1. República Bolivariana de Venezuela
Instituto Universitario Politécnico
“Santiago Mariño”
Extensión-Cabimas
Redes Neuronales
Realizado por:
Carlos Andrés García Biegas CI: 25.192.967
Profesor:
Rodolfo García
2. REDES NEURONALES
Las redes neuronales son sistemas
computacionales, inspirados en las
neuronas que constituyen el cerebro
de los animales, dotando a los
ordenadores de inteligencia
artificial. Están formadas
por unidades básicas llamadas
neuronas que se conectan entre
sí formando la red neuronal. El
objetivo de estos algoritmos es
entender datos del mundo real
(imágenes, texto, voz..etc),
procesarlos y clasificarlos o
etiquetarlos.
3. Aprender:
La función de
aprendizaje establece
una tarea a resolver, así
como un conjunto de
funciones de
observación, que
permitirán resolver
actividades
problemáticas. En esta
función, existen tres
paradigmas de
aprendizaje principales:
aprendizaje supervisado,
aprendizaje no
supervisado y
aprendizaje reforzado.
Como en el cerebro humano, una de las características más
importantes de las redes neuronales es su poder de
“aprendizaje”.
El aprendizaje supervisado resuelve
tareas basadas en conocimientos previos
para lograrlo. Por el contrario, sin
supervisión establece diferentes
parámetros y propone soluciones en
base a ellos. Finalmente, en el
aprendizaje por refuerzo no se dan
datos, sino que se genera una respuesta
en función de la relación entre el agente
4. Gracias a su capacidad de
aprendizaje, las redes neuronales
nos permiten extraer información
útil y hacer inferencias a partir de
los datos disponibles. Sus
características como
reconocedores de patrones
altamente tolerantes a fallas
permiten combinar la calidad del
razonamiento humano con la
lógica y la memoria precisas de
las computadoras, lo que las hace
muy útiles como sistemas de
apoyo a la toma de decisiones
clínicas en medicina.
REDES NEURONALES
5. Los patrones y atributos de los datos médicos dificultan el ajuste
utilizando técnicas matemáticas estadísticas tradicionales: Ya sea en
la observación de síntomas o signos.
Borroso. Por ejemplo, una simple medición de la presión arterial no
es precisa debido a cambios en el tamaño del brazo del paciente, la
postura y el estado emocional, el equipo utilizado o la tecnología de
medición.
Los síntomas y signos que presenta el paciente suelen ser cambios
normales o hallazgos accidentales, y no tienen nada que ver con los
problemas de salud que llevaron al paciente a consultar a un médico.
Debido a limitaciones de tiempo, equipo, información u otros
recursos, las bases de datos médicas nunca estarán
completas.
6. REDES NEURONALES
Las redes neuronales pueden manejar datos incompletos,
inexactos o ruidosos. Se ajustan a sí mismos a medida que
utilizan la información disponible para la formación, aprendiendo
así gradualmente a reconocer todas las condiciones del conjunto
de datos utilizados para la formación. Estas características hacen
de las redes neuronales una herramienta muy útil que puede
ayudar a los médicos a tomar decisiones en las siguientes
situaciones:
Es difícil utilizar pruebas complementarias debido a los riesgos
involucrados en el costo, la aplicación o la accesibilidad.
Diferentes opciones de tratamiento según los resultados
esperados. Predecir cualquier evolución patológica a partir de los
signos y síntomas manifestados.
7. Podemos decir que una red neuronal es un algoritmo que puede
resolver problemas muy complejos con mucha precisión, lo que
no debemos olvidar es que este tipo de algoritmos requirieron
una gran cantidad de datos de entrenamiento y una cantidad
considerable de cálculo para entrenarlos en el momento. El
principal desafío al que se enfrentan las empresas a la hora de
realizar estos algoritmos es establecer las bases para la cantidad
y calidad de datos que requieren las redes neuronales, pero a lo
largo de los años se ha enfatizado la importancia de utilizar los
datos como un activo, y la mayoría de las empresas cuentan con
datos suficientes. Proporcione la base de datos para usarla. Las
redes neuronales son altamente tolerantes a fallas, por lo que
funcionan bien cuando la información es inexacta, lo que ocurre a
menudo en la medicina, lo que las hace valiosas para tomar
decisiones clínicas, minimizando así su incertidumbre.