El documento habla sobre redes neuronales artificiales, explicando conceptos como neuronas biológicas y artificiales, cómo funcionan las neuronas artificiales mediante sumas ponderadas y funciones de activación, y los tipos de topologías de redes neuronales. También describe las ventajas de las redes neuronales como el aprendizaje adaptativo y la tolerancia a fallos. Finalmente, menciona algunos campos de aplicación como finanzas, marketing, procesamiento de imágenes y reconocimiento de patrones. Como caso práctico, analiza el uso de redes neuronales

1. Redes Neuronales Aplicaciones Empresariales Avanzadas Luis Sánchez Castellanos David Mesas Teruel

2. ¿Qué es una neurona biológica? La neurona biológica: Pequeñas unidades de procesamiento Composición: Canales de entrada: dendritas Núcleo Canal de salida: axón Conexión: Sinapsis

3. Analogías entre biológicas y artificiales Neuronas biológicas Neuronas artificiales Neuronas Unidades de procesamiento Conexiones sinápticas Conexiones ponderadas Efectividad de las sinápsis Peso de las conexiones Efecto excitatorio o inhibido de una conexión Signo del peso de una conexión Efecto combinado de las sinápsis Función de propagación o de red Activación -> tasa de disparo Función de activación -> Salida

4. Analogías entre biológicas y artificiales

5. ¿Cómo trabaja una neurona artifical? El primer modelo fué el de McCulloch-Pitts: El resultado del cálculo en una neurona consiste en realizar una suma ponderada de las entradas, seguida de la aplicación de una función no-lineal. Esto se expresa matemáticamente como o = s(red) Donde: es la suma ponderada. x i : es el valor de la i-ésima entrada (input). W i : es el peso (weights) de la conexión entre la i-ésima entrada y la neurona.  : es el valor umbral (threshold) o: es la salida (output) de la neurona. s: es la función no-lineal conocida como función de activación.

6. ¿Qué es una red neuronal? Una red neuronal es un sistema compuesto de muchos elementos simples de proceso operando en paralelo cuya función está determinada por la estructura de la red , los pesos de las conexiones , y el procesado realizado en los elementos o nodos de cálculo .

7. La estructura de red La estructura de red depende de cómo se vaya a enfocar el problema a resolver, es el conjunto de una serie de neuronas que interconectan sus axones con las dentritas de las siguientes, un ejemplo lo podemos ver en la imagen.

8. Topología Hay tres tipos: Dos tipos de redes de propagación hacia delante o acíclicas . Monocapa . Ejemplos: perceptrón, Adaline. Multicapa . Ejemplos: perceptrón multicapa. Las redes recurrentes que presentan al menos un ciclo cerrado de activación neuronal. Ejemplos: Elman, Hopfield, máquina de Bolzman.

9. Topología

10. Ventajas que aportan las RN Aprendizaje Adaptativo : capacidad de aprender a realizar tareas basadas en un entrenamiento o en una experiencia inicial. Auto-organización : una red neuronal puede crear su propia organización o representación de la información que recibe mediante una etapa de aprendizaje. Tolerancia a fallos : la destrucción parcial de una red conduce a una degradación de su estructura; sin embargo, algunas capacidades de la red se pueden retener, incluso sufriendo un gran daño.

11. Ventajas que aportan las RN Operación en tiempo real : los cómputos neuronales pueden ser realizados en paralelo; para esto se diseñan y fabrican máquinas con hardware especial para obtener esta capacidad. Fácil inserción dentro de la tecnología existente : se pueden obtener chips especializados para redes neuronales que mejoran su capacidad en ciertas tareas. Ello facilitará la integración modular en los sistemas existentes.

12. Muy bien... pero ¿para qué sirven? Los campos de aplicación son habitualmente todos aquellos en los que se utilizan o pueden utilizarse modelos estadísticos y/o lineales.

13. Finanzas Negocios Predicción de índices Derección de fraudes Riesgo crediticio, clasificación Predicción de la rentabilidad de acciones Marketing Venta cruzada Campanas de venta Tratamiento de textos y proceso de formas Alimentación Reconocimiento de caracteres impresos mecánicamente Reconocimiento de gráficos Reconocimiento de caracteres escritos a mano Reconocimiento de escritura manual cursiva Análisis de olor y aroma Perfilamiento de clientes en función de la compra Desarrollo de productos Control de Calidad Industria manufacturera Energía Control de procesos Control de calidad Control de robots Predicción consumo eléctrico Distribución recursos hidráulicos para la producción eléctrica Predicción consumo de gas ciudad Medicina y salud Ciencia e ingeniería Control de procesos Control de calidad Control de robots Análisis de datos y clasificación Ingeniería Química Ingeniería Eléctrica Climatología Transportes y comunicaciones Optimización de rutas. Optimización en la distribución de recursos

14. Un caso práctico: Nuestra práctica (Valga la rebuznancia) Relacionada con el mundo del poker, la máquina tenía que “adivinar” qué mano teníamos. Los datos que disponíamos eran (por cada caso): 5 cartas con un número y un palo cada una. El tipo de mano que teníamos. Es decir, un problema de CLASIFICACIÓN

15. Un caso práctico: Nuestra práctica (Valga la rebuznancia) Habían 2.598.960 posibles manos distintas. Entrenamiento 25.010 manos (un 0,96%) Testeo 1.000.000 manos (un 38,48%) Tres métodos de clasificación distintos: Árboles de decisión ID3 Naive Bayes Redes Neuronales Multicapa

16. Un caso práctico: Nuestra práctica (Valga la rebuznancia) Los resultados fueron: Árboles ID3 : Instancias correctamente clasificadas: 40.7% Tiempo: 1 segundo Naive Bayes : Instancias correctamente clasificadas: 49.4% Tiempo: 1 segundo Redes Neuronales Multicapa : Instancias correctamente clasificadas: 94.3% Tiempo: 30 minutos

17. Conclusiones Casos como el anterior nos demuestran que, para un pequeño conjunto de casos de entrenamiento, se pueden obtener muy buenos resultados.