INTELIGENCIA
ARTIFICIAL
TEMA: REDES NEURONALES
Docente: Ing. Mario Aquino Cruz
« En medio de la dificultad, reside el
nacimiento de la OPORTUNIDAD»
AGENDA
Definición
Estructura
Ventaja
Aprendizajes
Terminología
¿QUÉ SON LAS REDES
NEURONALES ARTIFICIALES
(RNA)?
Son modelos matemáticos compuestos por un gran
número de elementos procesales organizados en niveles
que intentan reproducir el comportamiento del cerebro.
Tal como lo hace el cerebro, realizan simplificaciones,
obteniendo los elementos relevantes del sistema, bien
porque la cantidad de información de que se dispone es
excesiva o bien porque es redundante.
Las RNA son una tecnología matemático-computacional,
inspirada en modelos biológicos, que puede utilizarse en
un gran número y variedad de aplicaciones.
LA RNA REPRESENTADA COMO UN
SISTEMA NO LINEAL
Patrón de salida
Patrón de entrada X o vector Y
RNA
Y = f(X,W)
W = vector de pesos
¿CÓMO ES LA ESTRUCTURA DE
UNA RNA?
NEURONAS
X1 y1
X2 y2
X3 . . y3
. . .
. . . . .
.
. . .
.
X.N .
. .
yM
. .
Capa de Capa de
. entrada salida
Regiones de Problema de Clases con Formas de regiones
Estructwa
decisión la XOR regiones mezcladas mÁ generales
Medio plano
limitado por
2 Capas
hiperplano
R.egiones
3 Capas cerradas o
convexas
Arbitraria
complejidad
4 Capas limitada por
el nímero de
neuronas
La Neurona
dendrita axón
terminal
Dendritas de entradas nódulo de
Ravier
Un axón de salida neuron
a
Sinapsis de conexión.
104 sinapsis por neurona célula de
Comunicación mediante Potenciale s axón
schwann
de Acción (PA) envoltura
núcleo de mielina
Generación de conexiones.
Consolidación de conexiones.
FORMA DE UNA NEURONA
ARTIFICIAL
Unidad Uh
yh
wjh
Unidad Ui
F(aj(t), Netj)
yi wji = fj(aj(t+1) yj
Netj aj(t+1) =
yj
. ..
wjg
yg
Unidad Ug
Unidad Uj
¿CUÁLES SON LAS VENTAJAS DE
UTILIZAR LAS RNA?
Aprendizaje adaptativo. Es la capacidad que tiene para aprender a
realizar tareas basadas en un entrenamiento o experiencias iniciales.
Autoorganización. Las RNA crean su propia organización o forma
de representar la información que recibe en la etapa previa de
aprendizaje.
Tolerancia a fallos. Si esta red sufre algún daño en forma parcial,
conlleva a una degradación en su estructura; pero a pesar de esto, se
conserva algunas de las capacidades de esta.
Operación en tiempo real. Para minimizar el tiempo de
funcionamiento requerido en una RNA, esta puede ser descompuesta
en sub-redes y así acoplarlas de manera que su funcionamiento se
realice en forma paralela, disminuyendo ostensiblemente el tiempo
requerido.
¿CUÁLES SON LAS VENTAJAS DE
UTILIZAR LAS RNA?
Fácil inserción en las tecnologías existentes. Las RNA, son
de fácil implementación en muchas tecnologías existentes,
aumentando la eficiencia y eficacia de cualquier de estas.
Una de las aplicaciones más extendidas de las RNA, y de la que
se ha comprobado que es un campo apropiado, es la clasificación
y reconocimiento de patrones que se deriva a partir de la
capacidad de la generalización de la red, la cual aprende una
serie de modelos originales de diferente clase, para que
posteriormente sea capaz de determinar a la clase a la que
pertenecen otras entradas distintas a los patrones aprendidos.
FUNCIÓN DE SALIDA O
TRANSFERENCIA
Entre las unidades o neuronas que forman una red neuronal
artificial existe un conjunto de conexiones que unen unas a
otras. Cada unidad transmite señales a aquellas que están
conectadas con su salida. Asociada con cada unidad U i hay
una función de salida f i ai t , que transforma el estado actual
de activación ai ten una señal de salida yi t ; es decir:
yi t f i ai t
TIPOS DE FUNCIONES DE
TRANSFERENCIA
Existen muchas funciones de transferencia, pero las más
típicas que determinan distintos tipos de neuronas:
Función escalón
Función lineal y mixta
Función sigmoidal
Función gaussiana.
FUNCIÓN DE TRANSFERENCIA
CENTRADA DE CADA NEURONA
Neurona (Ficticia)
0
Neuron
a 1 y1,wi
1 wi0 = i
y0 = 1
.
.
yi
. y2, wij
Neuron Neuron
a .j a f, i
.
. y3, w
. i
k
Ne.urona
k
.
.
¿QUÉ ES EL APRENDIZAJE DE
UNA RNA?
El aprendizaje es el proceso por el cual una red modifica sus pesos
en respuesta a una información de entrada. Los cambios que se
producen durante el proceso de aprendizaje se reducen a la
destrucción, modificación y creación de conexiones entre las
neuronas.
Durante el proceso de aprendizaje, los pesos de las conexiones de la
red sufren modificaciones, por tanto se puede afirmar que este
proceso ha terminado (la red ha aprendido) cuando los valores de
dwij
los pesos permanecen estables 0
dt
Superficie del error para la búsqueda de
gradiente descendiente en el espacio de
pesos
¿CUÁLES SON LAS REGLAS DE
APRENDIZAJE?
Distintos criterios determinan lo que se conoce como la
regla de aprendizaje de la red. De forma general, se
suelen considerar dos tipos de reglas: las que responden a lo
que habitualmente se conoce como aprendizaje
supervisado, y las correspondientes a un aprendizaje no
supervisado.
Tipo de Aprendizaje
Depende si se necesita o no un conjunto de entrenamiento
supervisado
Aprendizaje supervisado: necesitan datos clasificado
perceptrón simple, red Adaline, perceptrón multicapa y memoria
asociativa bidireccional.
Aprendizaje no supervisado o autoorganizado: no necesitan
de tal conjunto previo. Memorias asociativas, redes de Hopfield,
máquina de Bolzman y máquina de Cauchy, redes de aprendizaje
competitivo, redes de Kohonen, redes de resonancia adaptativa
(ART)
Redes híbridas: son un enfoque mixto en el que se utiliza una
función de mejora para facilitar la convergencia. Redes de base
radial.
APLICACIONES
Se usan para el reconocimiento de patrones.
Problemas donde más importante es el patrón que los datos exactos.
Aplicaciones:
1.Clasificación.
2.Predicción
3.Clustering (Agrupamiento)
4.Aproximación de curvas
EQUIVALENCIAS EN LA TERMINOLOGÍA
ESTADÍSTICA Y DE RNA
EQUIVALENCIAS ENTRE MODELOS
ESTADÍSTICOS Y MODELOS DE RNA
