Este documento presenta una introducción a las redes neuronales artificiales (RNA). Explica los fundamentos biológicos de las neuronas y la inspiración en el sistema nervioso. Describe los modelos de neuronas y redes, incluyendo diferentes tipos de neuronas, arquitecturas como multicapa y recurrente, y métodos de aprendizaje supervisado y no supervisado. Finalmente, menciona algunas aplicaciones de las RNA y fuentes bibliográficas.
3. Introducción
Ramas de la Inteligencia Artificial (IA) en sus inicios:
Simbólica
○ Sistemas formales de reglas y manipulación
○ Modelos Top – Down
○ Rama mas conocida de la IA
Conexionista
○ Inspiradas en las redes neuronales biológicas
○ Modelos Bottom - Up
○ Redes neuronales
Ambas tratan de resolver problemas no algorítmicos
a partir de la experiencia almacenada como
conocimiento.
4. Conexionista vs. Von
Neumann
Masivamente paralelo
Datos y programa
indiferenciable en las
conexiones
Solución inducida por
aprendizaje
Imprevisibilidad
de
resultados
Gran tolerancia a
fallos
Arquitectura secuencial
Separa claramente datos
del programa en la
memoria
Solución como algoritmo
o programa introducido
Resultados
totalmente
predecibles
No tolera errores
7. Definición de las RNA
Las redes de neuronas artificiales (RNA) son
un paradigma de aprendizaje y procesamiento
automático inspirado en la forma en que
funciona el sistema nervioso de los animales.
Se trata de un sistema de interconexión de
neuronas en una red que colabora para
producir un estímulo de salida. El objetivo es
conseguir que las maquinas den respuestas
similares a las que es capaz de dar el cerebro.
9. Modelado neuronal
Grupo de entradas (x)
Pesos sinápticos (w)
Función suma (net)
Función de activación
(act)
Una única salida (y)
Funcionamiento
en
modo aprendizaje o
ejecución
11. Tipos de Neuronas
El
tipo
de
neurona
depende
básicamente del tipo de dato que se
esté manejando en la RNA, puede ser:
Binario: Solamente pueden tomar uno de los
valores de los pares {0,1} o {-1,1}.
Reales: pueden hacerlo dentro del rango [0,
1] o [-1, 1]
13. Arquitectura de las RNA
Los parámetros fundamentales de la
red son:
Numero de capas
Numero de neuronas por capa
Grado de conectividad
Tipo de conexiones entre neuronas
14. Niveles o capas de una RNA
De entrada: es la capa que recibe directamente la información
proveniente de las fuentes externas de la red.
Ocultas: son internas a la red y no tienen contacto directo con el
entorno exterior. El número de niveles ocultos puede estar entre
cero y un número elevado. Las neuronas de las capas ocultas
pueden estar interconectadas de distintas maneras, lo que
determina, junto con su número, las distintas topologías de redes
neuronales.
De salida: transfieren información de la red hacia el exterior
15. Topología
Hay tres tipos:
• Dos tipos de programación hacia delante o
acíclica.
• Monocapa. Feedforward
• Multicapa. Feedforward, Feedback
• Las redes recurrentes que presentan al
menos un ciclo cerrado de activación
neuronal.
16. Redes Monocapa
Las redes monocapa se utilizan típicamente en tareas
relacionadas en lo que se conoce como autoasocioción:
por ejemplo, para regenerar informaciones de entrada
que se presentan a la red incompletas o distorsionadas.
17. Redes Multicapa
Redes con conexiones hacia adelante (feedforward)
En este tipo de redes, todas las señales neuronales se propagan
hacia adelante a través de las capas de la red. No existen
conexiones hacia atrás y normalmente tampoco autorrecurrentes, ni
laterales.
18. Redes Multicapa
Redes con conexiones hacia adelante y hacia atrás
(feedforward / feedback)
En este tipo de redes circula información tanto hacia adelante como
hacia atrás durante el funcionamiento de la red. Para que esto sea
posible, existen conexiones feedforward y conexiones feedback
entre las neuronas.
19. Redes Multicapa
Redes Competitivas
Las redes competitivas son similares a las feedforward
simples, excepto que las competitivas tienen conexiones
usualmente negativas entre los nodos de salida.
Las redes de esta clase ha sido usada para explicar la
información de mapas topológicos que ocurren en muchos
sistemas sensoriales humanos incluidos la visión, audición,
tacto, gusto y olfato.
20. Redes Recurrentes
Comúnmente, la red recurrente se alimenta con un vector de
entrada inicial. Y una vez inicializada, en cada ciclo, las salidas de
la red son usadas como entradas.
La retroalimentación le permite a la red exhibir un comportamiento
temporal.
22. Proceso de aprendizaje
Definición de aprendizaje en RNAs
El aprendizaje es un proceso por el cual los
parámetros libres de una RNA son adaptados a través
de la estimulación del ambiente donde se encuentra la
red. El tipo de aprendizaje está determinado por la
manera en que este cambio de parámetros tiene lugar.
Tipos de aprendizaje
Supervisado
○ Corrección de error
No supervisado
○ Aprendizaje Hebbiano
○ Aprendizaje competitivo
23. Aprendizaje supervisado
Un profesor externo determina si la red se está
comportando de forma adecuada, mediante la
comparación de la salida producida y la esperada, y de
actuar en consecuencia modificando apropiadamente
los valores de los pesos.
24. Corrección de error
Cada neurona de salida distribuye hacia atrás su error
ponderado por el valor de la conexión. Este error, a su vez, se
propaga hacia atrás hasta la primer capa oculta.
25. Aprendizaje no supervisado
La red trata de determinar características del
conjunto de entrenamiento: rasgos significativos,
regularidades o redundancias.
26. Aprendizaje Hebbiano
Cuando un axón de una
célula
A
está
lo
suficientemente cerca para
excitar una célula B, y toma
parte repetidamente en el
proceso de disparo de dicha
célula, se produce algún tipo
de cambio metabólico en
una de las células (o en las
dos), que hace que la
eficacia con la que A
disparaba a B se vea
incrementada.
27. Aprendizaje competitivo
Este aprendizaje solo modifica las conexiones de la
célula ganadora, y por eso recibe el nombre de “el
que gana se lo lleva todo”. Esto hará que en el
futuro cada célula tenga aún mayor facilidad para
reconocer el estímulo que aprendió, e incluso
estímulos parecidos.