1024581638 1
ANÁLISIS REDES NEURONALES
(mayo de 2023)
Pulido Diego,
[email protected] datos podrá ser manipulado de manera diferentes, dando la
Resumen – En este informe se analizan las respuestas dadas posibilidad de obtener así diferentes resultados.
mediante un informe suministrado por el instructor; es las que se
conoce a profundidad la distribución de las redes neurales con la base Una de las principales ventajas de las redes neuronales, está el
de uno de los algoritmos más utilizados para asignar pesos a las no depender de “supuestos estadísticos”, principalmente en
conexiones neuronales de nuestra red. Por supuesto, este es uno de cuanto a asignaciones de distribución de probabilidad a la
entre muchos algoritmos que se usan para tal fin.
serie de tiempo.
Índice de Términos – comunicación, desarrollo, Hiperplano, Si desea trabajarse con una serie de tiempo con periodo
inteligencia, Neuronal, Notación, Paridad, redes, sistema, umbral. cíclico, hay que recolectar la información dentro de la red
neuronal, generando un ajuste al número de neuronas de
I. INTRODUCCIÓN entrada, correspondientes a los periodos anteriores al valor a
predecir.
La teoría de Redes Neuronales Artificiales, presenta
II. IMPORTANCIA DE LAS REDES NEURONALES.
grandes ventajas con respecto a otros modelos típicos de
solución de problemas de Ingeniería, una de ellas es su
inspiración en modelos biológicos del funcionamiento del Las redes neuronales pueden ayudar a las computadoras a
cerebro, lo que facilita su estudio debido a las analogías que tomar decisiones inteligentes con asistencia humana limitada.
pueden introducirse para su análisis. Los modelos Esto se debe a que pueden aprender y modelar las relaciones
matemáticos en que han sido desarrollados los algoritmos para entre los datos de entrada y salida que no son lineales y que
todos los tipos de redes son modelos sencillos, que, aunque son complejos. Por ejemplo, pueden realizar las siguientes
exigen cierto grado de conocimientos de cálculo diferencial, tareas.
pueden ser asimilados y desarrollados en cualquier lenguaje de
programación. Por otro lado, las estructuras de las redes se han
III. USO DE LAS REDES NEURONALES.
definido por medio de notación sencilla y comprensible, cada
nuevo desarrollo permite cierta flexibilidad en cuanto la forma - Diagnóstico médico mediante la clasificación de
final de la red y esto garantiza su fácil adaptación a aplicación imágenes médicas
particulares. - Marketing orientado mediante el filtrado de redes
sociales y el análisis de datos de comportamiento
Las redes neuronales son una excelente alternativa para - predicciones financieras mediante el procesamiento
generar predicciones en caso de que haya series temporales. de datos históricos de instrumentos financieros
- Previsión de la carga eléctrica y la demanda de
Las redes neuronales permiten al investigador no realizar un energía
análisis a priori de tiempo y de las implicaciones, lo que posee - Proceso y control de calidad
la gran posibilidad de generar predicciones con una precisión - Identificación de compuestos químicos
buena obviando hasta cierto punto la predicción tradicional.
Al definir la topología de red, hay que estar alerta para no IV. APLICACIONES MÁS IMPORTANTES.
sobre parametrizar la red, ya que aun cuando el error dentro
del conjunto de datos entrenados tienda a ser cero, la
extrapolación se reduce bastante para aquellos datos que estén A. VISIÓN ARTIFICIAL
fuera del conjunto de entrenamiento. Posterior y luego de ser
escogida correctamente la topología de red, el conjunto de - Reconocimiento visual en los vehículos autónomos
para que puedan reconocer las señales de tráfico y a
otros usuarios del camino
- Moderación de contenido para eliminar de forma
1024581638 2
automática los contenidos inseguros o inapropiados
de los archivos de imágenes y videos
- Reconocimiento facial para identificar rostros y
reconocer atributos como ojos abiertos, gafas y vello
facial
- Etiquetado de imágenes para identificar logotipos de
marcas, ropa, equipos de seguridad y otros detalles de
la imagen.
B. RECONOCIMIENTO DE VOZ
- Asistir a los agentes de los centros de llamadas y
clasificar las llamadas de forma automática
- Convertir las conversaciones clínicas en
documentación en tiempo real
- Subtitular con precisión videos y grabaciones de
reuniones para aumentar el alcance del contenido Fig 2. Gráfica de una función sigmoide.
C. PROCESAMIENTO DE LENGUAJE NATURAL
V. ESTRUCTURA GENERAL DE UNA NEURONA
- Chatbots y agentes virtuales automatizados
- Organización y clasificación automáticas de datos
escritos
- Análisis de inteligencia empresarial de documentos
con formato largo, como emails y formularios
- Indexación de frases clave que indican sentimientos,
como los comentarios positivos y negativos en las
redes sociales
- Resumen de documentos y producción de artículos
para un tema determinado.
Fig 3. Grafico de Neurona
Fig 1. Red neurolnal
Muchos procesos naturales y curvas de aprendizaje de
sistemas complejos muestran una progresión temporal desde
unos niveles bajos al inicio, hasta acercarse a un clímax
transcurrido un cierto tiempo; la transición se produce en una
región caracterizada por una fuerte aceleración intermedia. La
función sigmoide permite describir esta evolución. Su gráfica
tiene una típica forma de "S". A menudo la función sigmoide
se refiere al caso particular de la función logística Fig 4. Numeracion de Neuronas.
Por lo tanto, generalizando la fórmula anterior para cualquier
número de capas k y cualquier neurona i dentro de la capa,
tenemos que:
Recordemos que las variables en toda esta expresión son los
1024581638 3
pesos, por lo que para hacer mínimo el error tenemos que
derivar con respecto de cada uno de ellos, teniendo en cuenta
que estamos usando una función de activación sigmoide, es
decir, tenemos que hacer derivadas parciales con respecto a
cada peso.
Una vez obtenido el valor mínimo, repetimos el proceso tantas
veces como necesitemos para que las conexiones de la red
queden ajustadas de manera óptima.
REFERENCIAS
[1] file:///C:/Users/dpuli/Downloads/Ejercicios_RN%20(11)%20(1).pdf
[2] https://aws.amazon.com/es/what-is/neural-network/
[3] Salas, R. (2004). Redes neuronales artificiales. Universidad de
Valparaıso. Departamento de Computación, 1(1), 1-7.
[4] Izaurieta, F., & Saavedra, C. (2000). Redes neuronales artificiales.
Departamento de Física, Universidad de Concepción Chile.
[5] Nacelle, A., & Mizraji, E. (2009). Redes neuronales artificiales. Núcleo
de ingeniería biomédica–Universidad de la Republica Uruguay.
[6] Quesada, F. J. G., Graciani, M. A. F., Bonal, M. T. L., & Díaz-Mata, M.
A. (1994). Aprendizaje con redes neuronales artificiales. Ensayos:
Revista de la Facultad de Educación de Albacete, (9), 169-180.
