Redesneuronalesintro

176 visualizaciones

Publicado el

0 comentarios
0 recomendaciones
Estadísticas
Notas
  • Sé el primero en comentar

  • Sé el primero en recomendar esto

Sin descargas
Visualizaciones
Visualizaciones totales
176
En SlideShare
0
De insertados
0
Número de insertados
3
Acciones
Compartido
0
Descargas
1
Comentarios
0
Recomendaciones
0
Insertados 0
No insertados

No hay notas en la diapositiva.

Redesneuronalesintro

  1. 1. Redes Neuronales Mgr Pablo Eduardo Caicedo R.
  2. 2. ¿Qué es una red neuronal?  Es un paradigma de procesamiento.  Inicialmente inspirado en el modo de procesamiento del cerebro humano.  El elemento clave es la ESTRUCTURA  Como su nombre lo indica están compuestas por elementos de procesamiento o neuronas
  3. 3. ¿Qué es una red neuronal?  Las redes neuronales actuales se basan en el modelo matemático de McCulloch- Pitts propuesto en 1943 1 1x 2x Dx g y 1w 2w 0w Dw
  4. 4. Neurona McCulloch-Pitts 1 2, , , Dx x x y 0 1 2, , , , Dw w w w Entradas Salida Pesos
  5. 5. Neurona McCulloch-Pitts 0 1 0 1 0 ( ) D i i i D D T i i i i i i y g a a w x w y g w x w g w x g w x 0 1x
  6. 6. Función de Activación 2 2 2 0 cuando 0 Escalón 1 cuando 0 Lineal 1 Sigmoidea 1 Tangente hiperbólica Gaussi a a a a a a a g a a g a a g a e e e g a e e g a e ana
  7. 7. Neurona McCulloch-Pitts  Topología: Número de neuronas y como están conectadas entre si.
  8. 8. Tipos Básicos de Problemas Clasificación Consiste en crear un procedimiento mediante el cual un nuevo caso representado por unas características que constituye la entrada de la RNA, se asigne a un conjunto de clases predefinidas.
  9. 9. Tipos Básicos de Problemas  Regresión Son problemas ajuste de funciones, es decir, se trata de obtener un número en función de los atributos de entrada a la red, o es lo mismo, encontrar una función continua de ciertas variables
  10. 10. Proceso de Entrenamiento o Aprendizaje  Se puede ajustar cualquier función contínua si existe suficientes neuronas (teóricamente)  Este ajuste se da por medio de la sintonización de los parámetros ajustables de la red (peso sinápticos)
  11. 11. Proceso de Entrenamiento o Aprendizaje  El entrenamiento es la modificación de los pesos sinápticos.  El objetivo es conseguir una mejora en el rendimiento.  Está basado, al igual que el entrenamiento humano, en el uso de ejemplos representativos del problema
  12. 12. Proceso de Entrenamiento o Aprendizaje  A estos ejemplos se les conoce como Conjunto de entrenamiento.  El objetivo no es memorizar la entrada/salida del sistema sino modelar  Para ello se necesita que el conjunto de entrenamiento sea suficientemente representativo
  13. 13. Proceso de Entrenamiento o Aprendizaje  Si esto se cumple la red puede generalizar, es decir puede manejar datos que no hayan sido entrados anteriormente 1 , N n n n X x tEl conjunto de entrenamiento se puede representar así: Vector entradas Vector salidas deseadas
  14. 14. Proceso de Entrenamiento o Aprendizaje  Es por tanto que el proceso de aprendizaje es el ajuste de los pesos de manera tal que la salida actual tienda a las salidas deseadas  Esto implica que debe minimizar el error que presenta
  15. 15. Proceso de Entrenamiento o Aprendizaje  La función de error se define según el problema que se desea resolver , 2 1 , 1 1 1 n k N n n n N C t n k n k E y t N E y

×