Este documento trata sobre redes neuronales artificiales. Explica conceptos básicos como neuronas artificiales y cómo las redes neuronales se inspiran en el cerebro humano. Describe diferentes tipos de redes neuronales como monocapa, multicapa y recurrentes. También cubre clasificaciones como aprendizaje supervisado, no supervisado e híbrido. Finalmente, discute aplicaciones actuales de redes neuronales en campos como finanzas, medicina, ingeniería y más.

1. Unidad V Aplicaciones con Técnicas de IA.
5.2 Redes Neuronales (RN).
“INTELIGENCIA ARTIFICIAL”
Ingeniería en Sistemas Computacionales
FECHA DE ENTREGA
Tuxtepec, Oax. martes, 12 de mayo de 2015
PRESENTA:
Chalate Jorge Humberto
8° Semestre Grupo “A”
S.E.P. D.G.E.S.T. S.N.E.S.T.
INSTITUTO TECNOLÓGICO de Tuxtepec
M.S.C. TOMÁS TORRES RAMÍREZ

2. 5.2 REDES NEURONALES (RN).
5.2.1. Conceptos Básicos.
5.2.2. Clasificación.
5.2.3. Desarrollos actuales y aplicaciones.

3. INTRODUCCIÓN.
Desde el principio de la humanidad se soñó con el desarrollo de máquinas que
puedan imitar la capacidad de aprendizaje del hombre. Actualmente es un desafío
en el que pone todas sus miradas una parte de la comunidad científica.
Las redes neuronales son otra forma de emular otra de las características propias
de los humanos.
5.2 REDES NEURONALES (RN).

4. Es un sistema compuesto por un gran número de elementos básicos (Artificial
Neurons), agrupados en capas (Layers) y que se encuentran altamente
interconectados (Synapses);
Esta estructura posee varias entradas y salidas, las cuales serán entrenadas para
reaccionar (valores O), de una manera deseada, a los estímulos de entrada (valores
I).
Estos sistemas emulan, de una cierta manera, al cerebro humano. Requieren
aprender a comportarse (Learning) y alguien debe encargarse de enseñarles o
entrenarles (Training), en base a un conocimiento previo del entorno del problema.
5.2 REDES NEURONALES (RN).

5. El cerebro humano contiene aproximadamente 12 billones de células nerviosas o
neuronas. Cada neurona tiene de 5600 a 60000 conexiones dendríticas
provenientes de otras neuronas, mientras que en el sistema nervioso hay 1014
sinapsis; teniendo cada neurona más de 1000 a la entrada y a la salida.
Es importante destacar que aunque el tiempo de conmutación de la neurona es casi
un millón de veces menor que las computadoras actuales, ellas tienen una
conectividad miles de veces superior que las actuales supercomputadoras.
5.2.1. CONCEPTOS BÁSICOS.

6. Las neuronas y las conexiones entre ella, llamadas sinapsis, son la clave para el
procesado de la información.
Neurona Biológica.
5.2.1. CONCEPTOS BÁSICOS.

7. La mayoría de neuronas tienen una estructura parecida a la de un árbol llamadas
dendritas que reciben las señales de entrada que vienen de otras neuronas a través
de las sinapsis.
Red de Neuronas.
5.2.1. CONCEPTOS BÁSICOS.

8. ¿Qué entendemos por Red Neuronal Artificial?
Las Redes Neuronales Artificiales (RNA) son sistemas paralelos para el
procesamiento de la información, inspirados en el modo en el que las redes de
neuronas biológicas del cerebro procesan esta.
Es decir que se han intentado plasmar los aspectos esenciales de una neurona real
a la hora de diseñar una neurona “artificial”.
5.2.1. CONCEPTOS BÁSICOS.

9. Es de prever que dichas RNAs tengan características similares a las del cerebro:
• Sean robustas y tolerantes a fallos.
• Sean flexibles.
• Puedan trabajar con información borrosa, incompleta, probabilística, con ruido o
inconsistente.
• Sean altamente paralelas.
5.2.1. CONCEPTOS BÁSICOS.

10. La Neurona Artificial.
Si se tienen N neuronas, podemos ordenarlas arbitrariamente y designarlas como
unidades. Su trabajo es simple y único, y consiste en recibir las entradas de las
células vecinas y calcular un valor de salida, el cual es enviado a todas las células
restantes.
Neurona Artificial.
5.2.1. CONCEPTOS BÁSICOS.

11. El criterio más habitual para clasificar las redes neuronales es el tipo de aprendizaje
que se utilice.
La clasificación general sería la siguiente:
• Aprendizaje Supervisado.
• Aprendizaje No Supervisado.
Todos estos métodos de aprendizaje, necesitan unas reglas de entrenamiento
específicas para cada uno de ellos.
5.2.2. CLASIFICACIÓN.

12. Aprendizaje Supervisado.
En el aprendizaje supervisado (aprender con un maestro), la adaptación sucede
cuando el sistema compara directamente la salida que proporciona la red con la
salida que se desearía obtener de dicha red.
Existen tres tipos básicos: por corrección de error, por refuerzo y estocástico.
5.2.2. CLASIFICACIÓN.

13. Aprendizaje No Supervisado.
La capacidad de clasificación de la red neuronal depende del valor de los pesos
sinápticos, que pueden ser preestablecidos o entrenados adaptativamente mediante
mecanismos de aprendizaje.
5.2.2. CLASIFICACIÓN.

14. Aprendizaje Híbrido.
Es una mezcla de los anteriores.
Unas capas de la red tienen un aprendizaje supervisado y otras capas de la red
tienen un aprendizaje de tipo no supervisado.
5.2.2. CLASIFICACIÓN.

15. Aprendizaje Reforzado.
Es un aprendizaje con características del supervisado y con características del no
supervisado. No se proporciona una salida deseada, pero sí que se le indica a la red
en cierta medida el error que comete, aunque es un error global.
5.2.2. CLASIFICACIÓN.

16. En función del patrón de conexiones que presenta.
Red Neuronal Monocapa.
Se corresponde con la red neuronal más sencilla ya que se tiene una capa de
neuronas que proyectan las entradas a una capa de neuronas de salida donde se
realizan los diferentes cálculos.
Red Neuronal Multicapa.
Es una generalización de la anterior, existiendo un conjunto de capas intermedias
entre la capa de entrada y la de salida (capas ocultas). Este tipo de red puede estar
total o parcialmente conectada.
5.2.2. CLASIFICACIÓN.

17. Red Neuronal Recurrente.
Este tipo de red se diferencia de las anteriores en la existencia de lazos de
realimentación en la red.
Estos lazos pueden ser entre neuronas de diferentes capas, neuronas de la misma
capa o, entre una misma neurona. Esta estructura la hace especialmente adecuada
para estudiar la dinámica de los sistemas no lineales.
5.2.2. CLASIFICACIÓN.

18. Redes vs. Métodos clásicos.
En muchas áreas donde existen problemas de predicción, clasificación, etc., existen
soluciones que no están basadas en redes neuronales pero que dan buenos
resultados, o como mínimo mejores que el no hacer nada.
Frente a este tipo de problemas, donde ya existe dicha solución “clásica”, las redes
pueden aportar su alta no linealidad y su gran facilidad en aportar datos adicionales,
tanto numéricos, como borrosos y/o subjetivos, que en técnicas convencionales o
modelos “clásicos” no son tenidos en consideración.
5.2.3. DESARROLLOS ACTUALES Y APLICACIONES.

19. Campos de aplicación.
Las RNAs han sido aplicadas a un creciente número de problemas con una
complejidad considerable, como puede ser el reconocimiento de patrones,
clasificación de datos, predicciones, etc...
Su ventaja más importante está en solucionar problemas que son demasiado
complejos para las técnicas convencionales.
5.2.3. DESARROLLOS ACTUALES Y APLICACIONES.

20. Las aplicaciones de las RNAs abarcan diversas actividades de muy diferentes
campos. Estos son:
• Finanzas.
• Negocios.
• Tratamientos de texto y proceso de formas.
• Alimentación.
• Energía.
• Industria manufacturera.
• Medicina y salud.
• Ciencia e Ingeniería.
• Transportes y comunicaciones.
5.2.3. DESARROLLOS ACTUALES Y APLICACIONES.

21. Las Redes neuronales, con su notable habilidad para deducir significados de datos
complicados o imprecisos pueden ser usadas para extraer patrones y detectar
tendencias que son demasiado complejas para ser comprendidas por los humanos u
otras técnicas computacionales.
Una red neuronal capacitada puede ser concebida como algo que algún día le
podremos realizar preguntas como "qué pasaría si...".
Quizás el aspecto más excitante de las redes neuronales es la posibilidad de dotar a
estas de conciencia.
CONCLUSIONES.

22. “Existirá Inteligencia Artificial cuando no seamos capaces
de distinguir entre un ser humano y un programa de
computadora en una conversación a ciegas”
Alan Turing

23. • Caudill, M., Butler, Ch., "Understanding Neural Networks", MIT Press.
• Freeman, J.A., Skapura, D.M., "Neural Networks", Ed. Addison Wesley.
• Hagan, Martin T, “Neural Network Design”, PWS Publishing Company,1996.
• J.R. Hilera González y V.J. Martínez “Redes Neuronales Artificiales: Fundamentos, modelos y
aplicaciones”, RA-MA, 1995.
• Varios, “Aprendizaje Automático”, Edicions UPC, Barcelona, CAT, 1994.
• Widrow, J., Rumelhart, D.E., Lehr, M.A., "Neural networks: Applications in industry, business
and science", ACM communications, Vol-37, 1.994.
• [HEBB49] D.O Hebb. “The organization of Behaviour” John Wiley & sons, New York, 1949.
• [MINS69] M. Minsky & S. Papert, “Perceptrons” MIT Press, Cambridge, MA, 1969.
BIBLIOGRAFÍA.