Las redes neuronales funcionan como el cerebro humano, formadas por nodos conocidos como neuronas artificiales conectadas que transmiten señales de entrada a salida. El aprendizaje automático usa algoritmos para aprender de datos sin intervención humana, clasificándose en supervisado, no supervisado y refuerzo. Un ejemplo es un seguidor de línea con una red neuronal de tres capas que controla motores de un auto miniatura basado en Arduino.
7. REDES NEURONALES
Funcionan como el cerebro
humano, formado por un
conjunto de nodos conocidos
como neuronas artificiales que
están conectadas y transmiten
señales entre sí, las cuales van
desde una entrada hasta
generar una salida.
8. FUNCIONAMIENTO
Las redes reciben una serie de
valores de entrada y cada una de
estas entradas llega a un nodo
llamado neurona.Cada una de las
neuronas de la red posee a su vez un
peso, un valor numérico, con el que
modifica la entrada recibida. Los
nuevos valores obtenidos salen de
las neuronas y continúan su camino
por la red.
9. CLASIFICACIÓN
es una generalización de la red
neuronal monocapa, dispone de un
conjunto de capas intermedias
(capas ocultas) entre la capa de
entrada y la de salida.
Es la más simple, está compuesta
por una capa de neuronas que
proyectan las entradas a una capa
de neuronas de salida donde se da
los cálculos.
Red neuronal Monocapa –
Perceptrón simple
Red neuronal Multicapa –
Perceptrón multicapa
10. CLASIFICACIÓN
no tienen una estructura de capas,
sino que permiten conexiones
arbitrarias entre las neuronas,
incluso pudiendo crear ciclos, lo
cual permite que la red tenga
memoria.
cada neurona no se une con todas y
cada una de las capas siguientes sino
que solo con un subgrupo de ellas (se
especializa), así reduce la
complejidad computacional para la
ejecución.
Red neuronal
Convolucional (CNN)
Red neuronal recurrente (RNN)
11. CLASIFICACIÓN
calculan la salida de la función en
función de la distancia a un punto
centro.No presentan mínimos locales
donde la retropropagación pueda
quedarse bloqueada, etc.
Redes de base radial (RBF)
1. Aprendizaje supervisado
● Aprendizaje por corrección de error.
A. Perceptrón
B. Delta o Mínimo error cuadrado (LMS
Error: Least Mean Squared)
C. Backpropagation o Programación hacia
atrás (LMS multicapa)
● Aprendizaje estocástico
2. Aprendizaje no supervisado o
autosupervisado
● Aprendizaje hebbiano
● Aprendizaje competitivo y comparativo
3. Aprendizaje por refuerzo
13. APRENDIZAJE AUTOMÁTICO
en una disciplina de las ciencias
informáticas, relacionada con el
desarrollo de la Inteligencia
Artificial, y que sirve, como ya se
ha dicho, para crear sistemas
que pueden aprender por sí
solos. Posee el fin de reducir la
necesidad de que intervengan
los seres humanos.
14. FUNCIONAMIENTO
los algoritmos que se usan en el
desarrollo del Machine Learning,
obtienen sus propios cálculos según
los datos que recopilan en el sistema,
y cuantos más datos, mejores y más
precisas serán las acciones
resultantes. La clave de su capacidad
se encuentra en la construcción y
adaptación de los árboles de
decisiones en base a los datos (y el
apoyo de las fórmulas heurísticas),
etc.
15. CLASIFICACIÓN
información de
entrenamiento. Se
entrena al sistema
proporcionándole
cierta cantidad de
datos definiéndose al
detalle con etiquetas.
SUPERVISADO
no se usan valores
verdaderos o
etiquetas, su finalidad
es la comprensión y
abstracción de
patrones de info., y
se le conoce como
clustering.
NO SUPERV.
los sistemas
aprenden a partir de
la experiencia, se
basa en la prueba y
error y no requiere
de gran cantidad de
información.
REFUERZO
1° UNO 2° DOS 3° TRES
17. RED NEURONAL
Robot seguidor de
lineas El robot seguidor
de lineas que se
construyó se llama
Pasqual 8 . El diagrama
de funcionamiento es
el siguiente:
19. OPCIÓN - PID
El control PID es un mecanismo
de control que a través de un lazo
de retroalimentación permite
regular la velocidad, temperatura,
presión y flujo entre otras
variables de un proceso en
general. El controlador PID calcula
la diferencia entre nuestra
variable real contra la variable
deseada.
21. RED NEURONAL
una red de tres capas con 2 neuronas de
entrada 3 ocultas y 2 de salida: giro y
dirección.
● salidas serán entre 0 y 1 (apagar o
encender motor). También
cambiaremos las entradas para que
todas comprendan valores entre -1 y
1 y sean acordes a nuestra función tg
hiperbólica.
● Siendo el valor de los motores 1 y 0.
22. CODIGO PYTHON
Una vez obtenida la red
neuronal Python, haremos
copiar y pegar de la matriz
de pesos en el código
Arduino (reemplazamos las
líneas 23 y 24):
23. ARDUINO
Arduino elegoo uno v3 de 4 motores.
● Una placa Arduino Uno y una placa de
expansión de IO
● El controlador de motor L298N
● 4 motores DC y sus ruedas
● Servo Motor SG90 Y Sensor
Ultrasónico]
● Baterías para alimentar los motores (y
la placa obviamente!)
● Chasis para el coche Y Cables
25. CODIGO ARDUINO
El código Arduino controlará el servo
motor con el sensor de distancia que se
moverá de izquierda a derecha y nos
proveerá las entradas de la red. El resto,
lo hará la red neuronal, que aprendió
(en Python) es decir, sólo hará
multiplicaciones y sumas de los pesos
para obtener salidas.
etc…..