y cada capa puede tener un número diferente de
neuronas. Tener más capas y neuronas permite a la red captar relaciones más complejas.
•Funciones de activación: Cada neurona en estas capas aplica una función de activación, como la ReLU (Rectified Linear Unit) o
sigmoide, para decidir si la información debe pasar a la siguiente neurona. Esto introduce no linealidad en la red, permitiendo que
aprenda patrones complejos.
•Pesos y sesgos: Cada conexión entre neuronas tiene un peso, que indica la importancia de esa conexión, y cada neurona tiene un
valor de sesgo que afecta su activación. Estos valores se ajustan durante el entrenamiento para mejorar la precisión del modelo.
[Link]
Estructura de una red neuronal artificial
3. Capa de Salida
•Función: Es la última capa de la red y genera la salida final del modelo.
•Neurona de salida: En un problema de clasificación con tres posibles clases, por ejemplo, la capa de salida tendría tres neuronas,
cada una representando una clase.
•Función de activación de salida: En la capa de salida, la función de activación dependerá del tipo de problema. Por ejemplo:
• Clasificación binaria: Usa la activación sigmoide para generar un valor entre 0 y 1, representando la probabilidad de cada
clase.
• Clasificación multiclase: Usa softmax, que asigna probabilidades a cada clase para determinar la más probable.
• Regresión: Puede usar una función de activación lineal para predecir valores continuos
[Link]
Estructura de una red neuronal artificial
Conexiones entre Neuronas
Cada neurona de una capa se conecta con todas las neuronas de la capa siguiente (en redes densas o totalmente conectadas). A cada
conexión se le asigna un peso, y cada neurona aplica una función de activación al total ponderado de sus entradas. Esto permite que
la red ajuste sus conexiones (pesos) y mejore su precisión durante el proceso de aprendizaje.
Estructura Resumida
•Capa de Entrada: Recibe los datos sin procesarlos.
•Capas Ocultas: Procesan los datos, aplicando funciones de activación para captar patrones.
•Capa de Salida: Genera el resultado final para el problema específico.
En cada capa, las neuronas trabajan juntas para extraer información y patrones útiles, y al final, la capa de salida da la respuesta final.
Esta estructura en capas permite a la red neuronal artificial aprender y generalizar a partir de datos complejos.
[Link]
Estructura de una red neuronal artificial
[Link]
Tipos de redes neuronales artificiales
Las redes neuronales artificiales han evolucionado para adaptarse a una amplia variedad de tareas en el campo de la inteligencia
artificial, cada una con una estructura y un propósito específicos. Aquí te explico en detalle los principales tipos de redes neuronales y
sus características:
1. Perceptrón Multicapa (MLP - Multilayer Perceptron)
•Estructura: Está compuesta por una capa de entrada, una o más capas ocultas y una capa de salida. Es una red de tipo feedforward,
donde la información solo fluye en una dirección: desde la capa de entrada hasta la capa de salida.
•Función: Utiliza funciones de activación no lineales (como ReLU o sigmoide) en las capas ocultas para capturar relaciones complejas
en los datos.
•Aplicaciones: Problemas de clasificación y regresión donde las entradas tienen una estructura fija.
•Ventajas: Relativamente simple de entender y entrenar.
•Limitaciones: No maneja bien secuencias de datos o datos con estructuras espaciales complejas, como imágenes o series
temporales.
[Link]
Tipos de redes neuronales artificiales
2. Redes Convolucionales (CNN - Convolutional Neural Networks)
•Estructura: Se componen de capas de convolución, pooling (reducción de tamaño) y capas completamente conectadas. Las capas
de convolución utilizan filtros (o kernels) que se aplican a subregiones de la entrada.
•Función: Extraen automáticamente características importantes de los datos al aplicar filtros que detectan patrones locales (como
bordes, texturas y formas en imágenes).
•Aplicaciones: Visión por computadora, detección de objetos, clasificación de imágenes, y procesamiento de datos con estructura
espacial.
•Ventajas: Captura eficientemente patrones espaciales en datos, reduciendo la cantidad de parámetros gracias al uso compartido de
pesos.
•Limitaciones: Requieren grandes cantidades de datos y pueden ser intensivas en computación.
[Link]
Tipos de redes neuronales artificiales
3. Redes Recurrentes (RNN - Recurrent Neural Networks)
•Estructura: Las neuronas en las RNN tienen conexiones que forman un bucle, lo que permite que la información persista y se
procese en secuencia.
•Función: Son ideales para procesar datos secuenciales y mantener un "estado" de la información anterior, lo que permite a la red
recordar entradas pasadas.
•Aplicaciones: Procesamiento de lenguaje natural, traducción automática, reconocimiento de voz y análisis de series temporales.
•Ventajas: Capaces de manejar datos secuenciales y tener en cuenta la dependencia temporal.
•Limitaciones: Sufren problemas como el desvanecimiento del gradiente, lo que dificulta el entrenamiento de secuencias largas.
[Link]
Tipos de redes neuronales artificiales
4. Redes LSTM y GRU (Long Short-Term Memory y Gated Recurrent Unit)
•Estructura: Son tipos de RNN mejoradas con puertas de control que regulan el flujo de información. Las LSTM tienen celdas de
memoria y puertas (de entrada, salida y olvido), mientras que las GRU tienen una estructura más simple con puertas de actualización
y restablecimiento.
•Función: Abordan el problema del desvanecimiento del gradiente al permitir que las redes mantengan información relevante durante
largos periodos.
•Aplicaciones: Tareas complejas de secuencias largas, como la traducción de párrafos enteros, generación de texto y series
temporales financieras.
•Ventajas: Retienen información a largo plazo de manera más efectiva que las RNN estándar.
•Limitaciones: Pueden ser más lentas de entrenar debido a su complejidad.
[Link]
Tipos de redes neuronales artificiales
5. Redes Generativas Adversariales (GANs - Generative Adversarial Networks)
•Estructura: Se componen de dos redes: un generador que crea datos sintéticos y un discriminador que evalúa la autenticidad de los
datos (si son reales o generados).
•Función: El generador y el discriminador compiten entre sí en un proceso de entrenamiento, mejorando mutuamente. El objetivo
es que el generador cree datos tan realistas que el discriminador no pueda diferenciarlos de los datos reales.
•Aplicaciones: Generación de imágenes, arte digital, aumento de datos, y creación de modelos 3D.
•Ventajas: Son capaces de generar datos de alta calidad y realismo.
•Limitaciones: Pueden ser difíciles de entrenar y estabilizar; el equilibrio entre generador y discriminador es delicado.
[Link]
Tipos de redes neuronales artificiales
6. Redes de Autoencoders
•Estructura: Consisten en una red de codificación y una red de decodificación. La codificación reduce la dimensionalidad de los datos,
y la decodificación reconstruye la entrada desde esta representación reducida.
•Función: Se utilizan para aprender representaciones compactas de los datos (codificadores) y para la reconstrucción de datos
(decodificadores).
•Aplicaciones: Reducción de dimensionalidad, detección de anomalías, compresión de datos y eliminación de ruido en imágenes.
•Ventajas: Ayudan a descubrir características latentes en los datos sin necesidad de etiquetas.
•Limitaciones: La reconstrucción puede perder detalles importantes y no siempre garantiza la compresión ideal.
[Link]
Tipos de redes neuronales artificiales
7. Redes Neuronales de Transformadores (Transformers)
•Estructura: Utilizan mecanismos de atención en lugar de procesar datos de forma secuencial como las RNN. El modelo más famoso
es el Transformer base, que usa capas de atención y feedforward.
•Función: Permiten que la red preste atención a todas las partes de la secuencia de entrada al mismo tiempo, capturando
dependencias de largo alcance.
•Aplicaciones: Modelos de lenguaje como GPT y BERT, traducción automática, y tareas de procesamiento de texto a gran escala.
•Ventajas: Mayor eficiencia en paralelo y mejores resultados en tareas de NLP.
•Limitaciones: Requieren una gran cantidad de datos y recursos de computación
[Link]
Tipos de redes neuronales artificiales
8. Redes Neuronales de Grafos (GNN - Graph Neural Networks)
•Estructura: Están diseñadas para trabajar con datos que tienen una estructura de grafo, donde los nodos representan entidades y
las aristas las relaciones entre ellas.
•Función: Permiten capturar información tanto de los nodos como de las conexiones en un grafo.
•Aplicaciones: Análisis de redes sociales, predicción de propiedades de moléculas y análisis de redes de tráfico.
•Ventajas: Capturan las interacciones complejas entre entidades en datos de grafos.
•Limitaciones: Pueden ser complejas de implementar y necesitan técnicas avanzadas de entrenamiento para grandes grafos.
[Link]
[Link]
Entregable 01 para Machine Learning:
• Investigar y exponer el tema del archivo: [Link]
• Mediante la IA obtener un modelo (caso) y desglosar cada parte con una breve explicación.
• Comparar el mismo promt en 2 IA's
• De preferencia realizarlo con un dataset.
• Parte teoría: Que es, cuando utilizarlo, como se evalúa, cual es el significado de su resultado (de su
ejercicio) .
• Comentar cada línea del código
[Link]
[Link]
