1. REPUBLICA BOLIVARIANA DE VENEZUELA
MINISTERIO DEL PODER POPULAR PARA LA EDUCACION
UNIVERSITARIA
INSTITUTO UNIVERSITARIO POLITECNICO SANTIAGO MARIÑO
ADMINISTRACIÓN DE SISTEMA DE INFORMACIÓN
PROFESORA. MARÍA FERNANDA MORÑÓN
INSTITUTO UNIVERSITARIO POLITECNICO
SANTIAGO MARIÑO
REDES NEURALES
INTEGRANTES:
DENGERBERTANTONIO BRAVO OJEDA
LUISANGELA DEL CARMEN RENGEL MATA
LUIS JOSE VASQUEZ RODRIGUEZ
LUISANA PAOLA PARRA CORONA
SILVA BARCARCEL ELIAS ENRIQUE
FIGUEROA GOLLARZA FLAVIO RAFAEL
YOENY GINFE BRAVO RONDON
WALDEMAR JOSE DIAZ ROBLES
2. INTRODUCCION
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. El hombre es capaz de resolver estas situaciones acudiendo a la
experiencia acumulada. Así, parece claro que una forma de aproximarse al problema
consista en la construcción de sistemas que sean capaces de reproducir esta
característica humana.
En definitiva, las redes neuronales no son más que un modelo artificial y simplificado
del cerebro humano, que es el ejemplo más perfecto del que disponemos para un
sistema que es capaz de adquirir conocimiento a través de la experiencia. Una red
neuronal es "un nuevo sistema para el tratamiento de la información, cuya unidad
básica de procesamiento está inspirada en la célula fundamental del sistema nervioso
humano: la neurona".
Todos los procesos del cuerpo humano se relacionan en alguna u otra forma con la
(in)actividad de estas neuronas. Las mismas son un componente relativamente simple
del ser humano, pero cuando millares de ellas se conectan en forma conjunta se
hacen muy poderosas.
3. REDES NEURONALES
Las Redes Neuronales son un campo muy importante dentro de la
inteligencia artificial. Inspirándose en el comportamiento conocido
del cerebro humano (principalmente el referido a las neuronas y sus
conexiones), trata de crear modelos artificiales que solucionen
problemas difíciles de resolver mediante técnicas algorítmicas
convencionales.
En esta página web trataremos de acercar al visitante a este
tema, mostrando las bases neurológicas y matemáticas, los
principales modelos vigentes y ejemplos interactivos que solucionan
algunos problemas de forma eficaz.
4. REDES NEURONALES
Últimamente, las redes neuronales están volviendo a la actualidad
por los logros que están consiguiendo. Por ejemplo, Google ha
logrado derrotar a su propio reCAPTCHA con redes neuronales, en
Stanford han conseguido generar pies de fotos automáticamente...
Metas bastante impresionantes y que cada vez se acercan más a esa
idea original de reproducir el funcionamiento del cerebro humano en
un ordenador.
Ahora bien, en qué consisten estos modelos Cómo puede imitar un
ordenador el proceso de aprendizaje y acabar desarrollando una
"cosa" que funciona Hoy en Xataka vamos a profundizar un poco en
este tema que tanta atención está logrando, y vamos a empezar,
como siempre, por el principio.
5. HISTORIA DE LAS REDES
NEURONALES
Desde la década de los 40, en la que nació y comenzó a desarrollarse
la informática, el modelo neuronal la ha acompañado. De hecho, la
aparición de los computadores digitales y el desarrollo de las teorías
modernas acerca del aprendizaje y del procesamiento neuronal se
produjeron aproximadamente al mismo tiempo, a finales de los años
cuarenta.
Desde entonces hasta nuestros días, la investigación neurofisiológica y
el estudio de sistemas neuronales artificiales (ANS, Artificial Neural
Systems) han ido de la mano. Sin embargo, los modelos de ANS no se
centran en la investigación neurológica, si no que toma conceptos e
ideas del campo de las ciencias naturales para aplicarlos a la resolución
de problemas pertenecientes a otras ramas de las ciencias y la
ingeniería.
6. HISTORIA DE LAS REDES
NEURONALES
Podemos decir que la tecnología ANS incluye modelos inspirados por
nuestra comprensión del cerebro, pero que no tienen por qué ajustarse
exactamente a los modelos derivados de dicho entendimiento.
Los primeros ejemplos de estos sistemas aparecen al final de la década de
los cincuenta. La referencia histórica más corriente es la que alude al trabajo
realizado por Frank Rosenblatt en un dispositivo denominado perceptrón. Hay
otros ejemplos, tales como el desarrollo del Adaline por el profesor Bernard
Widrow.
Durante todos estos años, la tecnología ANS no siempre ha tenido la misma
consideración en las ramas de la ingeniería y las ciencias de la computación,
más ansiosas de resultados que las ciencias neuronales. A partir de 1969, el
pesimismo debido a las limitadas capacidades del perceptrón hizo
languidecer este tipo de investigación.
7. HISTORIA DE LAS REDES
NEURONALES
A principios de los 80, por un lado Hopfield y sus conferencias acerca de la
memoria auto asociativa y por otro lado la aparición del libro Parallel Distributed
Processing (PDP), escrito por Rumelhart y McClelland reactivaron la investigación
en el campo de las redes neuronales. Hubo grandes avances que propiciaron el
uso comercial en campos tan variados como el diagnóstico de enfermedades, la
aproximación de funciones o el reconocimiento de imágenes.
Hoy en día, la tecnología ANS no está en su mejor momento, pero a pesar de
ello existen revistas, ciclos de conferencias, etc.; que mantienen vías de
investigación abiertas.
8. MODELO DE NEURONA
ARTIFICIAL
El modelo de Rumelhart y McClelland (1986) define un elemento de
proceso (EP), o neurona artificial, como un dispositivo que a partir de un
conjunto de entradas, xi (i=1...n) o vector x, genera una única salida y.
Esta neurona artificial consta de los siguientes elementos:
· Conjunto de entradas o vector de entradas x, de n componentes
·Conjunto de pesos sinápticos wij. Representan la interacción entre la
neurona presináptica j y la postsináptica i.
·Regla de propagación d(wij,xj(t)): proporciona el potencial
postsináptico, hi(t).
·Función de activación ai(t)=f(ai(t-1), hi(t)): proporciona el estado de
activación de la neurona en función del estado anterior y del valor
postsináptico.
·Función de salida Fi(t): proporciona la salida yi(t), en función del
estado de activación.
9. MODELO DE NEURONA
ARTIFICIAL
Las señales de entrada y salida pueden ser señales binarias (0,1 – neuronas de McCulloch
y Pitts), bipolares (-1,1), números enteros o continuos, variables borrosas, etc.
La regla de propagación suele ser una suma ponderada del producto escalar del vector
de entrada y el vector de pesos:
También se usa a menudo la distancia euclídea entre ambos vectores:
También se usa a menudo la distancia euclídea entre ambos vectores: Existen otro tipo
de reglas menos conocidas como la distancia de Voronoi, de Mahalanobis, etc.
La función de activación no suele tener en cuenta el estado anterior de la neurona, sino
sólo el potencial hi(t). Suele ser una función determinista y, casi siempre, continua y
monótona creciente. Las más comunes son la función signo (+1 si hi(t)>0, -1 en caso
contrario), la función semilineal y las funciones sigmoides:
10. RED NEURONAL
ARTIFICIAL
Una red neuronal artificial (RNA) se puede definir (Hecht – Nielssen 93) como un grafo
dirigido con las siguientes restricciones:
Los nodos se llaman elementos de proceso (EP).
Los enlaces se llaman conexiones y funcionan como caminos unidireccionales
instantáneos
Cada EP puede tener cualquier número de conexiones.
Todas las conexiones que salgan de un EP deben tener la misma señal.
Los EP pueden tener memoria local.
Cada EP posee una función de transferencia que, en función de las entradas y la
memoria local produce una señal de salida y / o altera la memoria local.
Las entradas a la RNA llegan del mundo exterior, mientras que sus salidas son
conexiones que abandonan la RNA.
11. ARQUITECTURA DE LA RED
NEURONAL ARTIFICIAL
La arquitectura de una RNA es la estructura o patrón de conexiones de la red. Es conveniente
recordar que las conexiones sinápticas son direccionales, es decir, la información sólo se transmite
en un sentido.
En general, las neuronas suelen agruparse en unidades estructurales llamadas capas. Dentro de
una capa, las neuronas suelen ser del mismo tipo. Se pueden distinguir tres tipos de capas:
·De entrada: reciben datos o señales procedentes del entorno.
·De salida: proporcionan la respuesta de la red a los estímulos de la entrada.
·Ocultas: no reciben ni suministran información al entorno (procesamiento interno de la red).
Generalmente las conexiones se realizan entre neuronas de distintas capas, pero puede haber
conexiones intracapa o laterales y conexiones de realimentación que siguen un sentido contrario
al de entrada-salida.
13. APRENDIZAJE DE LA RED
NEURONAL ARTIFICIAL
Es el proceso por el que una RNA actualiza los pesos (y, en algunos casos, la arquitectura)
con el propósito de que la red pueda llevar a cabo de forma efectiva una tarea determinada.
Hay tres conceptos fundamentales en el aprendizaje:
Paradigma de aprendizaje: información de la que dispone la red.
Regla de aprendizaje: principios que gobiernan el aprendizaje.
Algoritmo de aprendizaje: procedimiento numérico de ajuste de los pesos.
Existen dos paradigmas fundamentales de aprendizaje:
Supervisado: la red trata de minimizar un error entre la salida que calcula y la salida deseada
(conocida), de modo que la salida calculada termine siendo la deseada.
No supervisado o auto organizado: la red conoce un conjunto de patrones sin conocer la
respuesta deseada. Debe extraer rasgos o agrupar patrones similares.
14. APRENDIZAJE DE LA RED
NEURONAL ARTIFICIAL
En cuanto a los algoritmos de aprendizaje, tenemos cuatro tipos:
Minimización del error: reducción del gradiente, retro propagación, etc. La modificación
de pesos está orientada a que el error cometido sea mínimo.
Boltzmann: para redes estocásticas, donde se contemplan parámetros aleatorios.
Hebb: cuando el disparo de una célula activa otra, el peso de la conexión entre ambas
tiende a reforzarse (Ley de Hebb).
Competitivo: sólo aprenden las neuronas que se acercan más a la salida deseada.
15. CARACTERÍSTICAS DE LAS REDES
NEURONALES ARTIFICIALES
Las Redes Neuronales Artificiales, ANN (Artificial Neural Networks) están inspiradas en las
redes neuronales biológicas del cerebro humano. Están constituidas por elementos que se
comportan de forma similar a la neurona biológica en sus funciones más comunes. Estos
elementos están organizados de una forma parecida a la que presenta el cerebro
humano. Las ANN al margen de "parecerse" al cerebro presentan una serie de
características propias del cerebro. Por ejemplo las ANN aprenden de la experiencia,
generalizan de ejemplos previos a ejemplos nuevos y abstraen las características
principales de una serie de datos. Aprender: adquirir el conocimiento de una cosa por
medio del estudio, ejercicio o experiencia. Las ANN pueden cambiar su comportamiento
en función del entorno. Se les muestra un conjunto de entradas y ellas mismas se ajustan
para producir unas salidas consistentes. Generalizar: extender o ampliar una cosa. Las ANN
generalizan automáticamente debido a su propia estructura y naturaleza. Estas redes
pueden ofrecer, dentro de un margen, respuestas correctas a entradas que presentan
pequeñas variaciones debido a los efectos de ruido o distorsión. Abstraer: aislar
mentalmente o considerar por separado las cualidades de un objeto. Algunas ANN son
capaces de abstraer la esencia de un conjunto de entradas que aparentemente no
presentan aspectos comunes o relativos.
16. ESTRUCTURA DE LAS REDES
NEURONALES ARTIFICIALES
La neurona es la unidad fundamental del sistema nervioso y en particular del cerebro.
Cada neurona es una simple unidad procesadora que recibe y combina señales desde y
hacia otras neuronas. Si la combinación de entradas es suficientemente fuerte la salida de
la neurona se activa. La Figura (1.1) muestra las partes que constituyen una neurona.
El cerebro consiste en uno o varios billones de neuronas densamente interconectadas. El
axón (salida) de la neurona se ramifica y está conectada a las dendritas (entradas) de otras
neuronas a través de uniones llamadas sinapsis. La eficacia de la sinapsis es modificable
durante el proceso de aprendizaje de la red. Redes Neuronales Artificiales.- En las Redes
Neuronales Artificiales, ANN, la unidad análoga a la neurona biológica es el elemento
procesador, E (process element). Un elemento procesador tiene varias entradas y las
combina, normalmente con una suma básica. La suma de las entradas es modificada por
una función de transferencia y el valor de la salida de esta función de transferencia se pasa
directamente a la salida del elemento procesador. La salida del PE se puede conectar a las
entradas de otras neuronas artificiales (PE) mediante conexiones ponderadas
correspondientes a la eficacia de la sinapsis de las conexiones neuronales.
17. VENTAJAS DE LAS REDES
NEURONALES ARTIFICIALES
Las redes neuronales artificiales (RNA) tienen muchas ventajas
debido a que están basadas en la estructura del sistema nervioso,
principalmente el cerebro.
Aprendizaje: Las RNA tienen la habilidad de aprender mediante
una etapa que se llama etapa de aprendizaje. Esta consiste en
proporcionar a la RNA datos como entrada a su vez que se le indica
cuál es la salida (respuesta) esperada.
Auto organización: Una RNA crea su propia representación de la
información en su interior, quitándole esta tarea al usuario.
18. VENTAJAS DE LAS REDES
NEURONALES ARTIFICIALES
Tolerancia a fallos: Debido a que una RNA almacena la información
de forma redundante, ésta puede seguir respondiendo de manera
aceptable aun si se daña parcialmente.
Flexibilidad: Una RNA puede manejar cambios no importantes en la
información de entrada, como señales con ruido u otros cambios en la
entrada (por ejemplo si la información de entrada es la imagen de un
objeto, la respuesta correspondiente no sufre cambios si la imagen
cambia un poco su brillo o el objeto cambia ligeramente).
Tiempo real: La estructura de una RNA es paralela, por lo cual si esto
es implementado con computadoras o en dispositivos electrónicos
especiales, se pueden obtener respuestas en tiempo real.
19. APLICACIONES DE LAS REDES
NEURONALES ARTIFICIALESLas características de las RNA las hacen bastante apropiadas para aplicaciones en las que
no se dispone a priori de un modelo identificable que pueda ser programado, pero se dispone
de un conjunto básico de ejemplos de entrada (previamente clasificados o no). Asimismo, son
altamente robustas tanto al ruido como a la disfunción de elementos concretos y son
fácilmente paralelizadles.
Esto incluye problemas de clasificación y reconocimiento de patrones de voz, imágenes,
señales, etc. Asimismo se han utilizado para encontrar patrones de fraude económico, hacer
predicciones en el mercado financiero, hacer predicciones de tiempo atmosférico, etc.
También se pueden utilizar cuando no existen modelos matemáticos precisos o algoritmos
con complejidad razonable, por ejemplo la red de Kohonen ha sido aplicada con un éxito más
que razonable al clásico problema del viajante (un problema para el que no se conoce
solución algorítmica de complejidad polinómica).
Otro tipo especial de redes neuronales artificiales se ha aplicado en conjunción con los
algoritmos genéticos (AG) para crear controladores para robots. La disciplina que trata la
evolución de redes neuronales mediante algoritmos genéticos se denomina Robótica
Evolutiva. En este tipo de aplicación el genoma del AG lo constituyen los parámetros de la red
(topología, algoritmo de aprendizaje, funciones de activación, etc.) y la adecuación de la red
viene dada por la adecuación del comportamiento exhibido por el robot controlado
(normalmente una simulación de dicho comportamiento).
20. CONCLUSION
Las Redes Neuronales Artificiales basadas en los sistemas nerviosos biológicos
reproducen al menos el funcionamiento del cerebro humano, sea en hardware o
software, El aprendizaje de sistemas neuronales directas tiene un proceso
mediante el empleo del algoritmo de retro propagación (backpropagation),
realizando el ajuste de pesos entre las capas de la red. La construcción de las
redes neuronales artificiales hace uso de metodologías de desarrollo de software.
Las redes neuronales artificiales tienen un amplio campo de aplicaciones donde
se requiera la solución a problemas, desde actividades de investigación hasta
aplicaciones comerciales e industriales.