SlideShare una empresa de Scribd logo
1 de 23
Descargar para leer sin conexión
Unidad V Aplicaciones con Técnicas de IA.
5.2 Redes Neuronales (RN).
“INTELIGENCIA ARTIFICIAL”
Ingeniería en Sistemas Computacionales
FECHA DE ENTREGA
Tuxtepec, Oax. martes, 12 de mayo de 2015
PRESENTA:
Chalate Jorge Humberto
8° Semestre Grupo “A”
S.E.P. D.G.E.S.T. S.N.E.S.T.
INSTITUTO TECNOLÓGICO de Tuxtepec
M.S.C. TOMÁS TORRES RAMÍREZ
5.2 REDES NEURONALES (RN).
5.2.1. Conceptos Básicos.
5.2.2. Clasificación.
5.2.3. Desarrollos actuales y aplicaciones.
INTRODUCCIÓN.
Desde el principio de la humanidad se soñó con el desarrollo de máquinas que
puedan imitar la capacidad de aprendizaje del hombre. Actualmente es un desafío
en el que pone todas sus miradas una parte de la comunidad científica.
Las redes neuronales son otra forma de emular otra de las características propias
de los humanos.
5.2 REDES NEURONALES (RN).
Es un sistema compuesto por un gran número de elementos básicos (Artificial
Neurons), agrupados en capas (Layers) y que se encuentran altamente
interconectados (Synapses);
Esta estructura posee varias entradas y salidas, las cuales serán entrenadas para
reaccionar (valores O), de una manera deseada, a los estímulos de entrada (valores
I).
Estos sistemas emulan, de una cierta manera, al cerebro humano. Requieren
aprender a comportarse (Learning) y alguien debe encargarse de enseñarles o
entrenarles (Training), en base a un conocimiento previo del entorno del problema.
5.2 REDES NEURONALES (RN).
El cerebro humano contiene aproximadamente 12 billones de células nerviosas o
neuronas. Cada neurona tiene de 5600 a 60000 conexiones dendríticas
provenientes de otras neuronas, mientras que en el sistema nervioso hay 1014
sinapsis; teniendo cada neurona más de 1000 a la entrada y a la salida.
Es importante destacar que aunque el tiempo de conmutación de la neurona es casi
un millón de veces menor que las computadoras actuales, ellas tienen una
conectividad miles de veces superior que las actuales supercomputadoras.
5.2.1. CONCEPTOS BÁSICOS.
Las neuronas y las conexiones entre ella, llamadas sinapsis, son la clave para el
procesado de la información.
Neurona Biológica.
5.2.1. CONCEPTOS BÁSICOS.
La mayoría de neuronas tienen una estructura parecida a la de un árbol llamadas
dendritas que reciben las señales de entrada que vienen de otras neuronas a través
de las sinapsis.
Red de Neuronas.
5.2.1. CONCEPTOS BÁSICOS.
¿Qué entendemos por Red Neuronal Artificial?
Las Redes Neuronales Artificiales (RNA) son sistemas paralelos para el
procesamiento de la información, inspirados en el modo en el que las redes de
neuronas biológicas del cerebro procesan esta.
Es decir que se han intentado plasmar los aspectos esenciales de una neurona real
a la hora de diseñar una neurona “artificial”.
5.2.1. CONCEPTOS BÁSICOS.
Es de prever que dichas RNAs tengan características similares a las del cerebro:
• Sean robustas y tolerantes a fallos.
• Sean flexibles.
• Puedan trabajar con información borrosa, incompleta, probabilística, con ruido o
inconsistente.
• Sean altamente paralelas.
5.2.1. CONCEPTOS BÁSICOS.
La Neurona Artificial.
Si se tienen N neuronas, podemos ordenarlas arbitrariamente y designarlas como
unidades. Su trabajo es simple y único, y consiste en recibir las entradas de las
células vecinas y calcular un valor de salida, el cual es enviado a todas las células
restantes.
Neurona Artificial.
5.2.1. CONCEPTOS BÁSICOS.
El criterio más habitual para clasificar las redes neuronales es el tipo de aprendizaje
que se utilice.
La clasificación general sería la siguiente:
• Aprendizaje Supervisado.
• Aprendizaje No Supervisado.
Todos estos métodos de aprendizaje, necesitan unas reglas de entrenamiento
específicas para cada uno de ellos.
5.2.2. CLASIFICACIÓN.
Aprendizaje Supervisado.
En el aprendizaje supervisado (aprender con un maestro), la adaptación sucede
cuando el sistema compara directamente la salida que proporciona la red con la
salida que se desearía obtener de dicha red.
Existen tres tipos básicos: por corrección de error, por refuerzo y estocástico.
5.2.2. CLASIFICACIÓN.
Aprendizaje No Supervisado.
La capacidad de clasificación de la red neuronal depende del valor de los pesos
sinápticos, que pueden ser preestablecidos o entrenados adaptativamente mediante
mecanismos de aprendizaje.
5.2.2. CLASIFICACIÓN.
Aprendizaje Híbrido.
Es una mezcla de los anteriores.
Unas capas de la red tienen un aprendizaje supervisado y otras capas de la red
tienen un aprendizaje de tipo no supervisado.
5.2.2. CLASIFICACIÓN.
Aprendizaje Reforzado.
Es un aprendizaje con características del supervisado y con características del no
supervisado. No se proporciona una salida deseada, pero sí que se le indica a la red
en cierta medida el error que comete, aunque es un error global.
5.2.2. CLASIFICACIÓN.
En función del patrón de conexiones que presenta.
Red Neuronal Monocapa.
Se corresponde con la red neuronal más sencilla ya que se tiene una capa de
neuronas que proyectan las entradas a una capa de neuronas de salida donde se
realizan los diferentes cálculos.
Red Neuronal Multicapa.
Es una generalización de la anterior, existiendo un conjunto de capas intermedias
entre la capa de entrada y la de salida (capas ocultas). Este tipo de red puede estar
total o parcialmente conectada.
5.2.2. CLASIFICACIÓN.
Red Neuronal Recurrente.
Este tipo de red se diferencia de las anteriores en la existencia de lazos de
realimentación en la red.
Estos lazos pueden ser entre neuronas de diferentes capas, neuronas de la misma
capa o, entre una misma neurona. Esta estructura la hace especialmente adecuada
para estudiar la dinámica de los sistemas no lineales.
5.2.2. CLASIFICACIÓN.
Redes vs. Métodos clásicos.
En muchas áreas donde existen problemas de predicción, clasificación, etc., existen
soluciones que no están basadas en redes neuronales pero que dan buenos
resultados, o como mínimo mejores que el no hacer nada.
Frente a este tipo de problemas, donde ya existe dicha solución “clásica”, las redes
pueden aportar su alta no linealidad y su gran facilidad en aportar datos adicionales,
tanto numéricos, como borrosos y/o subjetivos, que en técnicas convencionales o
modelos “clásicos” no son tenidos en consideración.
5.2.3. DESARROLLOS ACTUALES Y APLICACIONES.
Campos de aplicación.
Las RNAs han sido aplicadas a un creciente número de problemas con una
complejidad considerable, como puede ser el reconocimiento de patrones,
clasificación de datos, predicciones, etc...
Su ventaja más importante está en solucionar problemas que son demasiado
complejos para las técnicas convencionales.
5.2.3. DESARROLLOS ACTUALES Y APLICACIONES.
Las aplicaciones de las RNAs abarcan diversas actividades de muy diferentes
campos. Estos son:
• Finanzas.
• Negocios.
• Tratamientos de texto y proceso de formas.
• Alimentación.
• Energía.
• Industria manufacturera.
• Medicina y salud.
• Ciencia e Ingeniería.
• Transportes y comunicaciones.
5.2.3. DESARROLLOS ACTUALES Y APLICACIONES.
Las Redes neuronales, con su notable habilidad para deducir significados de datos
complicados o imprecisos pueden ser usadas para extraer patrones y detectar
tendencias que son demasiado complejas para ser comprendidas por los humanos u
otras técnicas computacionales.
Una red neuronal capacitada puede ser concebida como algo que algún día le
podremos realizar preguntas como "qué pasaría si...".
Quizás el aspecto más excitante de las redes neuronales es la posibilidad de dotar a
estas de conciencia.
CONCLUSIONES.
“Existirá Inteligencia Artificial cuando no seamos capaces
de distinguir entre un ser humano y un programa de
computadora en una conversación a ciegas”
Alan Turing
• Caudill, M., Butler, Ch., "Understanding Neural Networks", MIT Press.
• Freeman, J.A., Skapura, D.M., "Neural Networks", Ed. Addison Wesley.
• Hagan, Martin T, “Neural Network Design”, PWS Publishing Company,1996.
• J.R. Hilera González y V.J. Martínez “Redes Neuronales Artificiales: Fundamentos, modelos y
aplicaciones”, RA-MA, 1995.
• Varios, “Aprendizaje Automático”, Edicions UPC, Barcelona, CAT, 1994.
• Widrow, J., Rumelhart, D.E., Lehr, M.A., "Neural networks: Applications in industry, business
and science", ACM communications, Vol-37, 1.994.
• [HEBB49] D.O Hebb. “The organization of Behaviour” John Wiley & sons, New York, 1949.
• [MINS69] M. Minsky & S. Papert, “Perceptrons” MIT Press, Cambridge, MA, 1969.
BIBLIOGRAFÍA.

Más contenido relacionado

La actualidad más candente

Redes Neuronales
Redes NeuronalesRedes Neuronales
Redes Neuronales
gueste7b261
 
Red NEURONAL de Hamming
Red   NEURONAL    de HammingRed   NEURONAL    de Hamming
Red NEURONAL de Hamming
ESCOM
 
Grupo 4 metodos de multiplexacion
Grupo 4   metodos de multiplexacionGrupo 4   metodos de multiplexacion
Grupo 4 metodos de multiplexacion
Carlos Ventura Luyo
 
REDES NEURONALES Mapas con Características Autoorganizativas Som
REDES NEURONALES Mapas   con Características Autoorganizativas  SomREDES NEURONALES Mapas   con Características Autoorganizativas  Som
REDES NEURONALES Mapas con Características Autoorganizativas Som
ESCOM
 

La actualidad más candente (20)

INTRODUCCIÓN A LAS REDES NEURONALES ARTIFICIALES
INTRODUCCIÓN A LAS REDES NEURONALES ARTIFICIALESINTRODUCCIÓN A LAS REDES NEURONALES ARTIFICIALES
INTRODUCCIÓN A LAS REDES NEURONALES ARTIFICIALES
 
Busquedas a Heuristicas
Busquedas a HeuristicasBusquedas a Heuristicas
Busquedas a Heuristicas
 
Introduccion redes neuronales artificiales
Introduccion redes neuronales artificialesIntroduccion redes neuronales artificiales
Introduccion redes neuronales artificiales
 
Redes Neuronales
Redes NeuronalesRedes Neuronales
Redes Neuronales
 
Ejercicios de búsqueda a Ciegas y Búsqueda informada
Ejercicios de búsqueda a Ciegas y Búsqueda informadaEjercicios de búsqueda a Ciegas y Búsqueda informada
Ejercicios de búsqueda a Ciegas y Búsqueda informada
 
Red NEURONAL de Hamming
Red   NEURONAL    de HammingRed   NEURONAL    de Hamming
Red NEURONAL de Hamming
 
1
11
1
 
Tipos de listas en estructura de datos
Tipos de listas en estructura de datosTipos de listas en estructura de datos
Tipos de listas en estructura de datos
 
MODELO DE RESONANCIA ADAPTATIVA (ART)
MODELO DE RESONANCIA ADAPTATIVA (ART)MODELO DE RESONANCIA ADAPTATIVA (ART)
MODELO DE RESONANCIA ADAPTATIVA (ART)
 
TABLA DE CARACTERISTICAS DE MEDIOS DE TRANSMISION by JAVIER DAVID LOBATO PARDO
TABLA DE CARACTERISTICAS DE MEDIOS DE TRANSMISION by JAVIER DAVID LOBATO PARDOTABLA DE CARACTERISTICAS DE MEDIOS DE TRANSMISION by JAVIER DAVID LOBATO PARDO
TABLA DE CARACTERISTICAS DE MEDIOS DE TRANSMISION by JAVIER DAVID LOBATO PARDO
 
TABLA COMPARATIVA ENTRE LOS PROTOCOLOS TCP Y UDP
TABLA COMPARATIVA ENTRE LOS PROTOCOLOS TCP Y UDPTABLA COMPARATIVA ENTRE LOS PROTOCOLOS TCP Y UDP
TABLA COMPARATIVA ENTRE LOS PROTOCOLOS TCP Y UDP
 
redes kohonen
redes kohonenredes kohonen
redes kohonen
 
Grupo 4 metodos de multiplexacion
Grupo 4   metodos de multiplexacionGrupo 4   metodos de multiplexacion
Grupo 4 metodos de multiplexacion
 
REDES NEURONALES Mapas con Características Autoorganizativas Som
REDES NEURONALES Mapas   con Características Autoorganizativas  SomREDES NEURONALES Mapas   con Características Autoorganizativas  Som
REDES NEURONALES Mapas con Características Autoorganizativas Som
 
Enrutamiento estatico
Enrutamiento estaticoEnrutamiento estatico
Enrutamiento estatico
 
Identificar la red y el host
Identificar la red y el hostIdentificar la red y el host
Identificar la red y el host
 
Cable directo,cruzado y rollover
Cable directo,cruzado y rolloverCable directo,cruzado y rollover
Cable directo,cruzado y rollover
 
Redes telefonicas
Redes telefonicasRedes telefonicas
Redes telefonicas
 
INTRODUCCION A LAS REDES NEURONALES ARTIFICIALES
INTRODUCCION A LAS REDES NEURONALES ARTIFICIALESINTRODUCCION A LAS REDES NEURONALES ARTIFICIALES
INTRODUCCION A LAS REDES NEURONALES ARTIFICIALES
 
Telefonía Móvil Celular (0 a 4G LTE-Advanced)
Telefonía Móvil Celular (0 a 4G LTE-Advanced)Telefonía Móvil Celular (0 a 4G LTE-Advanced)
Telefonía Móvil Celular (0 a 4G LTE-Advanced)
 

Destacado (7)

5.2 Redes neuronales (RN) [investigación]
5.2 Redes neuronales (RN) [investigación]5.2 Redes neuronales (RN) [investigación]
5.2 Redes neuronales (RN) [investigación]
 
Redes Neuronales
Redes NeuronalesRedes Neuronales
Redes Neuronales
 
Redes Neuronales
Redes NeuronalesRedes Neuronales
Redes Neuronales
 
Redes Neuronales
Redes NeuronalesRedes Neuronales
Redes Neuronales
 
La neurociencia
La neurocienciaLa neurociencia
La neurociencia
 
Redes neuronales
Redes neuronalesRedes neuronales
Redes neuronales
 
árbol de decisión
árbol de decisiónárbol de decisión
árbol de decisión
 

Similar a 5.2 Redes neuronales (RN) [presentación].

Lectura ia rna y aplicaciones 2 as_06mem
Lectura ia rna y aplicaciones 2 as_06memLectura ia rna y aplicaciones 2 as_06mem
Lectura ia rna y aplicaciones 2 as_06mem
jcbp_peru
 
06mem inteligencia artificial redes neuronales y sus aplicciones
06mem inteligencia artificial redes neuronales y sus aplicciones06mem inteligencia artificial redes neuronales y sus aplicciones
06mem inteligencia artificial redes neuronales y sus aplicciones
jcbp_peru
 
Redes neuronales
Redes neuronalesRedes neuronales
Redes neuronales
Angel G
 
UTILIZACIÓN DE LA TECNOLOGÍA DE REDES NEURONALES PARA LA RESOLUCIÓN DE PROBLE...
UTILIZACIÓN DE LA TECNOLOGÍA DE REDES NEURONALES PARA LA RESOLUCIÓN DE PROBLE...UTILIZACIÓN DE LA TECNOLOGÍA DE REDES NEURONALES PARA LA RESOLUCIÓN DE PROBLE...
UTILIZACIÓN DE LA TECNOLOGÍA DE REDES NEURONALES PARA LA RESOLUCIÓN DE PROBLE...
zeithy
 
Redes Neuronales(Examen)
Redes Neuronales(Examen)Redes Neuronales(Examen)
Redes Neuronales(Examen)
diego28mauricio
 
Redes Neuronales(Examen)
Redes Neuronales(Examen)Redes Neuronales(Examen)
Redes Neuronales(Examen)
diego28mauricio
 

Similar a 5.2 Redes neuronales (RN) [presentación]. (20)

Lectura ia rna y aplicaciones 2 as_06mem
Lectura ia rna y aplicaciones 2 as_06memLectura ia rna y aplicaciones 2 as_06mem
Lectura ia rna y aplicaciones 2 as_06mem
 
06mem inteligencia artificial redes neuronales y sus aplicciones
06mem inteligencia artificial redes neuronales y sus aplicciones06mem inteligencia artificial redes neuronales y sus aplicciones
06mem inteligencia artificial redes neuronales y sus aplicciones
 
06mem
06mem06mem
06mem
 
Redes Neuronales
Redes NeuronalesRedes Neuronales
Redes Neuronales
 
Redes neuronales
Redes neuronalesRedes neuronales
Redes neuronales
 
UTILIZACIÓN DE LA TECNOLOGÍA DE REDES NEURONALES PARA LA RESOLUCIÓN DE PROBLE...
UTILIZACIÓN DE LA TECNOLOGÍA DE REDES NEURONALES PARA LA RESOLUCIÓN DE PROBLE...UTILIZACIÓN DE LA TECNOLOGÍA DE REDES NEURONALES PARA LA RESOLUCIÓN DE PROBLE...
UTILIZACIÓN DE LA TECNOLOGÍA DE REDES NEURONALES PARA LA RESOLUCIÓN DE PROBLE...
 
Unidad V presentacion
Unidad V presentacionUnidad V presentacion
Unidad V presentacion
 
Redes neuronales jesus molleda
Redes neuronales jesus molledaRedes neuronales jesus molleda
Redes neuronales jesus molleda
 
Red neuronal
Red neuronalRed neuronal
Red neuronal
 
Redes Neuronales
 Redes Neuronales Redes Neuronales
Redes Neuronales
 
Redes neuronales y sus aplicaciones
Redes neuronales y sus aplicacionesRedes neuronales y sus aplicaciones
Redes neuronales y sus aplicaciones
 
Redes neuronales
Redes neuronalesRedes neuronales
Redes neuronales
 
Redes Neuronales
Redes NeuronalesRedes Neuronales
Redes Neuronales
 
Redes neuronales maria jose paredes
Redes neuronales maria jose paredesRedes neuronales maria jose paredes
Redes neuronales maria jose paredes
 
Redes Neuronales
Redes NeuronalesRedes Neuronales
Redes Neuronales
 
Redes Neuronales(Examen)
Redes Neuronales(Examen)Redes Neuronales(Examen)
Redes Neuronales(Examen)
 
Redes Neuronales(Examen)
Redes Neuronales(Examen)Redes Neuronales(Examen)
Redes Neuronales(Examen)
 
2024-T19-Redes_Neuronales_II.pdf
2024-T19-Redes_Neuronales_II.pdf2024-T19-Redes_Neuronales_II.pdf
2024-T19-Redes_Neuronales_II.pdf
 
Inteligencia artificial
Inteligencia artificialInteligencia artificial
Inteligencia artificial
 
Redes neuronales
Redes neuronalesRedes neuronales
Redes neuronales
 

Más de Humberto Chalate Jorge

Más de Humberto Chalate Jorge (14)

Unidad IV Reglas de Producción
Unidad IV Reglas de ProducciónUnidad IV Reglas de Producción
Unidad IV Reglas de Producción
 
Unidad III Representación del Conocimiento
Unidad III  Representación del ConocimientoUnidad III  Representación del Conocimiento
Unidad III Representación del Conocimiento
 
3.4 Logica de Predicados
3.4 Logica de Predicados3.4 Logica de Predicados
3.4 Logica de Predicados
 
3. Representación del conocimiento y razonamiento.
3. Representación del conocimiento y razonamiento.3. Representación del conocimiento y razonamiento.
3. Representación del conocimiento y razonamiento.
 
3.4. Logica de predicados
3.4. Logica de predicados3.4. Logica de predicados
3.4. Logica de predicados
 
3 . Representación del conocimiento y razonamiento
3 . Representación del conocimiento y razonamiento3 . Representación del conocimiento y razonamiento
3 . Representación del conocimiento y razonamiento
 
Introducción a las Redes de Computadoras
Introducción a las Redes de ComputadorasIntroducción a las Redes de Computadoras
Introducción a las Redes de Computadoras
 
Generaciones de Computadoras
Generaciones de ComputadorasGeneraciones de Computadoras
Generaciones de Computadoras
 
Unidad I Conceptos Básicos
Unidad I Conceptos BásicosUnidad I Conceptos Básicos
Unidad I Conceptos Básicos
 
Interfaces en Java
Interfaces en JavaInterfaces en Java
Interfaces en Java
 
Plan de Negocios
Plan de NegociosPlan de Negocios
Plan de Negocios
 
El “Emprendedor” Nace o se Hace
El “Emprendedor” Nace o se HaceEl “Emprendedor” Nace o se Hace
El “Emprendedor” Nace o se Hace
 
Auto-prevención ante un Ataque Cardíaco
Auto-prevención ante un Ataque Cardíaco Auto-prevención ante un Ataque Cardíaco
Auto-prevención ante un Ataque Cardíaco
 
Historia de las Computadoras
Historia de las ComputadorasHistoria de las Computadoras
Historia de las Computadoras
 

Último

Concepto y definición de tipos de Datos Abstractos en c++.pptx
Concepto y definición de tipos de Datos Abstractos en c++.pptxConcepto y definición de tipos de Datos Abstractos en c++.pptx
Concepto y definición de tipos de Datos Abstractos en c++.pptx
Fernando Solis
 
2 REGLAMENTO RM 0912-2024 DE MODALIDADES DE GRADUACIÓN_.pptx
2 REGLAMENTO RM 0912-2024 DE MODALIDADES DE GRADUACIÓN_.pptx2 REGLAMENTO RM 0912-2024 DE MODALIDADES DE GRADUACIÓN_.pptx
2 REGLAMENTO RM 0912-2024 DE MODALIDADES DE GRADUACIÓN_.pptx
RigoTito
 
TEMA 14.DERIVACIONES ECONÓMICAS, SOCIALES Y POLÍTICAS DEL PROCESO DE INTEGRAC...
TEMA 14.DERIVACIONES ECONÓMICAS, SOCIALES Y POLÍTICAS DEL PROCESO DE INTEGRAC...TEMA 14.DERIVACIONES ECONÓMICAS, SOCIALES Y POLÍTICAS DEL PROCESO DE INTEGRAC...
TEMA 14.DERIVACIONES ECONÓMICAS, SOCIALES Y POLÍTICAS DEL PROCESO DE INTEGRAC...
jlorentemartos
 
NUEVAS DIAPOSITIVAS POSGRADO Gestion Publica.pdf
NUEVAS DIAPOSITIVAS POSGRADO Gestion Publica.pdfNUEVAS DIAPOSITIVAS POSGRADO Gestion Publica.pdf
NUEVAS DIAPOSITIVAS POSGRADO Gestion Publica.pdf
UPTAIDELTACHIRA
 

Último (20)

Diapositivas de animales reptiles secundaria
Diapositivas de animales reptiles secundariaDiapositivas de animales reptiles secundaria
Diapositivas de animales reptiles secundaria
 
Sesión de clase: Fe contra todo pronóstico
Sesión de clase: Fe contra todo pronósticoSesión de clase: Fe contra todo pronóstico
Sesión de clase: Fe contra todo pronóstico
 
Concepto y definición de tipos de Datos Abstractos en c++.pptx
Concepto y definición de tipos de Datos Abstractos en c++.pptxConcepto y definición de tipos de Datos Abstractos en c++.pptx
Concepto y definición de tipos de Datos Abstractos en c++.pptx
 
2 REGLAMENTO RM 0912-2024 DE MODALIDADES DE GRADUACIÓN_.pptx
2 REGLAMENTO RM 0912-2024 DE MODALIDADES DE GRADUACIÓN_.pptx2 REGLAMENTO RM 0912-2024 DE MODALIDADES DE GRADUACIÓN_.pptx
2 REGLAMENTO RM 0912-2024 DE MODALIDADES DE GRADUACIÓN_.pptx
 
Abril 2024 - Maestra Jardinera Ediba.pdf
Abril 2024 -  Maestra Jardinera Ediba.pdfAbril 2024 -  Maestra Jardinera Ediba.pdf
Abril 2024 - Maestra Jardinera Ediba.pdf
 
TEMA 14.DERIVACIONES ECONÓMICAS, SOCIALES Y POLÍTICAS DEL PROCESO DE INTEGRAC...
TEMA 14.DERIVACIONES ECONÓMICAS, SOCIALES Y POLÍTICAS DEL PROCESO DE INTEGRAC...TEMA 14.DERIVACIONES ECONÓMICAS, SOCIALES Y POLÍTICAS DEL PROCESO DE INTEGRAC...
TEMA 14.DERIVACIONES ECONÓMICAS, SOCIALES Y POLÍTICAS DEL PROCESO DE INTEGRAC...
 
semana 4 9NO Estudios sociales.pptxnnnn
semana 4  9NO Estudios sociales.pptxnnnnsemana 4  9NO Estudios sociales.pptxnnnn
semana 4 9NO Estudios sociales.pptxnnnn
 
Análisis de los Factores Externos de la Organización.
Análisis de los Factores Externos de la Organización.Análisis de los Factores Externos de la Organización.
Análisis de los Factores Externos de la Organización.
 
FUERZA Y MOVIMIENTO ciencias cuarto basico.ppt
FUERZA Y MOVIMIENTO ciencias cuarto basico.pptFUERZA Y MOVIMIENTO ciencias cuarto basico.ppt
FUERZA Y MOVIMIENTO ciencias cuarto basico.ppt
 
BIOMETANO SÍ, PERO NO ASÍ. LA NUEVA BURBUJA ENERGÉTICA
BIOMETANO SÍ, PERO NO ASÍ. LA NUEVA BURBUJA ENERGÉTICABIOMETANO SÍ, PERO NO ASÍ. LA NUEVA BURBUJA ENERGÉTICA
BIOMETANO SÍ, PERO NO ASÍ. LA NUEVA BURBUJA ENERGÉTICA
 
SEXTO SEGUNDO PERIODO EMPRENDIMIENTO.pptx
SEXTO SEGUNDO PERIODO EMPRENDIMIENTO.pptxSEXTO SEGUNDO PERIODO EMPRENDIMIENTO.pptx
SEXTO SEGUNDO PERIODO EMPRENDIMIENTO.pptx
 
Procedimientos para la planificación en los Centros Educativos tipo V ( multi...
Procedimientos para la planificación en los Centros Educativos tipo V ( multi...Procedimientos para la planificación en los Centros Educativos tipo V ( multi...
Procedimientos para la planificación en los Centros Educativos tipo V ( multi...
 
Los avatares para el juego dramático en entornos virtuales
Los avatares para el juego dramático en entornos virtualesLos avatares para el juego dramático en entornos virtuales
Los avatares para el juego dramático en entornos virtuales
 
NUEVAS DIAPOSITIVAS POSGRADO Gestion Publica.pdf
NUEVAS DIAPOSITIVAS POSGRADO Gestion Publica.pdfNUEVAS DIAPOSITIVAS POSGRADO Gestion Publica.pdf
NUEVAS DIAPOSITIVAS POSGRADO Gestion Publica.pdf
 
Power Point: Fe contra todo pronóstico.pptx
Power Point: Fe contra todo pronóstico.pptxPower Point: Fe contra todo pronóstico.pptx
Power Point: Fe contra todo pronóstico.pptx
 
EL HABITO DEL AHORRO en tu idea emprendedora22-04-24.pptx
EL HABITO DEL AHORRO en tu idea emprendedora22-04-24.pptxEL HABITO DEL AHORRO en tu idea emprendedora22-04-24.pptx
EL HABITO DEL AHORRO en tu idea emprendedora22-04-24.pptx
 
OCTAVO SEGUNDO PERIODO. EMPRENDIEMIENTO VS
OCTAVO SEGUNDO PERIODO. EMPRENDIEMIENTO VSOCTAVO SEGUNDO PERIODO. EMPRENDIEMIENTO VS
OCTAVO SEGUNDO PERIODO. EMPRENDIEMIENTO VS
 
SISTEMA RESPIRATORIO PARA NIÑOS PRIMARIA
SISTEMA RESPIRATORIO PARA NIÑOS PRIMARIASISTEMA RESPIRATORIO PARA NIÑOS PRIMARIA
SISTEMA RESPIRATORIO PARA NIÑOS PRIMARIA
 
Tema 10. Dinámica y funciones de la Atmosfera 2024
Tema 10. Dinámica y funciones de la Atmosfera 2024Tema 10. Dinámica y funciones de la Atmosfera 2024
Tema 10. Dinámica y funciones de la Atmosfera 2024
 
INSTRUCCION PREPARATORIA DE TIRO .pptx
INSTRUCCION PREPARATORIA DE TIRO   .pptxINSTRUCCION PREPARATORIA DE TIRO   .pptx
INSTRUCCION PREPARATORIA DE TIRO .pptx
 

5.2 Redes neuronales (RN) [presentación].

  • 1. Unidad V Aplicaciones con Técnicas de IA. 5.2 Redes Neuronales (RN). “INTELIGENCIA ARTIFICIAL” Ingeniería en Sistemas Computacionales FECHA DE ENTREGA Tuxtepec, Oax. martes, 12 de mayo de 2015 PRESENTA: Chalate Jorge Humberto 8° Semestre Grupo “A” S.E.P. D.G.E.S.T. S.N.E.S.T. INSTITUTO TECNOLÓGICO de Tuxtepec M.S.C. TOMÁS TORRES RAMÍREZ
  • 2. 5.2 REDES NEURONALES (RN). 5.2.1. Conceptos Básicos. 5.2.2. Clasificación. 5.2.3. Desarrollos actuales y aplicaciones.
  • 3. INTRODUCCIÓN. Desde el principio de la humanidad se soñó con el desarrollo de máquinas que puedan imitar la capacidad de aprendizaje del hombre. Actualmente es un desafío en el que pone todas sus miradas una parte de la comunidad científica. Las redes neuronales son otra forma de emular otra de las características propias de los humanos. 5.2 REDES NEURONALES (RN).
  • 4. Es un sistema compuesto por un gran número de elementos básicos (Artificial Neurons), agrupados en capas (Layers) y que se encuentran altamente interconectados (Synapses); Esta estructura posee varias entradas y salidas, las cuales serán entrenadas para reaccionar (valores O), de una manera deseada, a los estímulos de entrada (valores I). Estos sistemas emulan, de una cierta manera, al cerebro humano. Requieren aprender a comportarse (Learning) y alguien debe encargarse de enseñarles o entrenarles (Training), en base a un conocimiento previo del entorno del problema. 5.2 REDES NEURONALES (RN).
  • 5. El cerebro humano contiene aproximadamente 12 billones de células nerviosas o neuronas. Cada neurona tiene de 5600 a 60000 conexiones dendríticas provenientes de otras neuronas, mientras que en el sistema nervioso hay 1014 sinapsis; teniendo cada neurona más de 1000 a la entrada y a la salida. Es importante destacar que aunque el tiempo de conmutación de la neurona es casi un millón de veces menor que las computadoras actuales, ellas tienen una conectividad miles de veces superior que las actuales supercomputadoras. 5.2.1. CONCEPTOS BÁSICOS.
  • 6. Las neuronas y las conexiones entre ella, llamadas sinapsis, son la clave para el procesado de la información. Neurona Biológica. 5.2.1. CONCEPTOS BÁSICOS.
  • 7. La mayoría de neuronas tienen una estructura parecida a la de un árbol llamadas dendritas que reciben las señales de entrada que vienen de otras neuronas a través de las sinapsis. Red de Neuronas. 5.2.1. CONCEPTOS BÁSICOS.
  • 8. ¿Qué entendemos por Red Neuronal Artificial? Las Redes Neuronales Artificiales (RNA) son sistemas paralelos para el procesamiento de la información, inspirados en el modo en el que las redes de neuronas biológicas del cerebro procesan esta. Es decir que se han intentado plasmar los aspectos esenciales de una neurona real a la hora de diseñar una neurona “artificial”. 5.2.1. CONCEPTOS BÁSICOS.
  • 9. Es de prever que dichas RNAs tengan características similares a las del cerebro: • Sean robustas y tolerantes a fallos. • Sean flexibles. • Puedan trabajar con información borrosa, incompleta, probabilística, con ruido o inconsistente. • Sean altamente paralelas. 5.2.1. CONCEPTOS BÁSICOS.
  • 10. La Neurona Artificial. Si se tienen N neuronas, podemos ordenarlas arbitrariamente y designarlas como unidades. Su trabajo es simple y único, y consiste en recibir las entradas de las células vecinas y calcular un valor de salida, el cual es enviado a todas las células restantes. Neurona Artificial. 5.2.1. CONCEPTOS BÁSICOS.
  • 11. El criterio más habitual para clasificar las redes neuronales es el tipo de aprendizaje que se utilice. La clasificación general sería la siguiente: • Aprendizaje Supervisado. • Aprendizaje No Supervisado. Todos estos métodos de aprendizaje, necesitan unas reglas de entrenamiento específicas para cada uno de ellos. 5.2.2. CLASIFICACIÓN.
  • 12. Aprendizaje Supervisado. En el aprendizaje supervisado (aprender con un maestro), la adaptación sucede cuando el sistema compara directamente la salida que proporciona la red con la salida que se desearía obtener de dicha red. Existen tres tipos básicos: por corrección de error, por refuerzo y estocástico. 5.2.2. CLASIFICACIÓN.
  • 13. Aprendizaje No Supervisado. La capacidad de clasificación de la red neuronal depende del valor de los pesos sinápticos, que pueden ser preestablecidos o entrenados adaptativamente mediante mecanismos de aprendizaje. 5.2.2. CLASIFICACIÓN.
  • 14. Aprendizaje Híbrido. Es una mezcla de los anteriores. Unas capas de la red tienen un aprendizaje supervisado y otras capas de la red tienen un aprendizaje de tipo no supervisado. 5.2.2. CLASIFICACIÓN.
  • 15. Aprendizaje Reforzado. Es un aprendizaje con características del supervisado y con características del no supervisado. No se proporciona una salida deseada, pero sí que se le indica a la red en cierta medida el error que comete, aunque es un error global. 5.2.2. CLASIFICACIÓN.
  • 16. En función del patrón de conexiones que presenta. Red Neuronal Monocapa. Se corresponde con la red neuronal más sencilla ya que se tiene una capa de neuronas que proyectan las entradas a una capa de neuronas de salida donde se realizan los diferentes cálculos. Red Neuronal Multicapa. Es una generalización de la anterior, existiendo un conjunto de capas intermedias entre la capa de entrada y la de salida (capas ocultas). Este tipo de red puede estar total o parcialmente conectada. 5.2.2. CLASIFICACIÓN.
  • 17. Red Neuronal Recurrente. Este tipo de red se diferencia de las anteriores en la existencia de lazos de realimentación en la red. Estos lazos pueden ser entre neuronas de diferentes capas, neuronas de la misma capa o, entre una misma neurona. Esta estructura la hace especialmente adecuada para estudiar la dinámica de los sistemas no lineales. 5.2.2. CLASIFICACIÓN.
  • 18. Redes vs. Métodos clásicos. En muchas áreas donde existen problemas de predicción, clasificación, etc., existen soluciones que no están basadas en redes neuronales pero que dan buenos resultados, o como mínimo mejores que el no hacer nada. Frente a este tipo de problemas, donde ya existe dicha solución “clásica”, las redes pueden aportar su alta no linealidad y su gran facilidad en aportar datos adicionales, tanto numéricos, como borrosos y/o subjetivos, que en técnicas convencionales o modelos “clásicos” no son tenidos en consideración. 5.2.3. DESARROLLOS ACTUALES Y APLICACIONES.
  • 19. Campos de aplicación. Las RNAs han sido aplicadas a un creciente número de problemas con una complejidad considerable, como puede ser el reconocimiento de patrones, clasificación de datos, predicciones, etc... Su ventaja más importante está en solucionar problemas que son demasiado complejos para las técnicas convencionales. 5.2.3. DESARROLLOS ACTUALES Y APLICACIONES.
  • 20. Las aplicaciones de las RNAs abarcan diversas actividades de muy diferentes campos. Estos son: • Finanzas. • Negocios. • Tratamientos de texto y proceso de formas. • Alimentación. • Energía. • Industria manufacturera. • Medicina y salud. • Ciencia e Ingeniería. • Transportes y comunicaciones. 5.2.3. DESARROLLOS ACTUALES Y APLICACIONES.
  • 21. Las Redes neuronales, con su notable habilidad para deducir significados de datos complicados o imprecisos pueden ser usadas para extraer patrones y detectar tendencias que son demasiado complejas para ser comprendidas por los humanos u otras técnicas computacionales. Una red neuronal capacitada puede ser concebida como algo que algún día le podremos realizar preguntas como "qué pasaría si...". Quizás el aspecto más excitante de las redes neuronales es la posibilidad de dotar a estas de conciencia. CONCLUSIONES.
  • 22. “Existirá Inteligencia Artificial cuando no seamos capaces de distinguir entre un ser humano y un programa de computadora en una conversación a ciegas” Alan Turing
  • 23. • Caudill, M., Butler, Ch., "Understanding Neural Networks", MIT Press. • Freeman, J.A., Skapura, D.M., "Neural Networks", Ed. Addison Wesley. • Hagan, Martin T, “Neural Network Design”, PWS Publishing Company,1996. • J.R. Hilera González y V.J. Martínez “Redes Neuronales Artificiales: Fundamentos, modelos y aplicaciones”, RA-MA, 1995. • Varios, “Aprendizaje Automático”, Edicions UPC, Barcelona, CAT, 1994. • Widrow, J., Rumelhart, D.E., Lehr, M.A., "Neural networks: Applications in industry, business and science", ACM communications, Vol-37, 1.994. • [HEBB49] D.O Hebb. “The organization of Behaviour” John Wiley & sons, New York, 1949. • [MINS69] M. Minsky & S. Papert, “Perceptrons” MIT Press, Cambridge, MA, 1969. BIBLIOGRAFÍA.