1. El documento describe las redes neuronales artificiales, incluyendo su estructura, funcionamiento, ventajas y aplicaciones. 2. Se componen de unidades llamadas neuronas que se interconectan en una red para producir un estímulo de salida de forma similar al sistema nervioso biológico. 3. Pueden aprender de los datos y generalizar para resolver problemas complejos de forma flexible y tolerante a fallos.
Introducción a las Redes Neuronales ArtificialesBiblioteca EPM
Las Redes Neuronales aparecieron de la mano de la Inteligencia
Artificial en sus inicios como:
• Sistemas formales de reglas y manipulación simbólica.
• Rama más conocida de la Inteligencia Artificial.
Las Redes Neuronales aparecieron en la Inteligencia
Computacional (Softcomputing) como:
• Sistemas Inspirados en las redes neuronales
biológicas.
• Métodos Inductivos: aprendizaje a partir de ejemplos.
Ambas tratan de resolver problemas no algorítmicos a partir de la
experiencia almacenada como conocimiento.
: La neurona es la unidad fundamental del sistema nervioso y en particular del cerebro. Cada neurona es una simple unidad procesadora que recibe y combina señales desde y hacia otras neuronas. Si la combinación de entradas es suficientemente fuerte la salida de la neurona se activa.
En mi opinion es un gran avance que se quiera encontrar una imitacion del funcionamiento del cerebro ya que esto podria servir mucho para formar nuevos robot que sean mas parecidos a nosotros para asi tener una ayuda para el mundo en especal en los lugares de trabajo
Introducción a las Redes Neuronales ArtificialesBiblioteca EPM
Las Redes Neuronales aparecieron de la mano de la Inteligencia
Artificial en sus inicios como:
• Sistemas formales de reglas y manipulación simbólica.
• Rama más conocida de la Inteligencia Artificial.
Las Redes Neuronales aparecieron en la Inteligencia
Computacional (Softcomputing) como:
• Sistemas Inspirados en las redes neuronales
biológicas.
• Métodos Inductivos: aprendizaje a partir de ejemplos.
Ambas tratan de resolver problemas no algorítmicos a partir de la
experiencia almacenada como conocimiento.
: La neurona es la unidad fundamental del sistema nervioso y en particular del cerebro. Cada neurona es una simple unidad procesadora que recibe y combina señales desde y hacia otras neuronas. Si la combinación de entradas es suficientemente fuerte la salida de la neurona se activa.
En mi opinion es un gran avance que se quiera encontrar una imitacion del funcionamiento del cerebro ya que esto podria servir mucho para formar nuevos robot que sean mas parecidos a nosotros para asi tener una ayuda para el mundo en especal en los lugares de trabajo
La evolución de la disciplina de gestión de riesgos, está permitiendo que las organizaciones fortalezcan tanto la cultura que tienen sobre esta materia, como la aplicación de diversas técnicas y metodologías para mitigar los riesgos. La técnica de las redes neuronales ha demostrado tener una gran versatilidad y aplicación en la solución de problemas complejos de diversa índole, tanto en el sector público como privado.
Desde la primera implementación del Módulo de Gestión de Riesgos (MGR) hace diez años, se ha mantenido siempre un compromiso por dotar a las organizaciones de una herramienta informática que apoye el logro de sus objetivos estratégicos. En ese sentido, el uso de las redes neuronales como una técnica complementaria para la detección de los riesgos, permitirá a las organizaciones fortalecer su capacidad de análisis y evaluación de las incertidumbres relativas al fraude, la falsedad u otros ilícitos y, consecuentemente, mejorar la detección de los hallazgos negativos y reducir los costos asociados.
2. 3)Estruc
tura y
element
os 4)Ventaj
as y
caracterí
sticas
5)Forma
s de
aprendiz
aje
6)Model
os de
redes
7)Aplica
ciones y
ejemplos
1)Redes
Neurona
les
2)Funcio
na
miento
y
diseño
Primera
Ultima
3. • Las redes de neuronas artificiales son un paradigma de
aprendizaje y procesamiento automático inspirado en
la forma en que funciona el sistema nervioso de los
animales y seres vivos en general. Se trata de un
sistema de interconexión de neuronas en una red que
colabora para producir un estímulo de salida.
• Con las Redes Neuronales se busca la solución de
problemas complejos, no como una secuencia de
pasos, sino como la evolución de unos sistemas de
computación inspirados en el cerebro humano, y
dotados por tanto de cierta "inteligencia“.
4. • Las redes neuronales consisten en una
simulación de las propiedades observadas en
los sistemas neuronales biológicos a través
de modelos matemáticos recreados mediante
mecanismos artificiales (como un circuito
integrado, un ordenador o un conjunto de
válvulas). El objetivo es conseguir que las
máquinas den respuestas similares a las que
es capaz de dar el cerebro que se
caracterizan por su generalización y su
robustez.
• Una red neuronal se compone de unidades
llamadas neuronas. Cada neurona recibe unaSig.
5. Comúnmente, el objetivo del programador es modelar
matemáticamente el problema en cuestión y
posteriormente formular una solución (programa) mediante
un algoritmo codificado que tenga una serie de propiedades
que permitan resolver dicho problema. En contraposición, la
aproximación basada en las RNA parte de un conjunto de
datos de entrada suficientemente significativo y el objetivo
es conseguir que la red aprenda automáticamente las
propiedades deseadas. Este proceso no se denomina
programación sino que se suele denominar entrenamiento
neuronal.
6. • La mayoría de los científicos coinciden
en que una RNA es muy diferente en
términos de estructura de un cerebro
animal. Al igual que el cerebro, una RNA
se compone de un conjunto
masivamente paralelo de unidades de
proceso muy simples y es en las
conexiones entre estas unidades donde
reside la inteligencia de la red. Sin
embargo, en términos de escala, un
cerebro es muchísimo mayor queSig.
7. 1. Capa o nivel : conjunto de neuronas cuyas
entradas provienen de la misma fuente y
cuyas salidas se dirigen al mismo destino.
2. Unidad de proceso: La neurona Artificial.
3. Estado de Activación.
4. Función de Salida o de Transferencia.
Asociada con cada unidad hay una función de
salida, que transforma el estado actual de
activación en una señal de salida.
8. • Aprendizaje: Las RNA tienen la habilidad de aprender
mediante una etapa que se llama etapa de aprendizaje. Esta
consiste en proporcionar a la RNA datos como entrada a su
vez que se le indica cuál es la salida (respuesta) esperada.
• Auto organización: Una RNA crea su propia representación
de la información en su interior, descargando al usuario de
esto.
• Tolerancia a fallos: Comparados con los sistemas
computacionales tradicionales, los cuales pierden su
funcionalidad cuando sufren un pequeño error de
memoria, en las redes neuronales, si se produce un fallo en
un número no muy grande de neuronas y aunque el
comportamiento del sistema se ve influenciado, no sufre una
caída repentina. Sig.
9. • Las redes pueden aprender a reconocer
patrones con ruido, distorsionados o
incompletos. Esta es una tolerancia a fallos
respecto a los datos.
• Las redes pueden seguir realizando su
función (con cierta degradación) aunque se
destruya parte de la red.
Sig.
10. Otras ventajas:
• Flexibilidad: Una RNA puede manejar cambios
no importantes en la información de
entrada, como señales con ruido u otros
cambios en la entrada.
• Tiempo real: La estructura de una RNA es
paralela, por lo cual si esto es implementado
con computadoras o en dispositivos
electrónicos especiales, se pueden obtener
respuestas en tiempo real.
Sig.
11. • No son algorítmicas: Esto es que no se programan haciéndoles
seguir una secuencia predefinida de instrucciones, ellas hacen
sus propias "reglas", para asociar la respuesta a su entrada; es
decir, aprende por ejemplos y de sus propios errores.
• Asociar y generalizar sin reglas como en el cerebro humano.
• Requieren de algún tipo de patrón: Son buenas para problemas
que son muy difíciles de calcular pero que no requieren de
respuestas perfectas, sólo respuestas rápidas y buenas. Así
como: ¿compro?, ¿vendo?, se parece? Las redes neuronales son
muy malas para cálculos precisos, procesamiento serie, y no son
capaces de reconocer nada que no tenga inherentemente algún
tipo de patrón.
12. Aprendizaje
Supervisado
El proceso de aprendizaje se
realiza mediante un
entrenamiento controlado por
un agente externo (supervisor o
maestro) que determina la
respuesta que debería generar
la red a partir de una entrada
determinada. El supervisor
comprueba la salida de la red y
en caso de que ésta no coincida
con la deseada, se procederá a
modificar los pesos de las
conexiones.
Aprendizaje no
Supervisado
Las redes con dicho aprendizaje
no requieren de influencia
externa para ajustar los pesos
de las conexiones entre sus
neuronas. La red no recibe
ninguna información por parte
del entorno que le indique si la
salida generada en respuesta de
una entrada es o no correcta.
Suele decirse que estas redes
son capaces de auto
organizarse.
13. 1. Red ADALINE: (Adaptative Linear Element), fueron
desarrolladas por Bernie Widrow en la Universidad de
Stamford.
La principal aplicación de las redes ADALINE está en el
campo del procesamiento de señales, en concreto, para
el diseño y realización de filtros que eliminen el ruido en
señales portadoras de información.
También se han utilizado para la eliminación del ruido
materno de las grabaciones electro cardiográficas (ECG)
del latido del corazón del feto humano.
Sig.
14. 2. La Red Backpropagation(Propagación hacia atrás)
Desarrollada en 1986 por Rumelhart, Hinton y
Williams.
Actualmente, este tipo de redes se están aplicando en
distintas clases de problema debido a la naturaleza
general del proceso de aprendizaje. Algunos de los
campos generales de aplicación son:
Codificación de Información.
Traducción de texto a lenguaje hablado.
Reconocimiento de lenguaje hablado.
Reconocimiento óptico de caracteres (OCR).
Software de Redes Neuronales
15. Empresa:
• Reconocimiento de caracteres
escritos.
• Identificación de candidatos
para posiciones específicas.
• Optimización de plazas y
horarios en líneas de vuelo.
• Explotación de bases de datos.
• Síntesis de voz desde texto.
• Análisis y reconocimiento de
imágenes, formas.
Biología:
• Aprender más acerca del
cerebro y otros sistemas.
• Obtención de modelos de
la retina.
• Analizar tendencias y
patrones.
• Previsión del tiempo.
Medio ambiente:
Sig.
16. Manufacturación:
• Robots automatizados y
sistemas de control (visión
artificial y sensores de
presión, temperatura, gas,
etc.)
• Control de producción en
líneas de proceso.
• Inspección de calidad.
• Filtrado de señales.
Finanzas:
• Previsión de la evolución
de los precios.
• Valoración del riesgo de los
créditos.
• Identificación de
falsificaciones.
• Interpretación de firmas.
Sig.
17. Medicina:
• Analizadores del habla para la
ayuda de audición de sordos
profundos.
• Diagnóstico y tratamiento a
partir de síntomas y/o de
datos analíticos
(encefalograma, etc.).
• Monitorización en cirugía.
• Predicción de reacciones
adversas a los medicamentos.
• Lectoras de Rayos X.
• Entendimiento de causa de
ataques epilépticos.
Militares:
• Clasificación de las señales
de radar.
• Creación de armas
inteligentes.
• Optimización del uso de
recursos escasos.
Sig.
18. 1. Neuro Dieta (NeuroDiet) 3.4:
NeuroDiet es una aplicación de redes neuronales que
enseña cómo están relacionados los alimentos que
come con su salud y forma física. Todas las funciones
de red neuronal se gestionan automáticamente. Usted
no necesita saber nada de redes neuronales. Todo lo
que tiene que hacer es decirle a NeuroDiet cómo están
cambiando sus síntomas y que alimentos come. Cada
día, NeuroDiet le presentará una lista de alimentos que
le pueden estar causando problemas a su salud y su
forma física.
Sig.
19. 2. PANDORA Music Decomposition
Series (Realtime):
• Está diseñada para extraer, de una señal de audio
completa, los componentes musicales más básicos.
Normalmente el filtrado de los componentes de la
música, como la voz en una canción, se realizaba
con ecualizadores paramétricos, identificando la
frecuencia principal del cantante y
atenuándola, sin embargo, esto elimina otros
elementos de la música que se localicen cerca de
los mismos valores de frecuencia. También se
puede utilizar para ciencias forenses, al extraer
componentes básicos de una grabación en casos
importantes.