1. República Bolivariana de Venezuela
Ministerio del poder popular para la educación
Instituto universitario politécnico “Santiago Mariño”
Extensión Cabimas
“Inteligencia artificial
8 de Diciembre del 2020
2. INTRODUCCIÓN
En simple palabras se podría decir que es un modelo matemático
inspirado en el comportamiento biológico de las neuronas y en la
estructura del cerebro. Esta también puede ser vista como un
sistema inteligente que lleva a cabo tareas de manera distinta a
como lo hacen las computadoras actuales. Si bien estas ultimas
son muy rápidas en el procesamiento de la información, existen
tareas muy complejas, como el reconocimiento y clasificación de
patrones, que demandan demasiado tiempo y esfuerzo aun en las
computadoras mas potentes de la actualidad, pero que el cerebro
humano es mas apto para resolverlas, muchas veces sin aparente
esfuerzo (considere el lector como ejemplo el reconocimiento de
un rostro familiar entre una multitud de otros rostros). El cerebro
puede considerarse un sistema altamente complejo.
3. Antes de empezar hay que primero saber
¿que son las redes neuronales? Y ¿En que consisten?
Las redes neuronales (también conocidas como sistemas
conexionistas) son un modelo computacional vagamente
inspirado en el comportamiento observado en su homólogo
biológico. Consiste en un conjunto de unidades, llamadas
neuronas artificiales, conectadas entre sí para transmitirse
señales. La información de entrada atraviesa la red neuronal
(donde se somete a diversas operaciones) produciendo
unos valores de salida.
Cada neurona está conectada con otras a través de unos
enlaces. En estos enlaces el valor de salida de la neurona
anterior es multiplicado por un valor de peso. Estos pesos
en los enlaces pueden incrementar o inhibir el estado de
activación de las neuronas adyacentes. Del mismo modo, a
la salida de la neurona, puede existir una función limitadora
o umbral, que modifica el valor resultado o impone un límite
que no se debe sobrepasar antes de propagarse a otra
neurona. Esta función se conoce como función de
activación.
4. Historia
Warren McCulloch y Walter Pitts (1943)
crearon un modelo informático para redes
neuronales, que se llama lógica umbral, que se
base en las matemáticas y los algoritmos. Este
modelo señaló el camino para que la
investigación de redes neuronales se divida en
dos enfoques distintos. Un enfoque se centró
en los procesos biológicos en el cerebro y el
otro se centró en la aplicación de neuronales
para la inteligencia artificial.
Aprendizaje de Hebb
A finales de la década de 1940 el psicólogo Donald Hebb creó una hipótesis de aprendizaje basado en el mecanismo de
plasticidad neuronal que ahora se conoce como aprendizaje de Hebb. Aprendizaje de Hebb se considera que es un "típico"
de aprendizaje no supervisado y sus variantes posteriores fueron los primeros modelos de la potenciación a largo plazo.
Los investigadores empezaron a aplicar estas ideas a los modelos computacionales en 1948 con la sugerencia de Turing,
que el córtex humano infantil es lo que llamaba "máquina desorganizada" (también conocido como "máqina Turing Tipo B").
Farley y Wesley A. Clark (1954) al principio utilizaron máquinas computacionales, que entonces se llamaban "calculadoras",
para simular una red de Hebb en el MIT. Otras simulaciones de redes neuronales por computadora han sido creadas por
Rochester, Holanda, Hábito y Duda (1956).
Frank Rosenblatt9 (1958) creó el perceptrón, un algoritmo de reconocimiento de patrones basado en una red de aprendizaje
de computadora de dos capas, que utilizaba adición y sustracción simples. Con la notación matemática, Rosenblatt también
describe circuitería que no está en el perceptrón básico, tal como el circuito de o-exclusiva, un circuito que no se pudo
procesar por redes neuronales antes de la creación del algoritmo de propagación hacia atrás por Paul Werbos (1975).
En 1959, un modelo biológico propuesto por dos laureados de los Premios Nobel, David H. Hubel y Torsten Wiesel, estaba
basado en su descubrimiento de dos tipos de células en la corteza visual primaria: células simples y células complejas.
El primer reporte sobre redes funcionales multicapas fue publicado en 1965 por Ivakhnenko y Lapa, y se conoce como el
método de agrupamiento para el manejo de datos.
5. Mejoras desde 2006
Se han creado dispositivos computacionales en el CMOS, tanto para la simulación biofísica como para computación
neuromórfica. Los esfuerzos más recientes se muestran prometedores para la creación de nanodispositivos para análisis de
componentes principales de gran escala. Si tiene éxito, se crearía una nueva clase de computación neuronal, ya que
depende de aprendizaje automático en lugar de la programación y porque es fundamentalmente analógico en lugar de digital
a pesar de que las primeras instancias pueden ser de hecho con los dispositivos digitales CMOS.
Entre 2009 y 2012, las redes neuronales recurrentes y redes neuronales profundas feedforward desarrollados en el grupo de
investigación de Jürgen Schmidhuber en el laboratorio suizo de IA IDSIA han ganado ocho concursos internacionales de
reconocimiento de patrones y aprendizaje automático. Por ejemplo, la memoria bi-direccional y multidimensional de largo a
corto plazo (LSTM) de Alex Graves ha ganado tres competiciones en el reconocimiento de escritura conectada en
Conferencia Internacional sobre Análisis de documentos y Reconocimiento (ICDAR) del 2009, sin ningún conocimiento
previo acerca de los tres idiomas diferentes que se pueden aprender.
Función de red
La palabra red en el término "red neuronal a" se refiere a las interconexiones entre las neuronas
en las diferentes capas de cada sistema. Un sistema ejemplar tiene tres capas. La primera capa
tiene neuronas de entrada que envían datos a través de las sinapsis a la segunda capa de
neuronas, y luego a través de más sinapsis a la tercera capa de neuronas de salida. Los
sistemas más complejos tendrán más capas, algunos aumentando las de entrada y de salida de
neuronas. Las sinapsis almacenan parámetros llamados "pesos" que manipulan los datos en los
cálculos.
Un RNA se define típicamente por tres tipos de parámetros:
1. El patrón de interconexión entre las diferentes capas de neuronas.
2. El proceso de aprendizaje para la actualización de los pesos de las interconexiones.
3. La función de activación que convierte las entradas ponderadas de una neurona a su
activación a la salida.
6. Aplicación de la red Neuronal
En
Venezuela
Las Redes Neuronales, tiene bastantes funciones y usos en los que se pueden aplicar y
beneficiar a Venezuela
Las cuales algunas podian ser:
Redes Neuronales
aplicadas al cultivo de cacao, en Venezuela
La Redes Neuronales es la mejor aliada en todas las áreas de injerencia
humana, siempre y cuando se le de el uso correcto. La tecnología hace la
gran diferencia y nos lleva al progreso. Afortunadamente, el sector agrícola
venezolano también se beneficia de ella gracias al ingenio de nuestros
científicos empeñados en darle a los campos venezolanos el máximo
provecho.
Este interesante e innovador fenómeno en el que trabajan se basa en la
aplicación de Redes Neuronales Artificiales, (RNA), una manera de contribuir
al progreso que sin duda, será de gran ayuda para el productor.
7. Las redes neuronales son paradigmas de la Inteligencia Artificial que
tratan de emular la estructura y funcionamiento del sistema nervioso, con
el fin de alcanzar una funcionalidad similar en la resolución de problemas.
Estos problemas están relacionados con el aprendizaje o extracción de
conocimiento a partir de la minería de datos.
Los especialistas señalan que ante un escenario de gestión del
conocimiento donde existen grandes volúmenes de información como lo
son las imágenes de satélites (sensores remotos) el profesional del agro
se puede apoyar en las técnicas de aprendizaje automático (Machine
Learning) y en particular en las redes neuronales para la construcción de
modelos que le permitan administrar el territorio de una manera rápida y
con gran precisión.
Al referirnos a su aplicación en el cacao, indican que con estas técnicas
es posible construir modelos de conocimiento a partir de datos de
diferentes tipos y en diferentes contextos. “Por ejemplo, en percepción
remota se pueden utilizar las imágenes de satélite como datos para una
red neuronal, la cual puede generar un modelo que permita, de manera
automática realizar una evaluación de la cobertura vegetal, el estado de
salud de plantaciones, requerimientos de agua para la plantas, entre
muchas otras aplicaciones”.
“Esto permite que al contar con información de primera mano como lo es
el estado de salud de la planta expresado con un indicador llamado Indice
de Vegetación Normalizado (NDVI), el cacaocultor pueda planificar con
precisión las labores de fertilización, control de plagas y enfermedades”,
agrega Pernía.
8. Redes Neuronales
Aplicadas en la Detección de cáncer, en Venezuela
En Venezuela, el cáncer constituye la segunda causa de muerte, superada solo por las
enfermedades cardiovasculares. Su carga es de tal magnitud que se estima que el 25
% de las personas que alcancen la edad de 74 años serán diagnosticadas por alguna
de sus variedades; y uno de cada siete pacientes tiene el riesgo de fallecer a causa de
esta enfermedad.
El cáncer puede prevenirse y controlarse implementando estrategias basadas en la
evidencia para la prevención, tamizaje y detección temprana del cáncer, así como
tratamiento y cuidados paliativos. Aunque esta enfermedad suele ser predominante en
las etapas tardías y media de la vida; en los últimos años, en nuestro país se ha
observado un incremento en edades más tempranas, registrándose casi el 90 % de los
casos en mayores de 35 años. El cáncer más frecuente en Venezuela es el de pulmón
(para ambos géneros), seguido por el de próstata (en hombres) y el de mama (en
mujeres).
9. Con las Redes Neuronales Al ingresar enormes cantidades de datos de imágenes médicas en los
sistemas, los investigadores pueden entrenar a las computadoras para que reconozcan patrones
vinculados con una condición específica, como la neumonía, el cáncer o una fractura de muñeca
que una persona no podría ver fácilmente. El sistema funciona con un algoritmo, o un conjunto de
instrucciones, y aprende sobre la marcha. Cuantos más datos recibe, más precisas se vuelven sus
interpretaciones.
Con las Tomografías Computarizadas, Se detecta mucho mas rápido el cáncer de pulman que a
causado un sinfín de muerte en Venezuela. Las tomografías computarizadas se recomiendan para
personas con alto nivel de riesgo debido a su largo historial como fumadoras.
También la evaluación puede reducir el riesgo de muerte a causa del cáncer de pulmón. Además de
encontrar cánceres definitivos, las imágenes médicas también pueden identificar puntos que
después podrían volverse cancerosos, por lo que los radiólogos pueden categorizar a los
pacientes en grupos de riesgo y decidir si necesitan biopsias o tomografías de seguimiento más
frecuentes para monitorear las regiones sospechosas y aci prevenir Hechos Lamentables.
10. CONCLUCION
En Resumen, Las Redes Neuronales, con su notaria habilidad
para deducir Significados de datos complicados o Imprecisos,
puede ser usado para extraer patrones o detectar tendencias
que son demasiado complejas, para ser comprendido por los
humanos u otras técnicas computacionales.