9. Motivación
Neurona:
Las dendritas son la vía de entrada de las señales que se combinan en el cuerpo
de la neurona.
El axón es el camino de salida de la señal generada por la neurona.
En las terminaciones de las sinápsis se encuentran unas vesículas que contienen
unas sustancias químicas llamadas neurotransmisores, que propagan señales
electroquímicas de una neurona a otra.
La neurona es estimulada por sus entradas y cuando alcanza cierto umbral, se
dispara o activa pasando una señal hacia el axón.
11. Motivación
Una red neuronal es modelo de tratamiento de datos
compuestos por la interrelación de muchas unidades
básicas de procesamiento (neuronas).
Las unidades de procesamiento son muy simples, pero
conectadas de a miles forman un sistema poderoso y
robusto.
13. Motivación
Se interconectan neuronas en tres tipos de capas:
De entrada: reciben estímulos externos.
Oculta: elementos internos de procesamiento (se pueden estructurar en varias
capas).
De salida: reciben la información procesada y retornan la respuesta del sistema al
exterior.
22. Funcionamiento básico
Consideraciones Parámetricas
Tamaño: cantidad de neuronas para resolver un problema
Tipo: números de capas escondidas y neuronas en cada capa
Número de iteraciones durante el aprendizaje
Número de cálculos por cada iteración
Velocidad para reconocer un patrón
Bias
Valores de umbral
Limites (boundaries) de pesos sinápticos
Selección de función no linear ( f )
Inmunidad necesaria de la red al ruido
Valores finales de los pesos (programa final) de la red
23. Funcionamiento básico
Las neuronas están conectadas por canales unidireccionales con
peso.
El peso wij está asociado al canal que conecta la neurona j con la
neurona i.
La entrada total de la neurona j es netj = Σwijyi.
La salida de la neurona j es yj = f(netj).
θi representa un desplazamiento o umbral de activación (sesgo o
bias).
Se puede pensar θicomo el peso w0i que conecta una neurona
imaginaria x0 con a0(t) = 1.
24. Funcionamiento básico
Función de activación escalón
Funciones de activación identidad y lineal-mixta
Función de activación sigmoidal
25. Funcionamiento básico
Biológicamente se acepta que la información memorizada
en el cerebro se relaciona con los valores sinápticos de
las conexiones.
En las RNA se considera que el conocimiento se
encuentra representado en los pesos de las conexiones.
El proceso de aprendizaje se basa en cambios en estos
pesos. Las salidas de las neuronas se convierten en
entradas de otras neuronas.
26. Funcionamiento básico
Los cambios en el proceso de aprendizaje se reducen a
destrucción, modificación y creación de conexiones entre
las neuronas.
La creación de una conexión implica que el peso de la
misma pasa a tener un valor distinto de cero.
Una conexión se destruye cuando su valor pasa a ser
cero.
51. Biblio
Mitchell, Cap4
Hohn Hertz: Introduction to the theory of neural
computation
Tutorial aprendizaje profudo -
http://deeplearning.net/tutorial/
David E. Rumelhart, James L. McClelland y PDP
Research Group: Parallel Distributed Processing
Vidal, Tomás: Introducción a las Redes Neuronales
Notas del editor
What is machine learning?
What is machine learning?
Tareas dificiles para las computadorar perso sencillas para el humano
Cuando digo sencillas es que no requiere de un esfuerzo consciente, pero eso no significa que resulte complejo para el cerebro en el sentido que están involucradas muchas zonas del cerebro
Otra taras dificl es la compresión del lengauje natural , el contexto
El sentido común
Qué hace al cerrebro tan poderoso?
Siempre hacemos inferencia de cómod debería ser basados en un modelo mental
Uso un modelo del mundo que es ótimo en promedio
Pero puede iducir a bias sistemáticos
El cerebro capta fragmentos del la realidad y efectúa predicciones de cómo es el mundo sirviéndose de algún mecanismo estadístico. ¿Cómo codifca estas probabilidades?
Nuestro cerebro debe evaluar constantemente la probabilidad de que un suceso haya ocurrido o esté ocurriendo
Cómo el cerebro realiza tareas tan complejas con poco esfuerzo consciente?
El cerbro hace predicciones constantemente sobre el mundo. De esta manera “completa” la información entrante de manera que coincida con modelos que ya conoce. Reúne datos estadícos e imrepcisos de manera de darles una coherencia.
Qué hace al cerebro superiror a las computadoras?
El cerrebro está compuestop de 100,00 millones de neuronas y cada nuerona puede tener hast 7000 conexiones a otras neuronas
Es robusto y tolerante a fallas: neuronas mueren todos los días
Es flexible: se ajusta a nuevos entornos y en distintas tareas
Puede tratar con información probabilística, ruidosa, difusa, faltante e inconsistente
Es altamente paralelo
Es pequeño y compacto
Qué hace al cerebro superiror a las computadoras?
El cerrebro está compuestop de 100,00 millones de neuronas y cada nuerona puede tener hast 7000 conexiones a otras neuronas
Es robusto y tolerante a fallas: neuronas mueren todos los días
Es flexible: se ajusta a nuevos entornos y en distintas tareas
Puede tratar con información probabilística, ruidosa, difusa, faltante e inconsistente
Es altamente paralelo
Es pequeño y compacto
What is machine learning?
What is machine learning?
What is machine learning?
What is machine learning?
A circuit board with a 4×4 array of SyNAPSE-developed chips. Each chip has one million electronic “neurons” and 256 million electronic synapses between neurons. Built on 28nm process technology, the 5.4 billion transistor chip has one of the highest transistor counts of any chip ever produced as of 2014
Tareas dificiles para las computadorar perso sencillas para el humano
Cuando digo sencillas es que no requiere de un esfuerzo consciente, pero eso no significa que resulte complejo para el cerebro en el sentido que están involucradas muchas zonas del cerebro
Otra taras dificl es la compresión del lengauje natural , el contexto
El sentido común
Qué hace al cerrebro tan poderoso?