Este documento presenta una introducción a las redes neuronales artificiales. Explica que las redes neuronales se inspiran en el funcionamiento del cerebro y están compuestas de unidades simples (neuronas) que se conectan entre sí. También describe el proceso de aprendizaje supervisado mediante el cual las redes neuronales pueden aprender de ejemplos etiquetados y realizar tareas como clasificación y predicción. Finalmente, menciona algunas aplicaciones como reconocimiento de patrones, procesamiento del lenguaje natural y análisis de datos.

1. Buenos Aires, junio de 2016
Guillermo Henrion y Eduardo Poggi

2. Agenda
 Motivación
 Funcionamiento básico
 Redes con aprendizaje supervisado
 Usos

3. Agenda
 Motivación
 Funcionamiento básico
 Redes con aprendizaje supervisado
 Usos

4. ¿Cómo el cerebro realiza tareas complejas?
Motivación

5. ¿Cómo el cerebro realiza tareas complejas?
Motivación

6. ¿Probabilidades en el cerebro?
Motivación

7. Robusto, flexible y altamente paralelo
Motivación

8. Imitando al cerebro
Motivación

9. Motivación
 Neurona:
 Las dendritas son la vía de entrada de las señales que se combinan en el cuerpo
de la neurona.
 El axón es el camino de salida de la señal generada por la neurona.
 En las terminaciones de las sinápsis se encuentran unas vesículas que contienen
unas sustancias químicas llamadas neurotransmisores, que propagan señales
electroquímicas de una neurona a otra.
 La neurona es estimulada por sus entradas y cuando alcanza cierto umbral, se
dispara o activa pasando una señal hacia el axón.

10. Motivación

11. Motivación
 Una red neuronal es modelo de tratamiento de datos
compuestos por la interrelación de muchas unidades
básicas de procesamiento (neuronas).
 Las unidades de procesamiento son muy simples, pero
conectadas de a miles forman un sistema poderoso y
robusto.

12. Agenda
 Motivación
 Funcionamiento básico
 Redes con aprendizaje supervisado
 Usos

13. Motivación
 Se interconectan neuronas en tres tipos de capas:
 De entrada: reciben estímulos externos.
 Oculta: elementos internos de procesamiento (se pueden estructurar en varias
capas).
 De salida: reciben la información procesada y retornan la respuesta del sistema al
exterior.

14. Funcionamiento básico

15. Funcionamiento básico

16. Funcionamiento básico

17. Funcionamiento básico

18. Funcionamiento básico

19. Funcionamiento básico

20. Funcionamiento básico

21. Funcionamiento básico

22. Funcionamiento básico
 Consideraciones Parámetricas
 Tamaño: cantidad de neuronas para resolver un problema
 Tipo: números de capas escondidas y neuronas en cada capa
 Número de iteraciones durante el aprendizaje
 Número de cálculos por cada iteración
 Velocidad para reconocer un patrón
 Bias
 Valores de umbral
 Limites (boundaries) de pesos sinápticos
 Selección de función no linear ( f )
 Inmunidad necesaria de la red al ruido
 Valores finales de los pesos (programa final) de la red

23. Funcionamiento básico
 Las neuronas están conectadas por canales unidireccionales con
peso.
 El peso wij está asociado al canal que conecta la neurona j con la
neurona i.
 La entrada total de la neurona j es netj = Σwijyi.
 La salida de la neurona j es yj = f(netj).
 θi representa un desplazamiento o umbral de activación (sesgo o
bias).
 Se puede pensar θicomo el peso w0i que conecta una neurona
imaginaria x0 con a0(t) = 1.

24. Funcionamiento básico
Función de activación escalón
Funciones de activación identidad y lineal-mixta
Función de activación sigmoidal

25. Funcionamiento básico
 Biológicamente se acepta que la información memorizada
en el cerebro se relaciona con los valores sinápticos de
las conexiones.
 En las RNA se considera que el conocimiento se
encuentra representado en los pesos de las conexiones.
 El proceso de aprendizaje se basa en cambios en estos
pesos. Las salidas de las neuronas se convierten en
entradas de otras neuronas.

26. Funcionamiento básico
 Los cambios en el proceso de aprendizaje se reducen a
destrucción, modificación y creación de conexiones entre
las neuronas.
 La creación de una conexión implica que el peso de la
misma pasa a tener un valor distinto de cero.
 Una conexión se destruye cuando su valor pasa a ser
cero.

27. Agenda
 Motivación
 Funcionamiento básico
 Redes con aprendizaje supervisado
 Usos

28. Redes con aprendizaje supervisado

29. Redes con aprendizaje supervisado

30. Redes con aprendizaje supervisado

31. Redes con aprendizaje supervisado

32. Redes con aprendizaje supervisado

33. Redes con aprendizaje supervisado

34. Redes con aprendizaje supervisado

35. Redes con aprendizaje supervisado

36. Redes con aprendizaje supervisado

37. Redes multicapas
Redes con aprendizaje supervisado

38. Redes con aprendizaje supervisado

39. Redes con aprendizaje supervisado

40. Redes con aprendizaje supervisado

41. Redes con aprendizaje supervisado

42. Redes con aprendizaje supervisado

43. Agenda
 Motivación
 Funcionamiento básico
 Redes con aprendizaje supervisado
 Usos

44. Usos

45. Usos

46. Usos

47. Usos

48. Usos

49. Usos

50. eduardopoggi@yahoo.com.ar
eduardo-poggi
http://ar.linkedin.com/in/eduardoapoggi
https://www.facebook.com/eduardo.poggi
@eduardoapoggi

51. Biblio
 Mitchell, Cap4
 Hohn Hertz: Introduction to the theory of neural
computation
 Tutorial aprendizaje profudo -
http://deeplearning.net/tutorial/
 David E. Rumelhart, James L. McClelland y PDP
Research Group: Parallel Distributed Processing
 Vidal, Tomás: Introducción a las Redes Neuronales