Exposicion

1.991 visualizaciones

Publicado el

Publicado en: Tecnología, Meditación
0 comentarios
0 recomendaciones
Estadísticas
Notas
  • Sé el primero en comentar

  • Sé el primero en recomendar esto

Sin descargas
Visualizaciones
Visualizaciones totales
1.991
En SlideShare
0
De insertados
0
Número de insertados
2
Acciones
Compartido
0
Descargas
68
Comentarios
0
Recomendaciones
0
Insertados 0
No insertados

No hay notas en la diapositiva.

Exposicion

  1. 1. Partes de una Red Neuronal<br />Figura#1: Partes de una red Neuronal [1]<br />
  2. 2. Red Neuronal<br />
  3. 3. El Perceptròn<br />El perceptròn modela el comportamiento de una neurona biológica.<br />Trabaja con funciones de activación.<br />
  4. 4. Tipos de Perceptrones<br />Existen varios tipos de perceptrones, dependiendo del número de capas que tenga.<br />1.- Perceptròn Simple (De dos capas):<br />Corresponde a una capa de entrada con neuronas lineales y una salida con función de activación tipo escalón.<br />Aplicaciones:<br />Formulas trigonométricas, cálculo , ecuaciones.<br />2.- Perceptrón Múltiple (De más de 4 capas)<br />Es un perceptròn que puede generar regiones de decisión bastante complejas.<br />Aplicaciones:<br />Puede ser utilizado para la predicción de una serie de datos en el tiempo, como cambios financieros, reconocimiento de caracteres, voz, facial, etc.<br />
  5. 5. Perceptròn Simple<br />El perceptrón simple es una red que consta de dos capas de neuronas una de entrada y una de salida. <br />Ajusta los pesos de la neurona a fin de obtener la discriminación de datos de entrada en clases. <br />Operación del Perceptròn Simple (Oi):<br />g = función de activación<br />W= pesos de neurona<br />
  6. 6. Ejemplo: Si denotamos por X1 y X2 a las 2 neuronas de entrada, la operación efectuada por el perceptròn simple consiste en: <br />Modificar pesos de las conexiones de las neuronas:<br />n = tasa de aprendizaje<br />t= salida deseada<br />x= entrada del perceptòn<br />
  7. 7. Perceptròn Multicapa <br />El perceptrón multicapa es una red neuronal artificial (RNA) formada por múltiples capas, esto le permite resolver problemas que no son linealmente separables.<br />Figura#4: Arquitectura de un perceptròn multicapa [4]<br />
  8. 8. Se suele entrenar por medio de un algoritmo de retro propagación de errores o BP (Back Propagation).<br />La minimización del error se llevará a cabo por el descenso del gradiente.<br />Entre otras técnicas para minimizar el error esta el uso de regresión lineal (Técnicas estadísticas)<br />
  9. 9. Algoritmo Backpropagation<br />Se usa en el proceso de aprendizaje de las redes neuronales multicapa.<br />Utiliza aprendizaje supervisado.<br />Utiliza técnicas de calculo, matemáticas y estadísticas para minimizar el error.<br />Calcular los errores de cada neurona en las capas anteriores a la capa de salida.<br />Descripción del proceso del Algoritmo Backpropagation.<br />Figura#1: Red neuronal de 3 capas (2 entradas y una salida)<br />
  10. 10. Figura#2: Asignación de los pesos de entrada de la función de activación.<br />Figura#3: Propagación de las señales hacia la capa de entrada.<br />Proceso para el Primer Nodo<br />
  11. 11. Proceso para el segundo nodo<br />Proceso para el tercer nodo<br />
  12. 12. Figura#4:Propagación de las señales de entrada por la capa oculta<br />Proceso para el cuarto nodo de la capa oculta<br />Proceso para el quinto nodo de la capa oculta<br />
  13. 13. Figura#5: Propagación de las señales por la capa de salida.<br />PROCESO PARA CALCULAR EL ERROR<br />Figura#6: Aplicación del algoritmo backpropagation para calcular el error de todas las neuronas. Propagación de las señales del error hacia la capa de atrás<br />
  14. 14.
  15. 15.
  16. 16. Referencias:<br />PDF<br />[1]Casali A., Godo L. and Sierra C. Graded BDI Models For Agent Architectures. Leite J. and Torroni P. (Eds.) CLIMA V, LNAI 3487, pp. 126-143, Springer-Verlag, Berling Heidelberg, 2005.<br />[2]Casali A., Godo L. and Sierra C. Modelling Travel Assistant Agents: a graded BDI Approach. Proceedings of the IFIP-AI, WCC, Volume 217, Artificial Intelligence in Theory and Practice, Max Bramer (ed.), Sringer,pp. 415-424, 2006.<br />SitiosWeb<br />[3] http://grad.uprm.edu/tesis/dinosrojas.pdf<br />[4] http://www.monografias.com/trabajos12/inteartf/inteartf2.shtml<br />
  17. 17. 17<br />

×