REDES NEURANLES

1. REPÚBLICA BOLIVARIANA DE VENEZUELA
INSTITUTO UNIVERSITARIO POLITÉCNICO
“SANTIAGO MARIÑO”
EXTENSIÓN MATURÍN
ESCUELA DE INGENIERÍA DE SISTEMAS
REDES NEURONALES EN
VENEZUELA
Alumna:
Bastardo Luisanyela
V- 28.139.553
Asesor:
Rodolfo García

2. Las redes neuronales
son más que otra forma
de emular ciertas
características propias
de los humanos, como
la capacidad de
memorizar y de asociar
hechos. Si se examinan
con atención aquellos
problemas que no
pueden expresarse a
través de un algoritmo,
se observará que todos
ellos tienen una
característica en común:
la experiencia.

3. El gran físico teórico, astrofísico,
cosmólogo y divulgador científico
Stephen Kawking que padece
esclerosis lateral amiotrófica y
actualmente le impide
prácticamente todos los
movimientos musculares. Utiliza
una silla que mueve con voz y una
computadora con la que trabaja
moviendo los ojos hacia una
pantalla y escribe con movimiento
de los músculos de faciales. Por
medio de redes neuronales
artificiales.
Google ha
logrado derrotar a
su propio
reCAPTCHA con
redes neuronales
Después de guardar en
una memoria, algunos
miles de radiografías de
tórax representantes de
diversos padecimientos.
Por medio de una red
neuronal artificial se
compara rápidamente
con la nueva
radiografía y encuentra
la similitud diagnóstica
con el archivo.
¿Sabías qué?

4. HISTORIA
1936 Alan Turing.
Fue el primero en
estudiar el
cerebro como
una forma de ver
el mundo de la
computación.
1949 Donald Hebb. Fue el
primero en explicar los
procesos del aprendizaje
(que es el elemento
básico de la inteligencia
humana) desde un punto
de vista psicológico,
desarrollando una regla
de como el aprendizaje
ocurría.
1950 Karl Lashley. En
sus series de
ensayos, encontró
que la información no
era almacenada en
forma centralizada en
el cerebro sino que
era distribuida
encima de él.
1957 Frank Rosenblatt.
Comenzó el desarrollo
del Perceptron. Esta es
la red neuronal más
antigua; utilizándose
hoy en día para
aplicación como
identificador de
patrones.
Los primeros teóricos que
concibieron los fundamentos
de la computación neuronal
fueron Warren McCulloch, un
neurofisiólogo, y Walter Pitts,
un matemático, quienes, en
1943, lanzaron una teoría
acerca de la forma de trabajar
de las neuronas .

5. 1969 - Marvin Minsky/Seymour
Papert. En este año casi se
produjo la “muerte abrupta” de
las Redes Neuronales; ya que
Minsky y Papert probaron
(matemáticamente) que el
Perceptrons no era capaz de
resolver problemas
relativamente fáciles, tales
como 7 el aprendizaje de una
función no-lineal. Esto
demostró que el Perceptron era
muy débil, dado que las
funciones no-line
A partir de 1986, el panorama
fue alentador con respecto a
las investigaciones y el
desarrollo de las redes
neuronales. En la actualidad,
son numerosos los trabajos
que se realizan y publican cada
año, las aplicaciones nuevas
que surgen (sobretodo en el
área de control) y las empresas
que lanzan al mercado
productos nuevos, tanto
hardware como software (sobre
todo para simulación).
HISTORIA

6. Capas de las Redes Neuronales
Las redes neuronales se han convertido en la familia de algoritmo
de Machine Learning más populares de estás última Oleada que
estamos viviendo; Estos son modelos simples del funcionamiento
del sistema nervioso. Las unidades básicas son las neuronas, que
generalmente se organizan en capas. En el caso de una red
neuronal a cada una de estas partes se le denomina NEURONA:
Es una unidad básica de procesamiento que
encontramos dentro de una red neuronal similar a
una neurona biológica, estás neuronas tienen
conexión de entrada a través de los que reciben
estimulo externo
 Capa de entrada:
Son unidades que
representan los
campos de
entrada
 Una o varias capas
ocultas
 Capa de salida: con una
unidad o unidades que
representa el campo o los
campos de destino. Las
unidades se conectan con
fuerzas de conexión
variables
(o ponderaciones).

7. Capas de las Redes Neuronales
Los datos de
entrada se
presentan en la
primera capa,
con estos
valores de la
neurona se
realizará un
cálculo interno y
generará un
valor de salida
Los valores se propagan
desde cada neurona hasta
cada neurona de la capa
siguiente. Al final, se
envía un resultado desde
la capa de salida.
Con esto nos referimos a una función matemática.
Internamente la neurona utiliza todos los valores de
entrada para realizar una suma ponderada de ellos, la
ponderación viene dada del peso que se le asigna a
cada una de las conexiones de entrada, es decir cada
conexión que llega a nuestra neurona tendrá asociado
un valor que servirá para definir con qué intensidad
cada variable de entrada afecta a la neurona,
intuitivamente esto se suele representar como palancas
que podemos subir o bajar, positiva o negativamente

8. SISTEMA DE REDES NEURONALES PARA LA EVALUACIÓN
DE PROGRAMAS DE POSTGRADO
Esta investigación utiliza tecnología de Redes Neuronales y Deep Learning para
diseñar un sistema de aprendizaje que procese encuestas de satisfacción hechas
a los estudiantes de postgrado. El sistema se encarga de procesar la información
suministrada y es capaz de aprender cuales son las calificaciones adecuadas para
cada tipo de encuesta, de esta manera puede realizar pronósticos una vez
finalizada la fase de aprendizaje. Utilizando las herramientas Python y Tensorflow
se realiza la programación del sistema para posteriormente realizar el
entrenamiento y su posterior validación. La metodología utilizada es de tipo
descriptivo. Se quiere medir de manera independiente el impacto del uso de un
sistema basado en redes neuronales en las encuestas de satisfacción de los
estudiantes de postgrado. La modalidad de la investigación se enmarca en los
lineamientos de proyecto factible. El diseño de la investigación es de campo, los
datos de interés se recogen directamente de la realidad, mediante el trabajo
directo y concreto del investigador y su equipo. Técnicas de Recolección de
Datos: Se utiliza la observación directa y simple, y la entrevista no estructurada.
La muestra que se toma para la evaluación de los programas de postgrado de
Ingeniería es censal, es decir todos los programas de postgrado en este caso de
Ingeniería y de esta forma se comprueba su funcionamiento. Las fases del
proyecto comienzan con un diagnóstico que consta de un estudio de campo
basado en una investigación documental y bibliográfica, la cual hará posible
respaldar el estudio y la propuesta. Luego se desarrollan entrevistas con el
experto en el área para conseguir información básica acerca del problema de

9. Muchos niños en edad escolar tienen dificultades en el aprendizaje, en
los últimos años existe un mayor conocimiento de la dislexia, sus
causas, y los métodos de enseñanza más adecuados para estos
alumnos. Se está avanzando mucho en la investigación de las bases
neurológicas de este trastorno, y se están diagnosticando más casos de
dislexia, no por una mayor incidencia en nuestros días, sino, por un
mayor conocimiento, avance en las técnicas de detección, y el
desarrollo de herramientas computacionales inteligentes.
APLICACIONES DE LAS REDES NEURONALES EN LA
SOLUCIÓN DE PROBLEMAS DE DISLEXIA
Los problemas de aprendizaje tal como su nombre lo indica se
enmarcan dentro de la dificultad que tiene alguna persona para
aprender de la misma manera que los demás. En general, se ve
afectada la comprensión lectora, el uso de las reglas ortográficas,
la interpretación de las normas escuchadas, el uso del habla
correctamente, la realización de raciocinios y el desarrollo de
problemas matemáticos.
Las razones del uso de la tecnología en la enseñanza y aprendizaje
como la expansión de la hora y el lugar, disponibilidad inmediata y
totalmente del tiempo de acceso, la profundidad de la compresión con la
ayuda de simulaciones interactivas e ilustraciones, aumenta el
aprendizaje, el interés del estudiante, la estimulación individual por
comprender lecciones difíciles y encontrar temas interesantes.

10. Por lo tanto permite el aprendizaje a las personas con este trastorno. Se hace
necesario desarrollar un modelo teórico aplicando redes neuronales y la
tecnología, por la semejanza de su interconexión de grupo de neuronas
artificiales con la estructura del cerebro y este a su vez es el secreto para el
aprendizaje y el conocimiento y en cuanto a la tecnología por sus grandes
métodos de transmisión, como: multimedia y tutores que han facilitado y
agilizado estos medios. La multimedia como el audio, el video y el escrito logran
comunicar algo, es utilizada para publicar información, juegos electrónicos y
programas de entrenamiento y los tutores, los cuales son medios
computarizados por medio de formularios, de simulación de fenómenos, de
preguntas y repuestas que permiten al alumno interactuar con el sistema, usan
las diferentes tecnologías como agentes inteligentes, dando así una
retroalimentación al mismo y adaptarse al ritmo de aprendizaje del estudiante. Se
convierte en objetivos de la Ingeniería de Sistemas; el crecimiento en
investigación para comprender los mecanismos del intelecto, la cognición y la
creación de artefactos inteligentes, para el desarrollo de las ciencias de la
computación y de poner la lógica al servicio de la construcción de sistemas
Tomando entre otras las siguientes características similares al cerebro humano:
Aprendizaje adaptativo, Auto-organización ,Tolerancia a fallos , Operación en tiempo
real, Fácil inserción dentro de la tecnología existente
Si estas ventajas se integran dentro del proceso de enseñanza en niños con
necesidades especiales de aprendizaje, pueden llegar a mejorar el aprendizaje y la
enseñanza tanto de los alumnos como de los profesores.
SOLUCIÓN DE PROBLEMAS DE DISLEXIA

11. Muchas Gracias
Por su Atencioń