Introducción de redes neuronales artificiales. Felibuca

1. 1
Tipos de Aprendizaje en
Inteligencia Artificial
Supervisado No Supervisado

2. 2
En el entrenamiento supervisado, se
proporcionan tanto las entradas como las
salidas. La red procesa las entradas y compara
las salidas resultantes con las salidas deseadas.
Supervisado
Utoronto, Source,
http://www.psych.utoronto.ca/users/reingold/course
s/ai/cache/neural3.html

3. 3
Supervisado
Ej: Detección mascotas
Dot CSV. Source https://www.youtube.com/watch?v=oT3ar

4. 4
Supervisado
Dot CSV. Source https://www.youtube.com/watch?v=oT3ar

5. 5
En el entrenamiento no supervisado, la red
cuenta con entradas pero no con las salidas
deseadas. El propio sistema debe decidir qué
funciones utilizará para agrupar los datos de
entrada.
No Supervisado
Utoronto, Source,
http://www.psych.utoronto.ca/users/reingold/course
s/ai/cache/neural3.html

6. 6
NO Supervisado
Dot CSV. Source https://www.youtube.com/watch?v=oT3ar

7. 7
NO Supervisado
Dot CSV. Source https://www.youtube.com/watch?v=oT3ar

8. 8
NO Supervisado
Dot CSV. Source https://www.youtube.com/watch?v=oT3ar

9. Redes Neuronales

10. Contexto
En la actualidad las redes neuronales han alcanzado una madurez muy
aceptable y se usan en todo tipo de aplicaciones entre ellas:
• Reconocimiento de patrones, voz y vídeo, Compresión de imágenes.
• Estudio y predicción de sucesos muy complejos (ej. La bolsa)
• Aplicaciones de apoyo a la medicina, desarrollo de aplicaciones que
necesiten el análisis de grandes cantidades de datos, etc.

11. Estructura Biológica

12. Estructura Artificial

13. Símil
RNA Biológica RNA Artificial
Neurona Biológica Neurona Artificial
Conexiones Sinápticas Conexiones Ponderadas
Efectividad de la Sinapsis Peso de las Conexiones
Efecto Excitador/Inhibidor de una
Conexión
Signo del Peso de una Conexión
Efecto Combinado de la Sinapsis Función de Propagación o de Red
Activación -> Tasa de Disparo Función de Activación -> Salida

14. Estructura
Niveles de Neuronas:
La distribución de neuronas dentro de la red se realiza formando
niveles o capas de un número determinado de neuronas cada una. A
partir de su situación dentro de la red se pueden distinguir tres tipos de
capas:
• De entrada: estas capas reciben la información desde el exterior.
• De Salida: estas envían la información hacia el exterior
• Ocultas: son capas que solo sirven para procesar información y
comunicar otras Capas.

15. Entrada Ocultas Salida

16. Funciones
• Función de propagación o ponderación
Transforma las diferentes entradas que provienen de la sinapsis en el
potencial de la neurona.
Se usa como función de propagación la suma ponderada de las
entradas multiplicadas por los pesos.
Se interpreta como un regulador de las señales que se emiten entre
neuronas al ponderar las salidas que entran a la neurona.

17. Funciones
• Función de activación
Combina el potencial post-sináptico, que proporciona la función de
propagación, con el estado actual de la neurona para conseguir el
estado futuro de activación de la neurona.

20. Funciones
• Función de Salida.
Convierte el estado de la neurona en la salida hacia la siguiente
neurona que se transmite por las sinapsis. Usualmente no se considera
y se toma la identidad, de manera que la salida es el propio estado de
activación de la neurona.

21. Tasa de Aprendizaje
Velocidad de aprendizaje de la red, indica el porcentaje en que se permite que varíen los pesos de la
red en cada etapa del entrenamiento.
Tasa Alta  Pesos de una etapa a otra son altamente modificados
Tasa Baja  Pesos pueden variar en pequeña proporción
Valores altos favorecen el acercamiento rápido a los valores óptimos de los pesos, pero no permiten
el ajuste fino de estos.
Valores bajos suponen un lento ajuste de los valores de los pesos

22. Tasa de Aprendizaje

23. Momentum
Memoria o inercia que permite que los cambios en el vector de pesos
sean suaves porque incluyen información sobre el cambio anterior
evitando cambios erráticos.

24. Herramientas

27. AND

28. COMPROBACIÓN

29. 1 x -2,7656= -2,7656

30. 1 x -2,7877= -2,7877
1 x -2,7656= -2,7656

31. 1 x -2,7877= -2,7877
1 x -2,7656= -2,7656
1 x 3,6082= 3,6082

32. -2,7877
-2,7656
+3,6082______
-1,9451

33. Entrenamiento

35. Parámetros modelo
Regla de aprendizaje- Backpropagation

36. Derivada = Pendiente de la función
Descenso del gradiente= moverme y mirar
Si estoy bajando, analizo y sigo

37. OR

38. XOR

40. Comprobación

47. Ejemplo
Simular el escenario en el que los carros esperan por la señal de color
verde en un semáforo.
Hay 3 estados para esta señal
1. - -> Quédese donde está
2. - -> Prepárese para arrancar
3. - -> Arranque

49. Problema:
Entrenar una red neuronal para predecir si un cáncer de mama detectado es benigno o maligno con base en un conjunto
de datos en el que cada registro está definido por la siguiente estructura:
Id de la muestra Entero
Espesor del grupo Entre 1 y 10
Uniformidad de Tamaño de la célula Entre 1 y 10
Uniformidad de la forma celular Entre 1 y 10
Adhesión marginal Entre 1 y 10
Tamaño de una única célula epitelial Entre 1 y 10
Núcleos al descubierto Entre 1 y 10
Uniformidad de la Cromatina Entre 1 y 10
Nucleolos normales Entre 1 y 10
Mitosis Entre 1 y 10
Clase 2 benigno 4 maligno