2. ¿Qué son las Redes Neurales
Artificiales?
Es una simulación abstracta de una
sistema nervioso real que contiene
neuronas que se comunican unas con
otras utilizando conexiones de neuroeje.
El primer modelo fundamental se propuso
en 1943 por McCulloch y Pitts que era un
dispositivo binario.
3. El Modelo Neural
El Modelo Neural se puede subdividir en
dos categorías:
1. El tipo Biológico, que trata de igualar lo
mas posible el funcionamiento de un
sistema nervioso de un celebro, utilizando
instrumentos de audio y visión.
2. Conducto de Aplicaciones, que depende
menos de Neurología, pero depende mas
del modelo de programación.
4. El Modelo Biológico
• Se estima que el celebro humano contiene
alrededor de 100 billones de neuronas y
100,000 billones sinapsis (uniones mediante las
cuales la células envían mensajes unas con
otras).
• Aunque se sabe que el tiempo de enviar
mensajes entres las células cerebrales en un
millón de veces más lento que en un
computadora, su interconexión entre la
neuronas es 1000 veces más poderosa que las
supercomputadoras de hoy día.
6. Aplicaciones de las Redes
Neurales
• Organización Propia y Adaptación : tiene
capacidades de aprendizaje propias. Esto
tiene colación con las reglas de
aprendizaje supervisadas con la ayuda de
un “Maestro”; y con las reglas de
aprendizaje no supervisadas, en donde las
Redes Neurales aprenden por su cuenta
sin la ayuda de un “Maestro”.
7. Aplicaciones de las Redes Neurales: Aprendizaje
Con “Maestros” y Sin “Maestros”.
8. Aplicaciones de las Redes
Neurales (Cont.)
• Procesamiento No Lineal de Redes:
Mejora la aproximación de redes, de su
clasificación y mejora su capacidad en
escuchar los sonidos que no se pueden
escuchar generalmente.
• Procesamiento en Paralelo:
Envuelve una gran cantidad de células
procesadoras interconectando las
neuronas extensivamente.
9. Aplicaciones de las Redes
Neurales (Cont.)
Según las reglas anteriores acerca de la
Organización Propia y Adaptación,
Procesamiento No Lineal de Redes y
Procesamiento en Paralelo, se puede
hablar de las siguientes áreas en donde
se usa con gran importancia las Redes
Neurales, por ejemplo:
10. Aplicaciones de las Redes
Neurales (Cont.)
• Clasificación, incluyendo reconocimiento
de patrones y secuencias.
• Procesamiento de Datos, por ejemplo: en
una base de datos para encontrar la
información pertinente.
• Aproximación de funciones que ayudan a
predecir algún evento.
11. Aplicaciones de las Redes
Neurales (Cont.)
• Entre las aplicaciones más específicas están
las siguientes:
1. Identificación y Control (Como un vehículo)
2. Algunos Juegos que se necesite de la toma de
decisiones o patrones.
3. Reconocimiento de vos, gestos y escrituras.
4. Diagnósticos Médicos.
5. Análisis Financiero.
6. Exc.
12. Aproximación y Optimización de
las Redes Neurales
• Las fórmulas de aproximación pueden
verse como una regresión para los datos a
ser enseñados en algoritmo.
• Los valores de entrada y de enseñanza
tienen como variable “X” y “T”
respectivamente.
• El objetivo de enseñar a una red es
encontrar los pesos “W” óptimos entre “T”
y el resultado esperado.
13. Aproximación y Optimización de
las Redes Neurales
La siguiente es una función para el encontrar el error
mínimo, de dependiendo de sus entradas y sus pesos.
Esta otra es una función que utiliza una ecuación diferencial
parcial para encontrar el peso óptimo dependiendo de la
energía “E” y la descendencia del gradiente
16. Aprendizaje de Máquinas
• Es una disciplina dedicada a la creación de
algoritmos que le permita a la computadora
cambiar su comportamiento basados en datos
almacenado o bases de datos.
• Esta disciplina está relacionada con las
matemáticas, como por ejemplo: estadísticas y
probabilidades. También reconocimiento de
patrones, inteligencia artificial y sobretodo
ciencias de computación.
17. Aprendizaje de Máquinas y la
Estadística
• Una aplicación del aprendizaje de Máquinas se
da mucho en la estadística tal. Cada científico
sueña con poder predecir con exactitud que lo
que podría ocurrir en el futuro, al igual que en
cualquier disciplina, anticipar lo que va a
suceder es dinero.
• Así que el aprendizaje de máquinas es otro
método que buscan los científicos para predecir
el futuro utilizando algoritmos muy potentes y
muy complicados a la hora de programar.
18. Aprendizaje de Máquinas y la
Estadística (cont.)
• Un ejemplo sencillo del aprendizaje de
máquinas es por ejemplo: como cuando se tiene
una gráfica con data almacenada. Esta se le da
a una computadora y empieza a tomar
decisiones dependiendo de los datos
guardados. La siguiente figura ilustra el
concepto:
19. Aprendizaje de Máquinas y
Programación Cuadrática
• La Programación cuadrática se utiliza como
aprendizaje supervisado en las maquinas que
toman sus decisiones.
• Reduce considerablemente el número de
instrucciones que puede un ser humano dar a
una máquina; como un avión o reactor nuclear.
• La idea es optimizar las funciones de costos
encontrando el peso óptimo para que funcione
eficientemente.
20. Aprendizaje de Máquinas y el
Aprendizaje Q.
• Es una técnica de aprendizaje no supervisada
que funciona mediante una función de
aprendizaje activa dejándose llevar de una
acción dada.
• Una de las mejores fortalezas del aprendizaje Q
es su manera de tomar decisiones sin tener un
modelo por el cual dejarse llevar.
• En cuanto el aprendizaje Q conlleve más
complejidad su función, pierde viabilidad, es por
eso que se utilizan las Redes Neurales, para
controlar su funcionamiento.
21. La Investigación de Operaciones y las
Ciencias de Computadoras
• La utilización de computadoras para agilizar la
solución de un problema de operaciones data
desde las creaciones de computadoras en la
Segunda Guerra Mundial
• Su uso era específicamente para el Ejército
Americano, para poder lidiar con problemas que
no podían ser resuelto por los matemáticos de
aquel entonces, como decodificación de códigos
y cálculos que la computadora podía realizar
mucho más preciso que los humanos.
22. La Investigación de Operaciones y las
Ciencias de Computadoras (Cont.)
• Las computadoras han cambiado
drásticamente desde que se inventaron.
• La creación de nueva tecnología, el
mejoramiento de la rapidez en los
Microprocesadores y la capacidad ó
posibilidad de crear nueva tecnología y
software, hace que se pueda implementar
mejor el potencial mucho mejor para el
campo de Investigación de Operaciones.
23. La Investigación de Operaciones y las Ciencias de
Computadoras con Aplicaciones
• La aplicación principal de las
computadoras en la investigación de
operaciones es utilizada para la Milicia;
descifrando códigos, observando con
satélites al enemigo, simulando
situaciones de combate, en la ingeniería,
base de datos, resolver problemas de
optimización, etc.
24. La Investigación de Operaciones y las Ciencias de
Computadoras con Aplicaciones
• Otras aplicaciones incluyen:
1. Redes Neurales Artificiales
2. Programación Lineal
3. Optimización
4. Simulaciones
5. Estadísticas
6. Teoría de Grafos
7. Probabilidades
8. Teoría de Juegos
9. Análisis de Decisiones
10. Modelos Matemáticos
11. Etc.
25. Utilización de Software en las
Redes Neurales
• Se utiliza software para tener una visión
más clara acerca de las Redes Neurales a
través de la visualización.
26. Utilización de Software en las
Redes Neurales (Cont.)
• El uso de lenguaje de programación como C++
y Java pueden crear efectivamente
instrucciones para software que utilice las
Redes Neurales Artificiales.
• Se pueden crear aplicaciones utilizando las
Redes Neurales Artificiales como modelo,
utilizando todo su potencial, mayormente
gracias a la librería adjunta con que cuentan
estos lenguajes de programación.
• Debido a esto, es posible notar un sin número
de aplicaciones que dependen de su inteligencia
artificial.
27. Opiniones Personales
• Estas aplicaciones con inteligencia artificial están al
alcance de todos, mayormente en los juegos.
• Se puede tomar un software que utilice esta tecnología
como en el ajedrez, backgammon y algunos juegos de
video.
• Los seres humanos piensan diferentes a las
computadoras, pueden hacer cálculos más rápidos y
tomar decisiones diferentes a nosotros.
• Así, que una buena forma de entender esta tecnología
es tratar de investigar su manera de tomar decisiones y
saber como piensan; ya sea utilizando ó no utilizando
tecnología contra ellos. Si es que queremos seguir ser
la especie dominante.