Unidad V Aplicaciones con Técnicas de IA.
5.2 Redes Neuronales (RN).
“INTELIGENCIA ARTIFICIAL”
Ingeniería en Sistemas Comp...
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 a...
Es un sistema compuesto por un gran número de elementos básicos (Artificial
Neurons), agrupados en capas (Layers) y que se...
El cerebro humano contiene aproximadamente 12 billones de células nerviosas o
neuronas. Cada neurona tiene de 5600 a 60000...
Las neuronas y las conexiones entre ella, llamadas sinapsis, son la clave para el
procesado de la información.
Neurona Bio...
La mayoría de neuronas tienen una estructura parecida a la de un árbol llamadas
dendritas que reciben las señales de entra...
¿Qué entendemos por Red Neuronal Artificial?
Las Redes Neuronales Artificiales (RNA) son sistemas paralelos para el
proces...
Es de prever que dichas RNAs tengan características similares a las del cerebro:
• Sean robustas y tolerantes a fallos.
• ...
La Neurona Artificial.
Si se tienen N neuronas, podemos ordenarlas arbitrariamente y designarlas como
unidades. Su trabajo...
El criterio más habitual para clasificar las redes neuronales es el tipo de aprendizaje
que se utilice.
La clasificación g...
Aprendizaje Supervisado.
En el aprendizaje supervisado (aprender con un maestro), la adaptación sucede
cuando el sistema c...
Aprendizaje No Supervisado.
La capacidad de clasificación de la red neuronal depende del valor de los pesos
sinápticos, qu...
Aprendizaje Híbrido.
Es una mezcla de los anteriores.
Unas capas de la red tienen un aprendizaje supervisado y otras capas...
Aprendizaje Reforzado.
Es un aprendizaje con características del supervisado y con características del no
supervisado. No ...
En función del patrón de conexiones que presenta.
Red Neuronal Monocapa.
Se corresponde con la red neuronal más sencilla y...
Red Neuronal Recurrente.
Este tipo de red se diferencia de las anteriores en la existencia de lazos de
realimentación en l...
Redes vs. Métodos clásicos.
En muchas áreas donde existen problemas de predicción, clasificación, etc., existen
soluciones...
Campos de aplicación.
Las RNAs han sido aplicadas a un creciente número de problemas con una
complejidad considerable, com...
Las aplicaciones de las RNAs abarcan diversas actividades de muy diferentes
campos. Estos son:
• Finanzas.
• Negocios.
• T...
Las Redes neuronales, con su notable habilidad para deducir significados de datos
complicados o imprecisos pueden ser usad...
“Existirá Inteligencia Artificial cuando no seamos capaces
de distinguir entre un ser humano y un programa de
computadora ...
• Caudill, M., Butler, Ch., "Understanding Neural Networks", MIT Press.
• Freeman, J.A., Skapura, D.M., "Neural Networks",...
Próxima SlideShare
Cargando en…5
×

5.2 Redes neuronales (RN) [presentación].

716 visualizaciones

Publicado el

Redes Neuronales.

Publicado en: Educación
0 comentarios
1 recomendación
Estadísticas
Notas
  • Sé el primero en comentar

Sin descargas
Visualizaciones
Visualizaciones totales
716
En SlideShare
0
De insertados
0
Número de insertados
26
Acciones
Compartido
0
Descargas
44
Comentarios
0
Recomendaciones
1
Insertados 0
No insertados

No hay notas en la diapositiva.

5.2 Redes neuronales (RN) [presentación].

  1. 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. 2. 5.2 REDES NEURONALES (RN). 5.2.1. Conceptos Básicos. 5.2.2. Clasificación. 5.2.3. Desarrollos actuales y aplicaciones.
  3. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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.

×