Este documento describe brevemente la historia y clasificación de las redes neuronales artificiales, sus ventajas como la capacidad de aprendizaje y autoorganización, y algunas de sus aplicaciones comunes como el reconocimiento de patrones y predicciones. También anticipa que en el futuro las redes neuronales podrían utilizarse para controlar dispositivos mediante señales cerebrales u oculares.

1. Redes neuronales Diego Salazar 4 C

2. INDICE Las Redes Neuronales: Historia de las Redes Neuronales CLASIFICACIÓN Red neuronal artificial Ventajas Funciones Aplicaciones El Futuro

3. son más que otra forma de emular características humanas como la capacidad de memorizar y de asociar hechos no son más que un modelo artificial del cerebro humano es un nuevo sistema para el tratamiento de información unidad básica de procesamiento está inspirada la neurona.

4. Las Redes Neuronales: Unidades de procesamiento que intercambian datos o información. Se utilizan para reconocer patrones, Tienen capacidad de aprender y mejorar su funcionamiento. Inspirada en modelos biológicos Son redes interconectadas masivamente en paralelo Intentan interactuar con los objetos del mundo real

5. Historia de las Redes Neuronales 1936 - Alan Turing. Fue el primero en estudiar el cerebro como una forma de ver el mundo de la computación Warren McCulloch, y Walter Pitts: Ellos modelaron una red neuronal simple mediante circuitos eléctricos. 1950 - Karl Lashley. encontró que la información era distribuida encima de él cerebro 1956 - Congreso de Dartmouth. Este Congreso se menciona para indicar el nacimiento de la inteligencia artificial. 1957 - Frank Rosenblatt. Comenzó el desarrollo del Perceptrón. la red neuronal más antigua

6. 1960 - Bernard Widrow. Desarrollaron el modelo Adaline Esta fue la primera red neuronal aplicada a un problema real 1961 - Karl Steinbeck: Red neuronal para simples realizaciones técnicas 1974 - Paul Werbos. Desarrolló la idea básica del algoritmo de aprendizaje 1977 - Stephen Grossberg. Teoría de Resonancia Adaptada (TRA). 1980 - Kunihiko Fukushima. Desarrolló un modelo neuronal para el reconocimiento de patrones visuales. Actualmente, son numerosos los trabajos que se realizan y se publican las empresas que lanzan al mercado productos nuevos

7. CLASIFICACIÓN Atendiendo a su similitud con la realidad biológica: Tipo biológico. tratan de simular los sistemas neuronales biológicos funciones auditivas o básicas de la visión. Dirigido a aplicación. está ligada a las necesidades de las aplicaciones para la que es diseñada.

8. Red neuronal artificial Se trata de un sistema de interconexión de neuronas en una red

10. Ventajas características semejantes a las del cerebro de abstraer características esenciales Aprendizaje Adaptativo Auto-organización Tolerancia a fallos Operación en tiempo real Fácil inserción dentro de la tecnología existente

11. Aprendizaje adaptativo Aprenden a llevar a cabo ciertas tareas mediante un entrenamiento. Diferencia patrones mediante ejemplos y entrenamientos Son adaptables por la capacidad de autoajuste Son capaces de adaptarse a las nuevas condiciones. La función del diseñador es únicamente la obtención de la arquitectura apropiada No es problema del diseñador el cómo la red aprenderá a discriminar

12. Auto-organización Emplean su capacidad de aprendizaje adaptativo para auto organizar la información La autoorganización es la modificación de la red completa para un objetivo específico. reconocen ciertas clases de patrones, ellas auto organizan la información usada. Facultad de responder apropiadamente en situaciones a las que no había sido expuesta anteriormente El sistema puede generalizar la entrada para obtener una respuesta Soluciona problemas en los cuales la información de entrada no es muy clara

13. Tolerancia a fallos fueron los primeros métodos computacionales con la capacidad inherente de tolerancia a fallos. si se produce un fallo de neuronas no sufre una caída repentina. Hay dos aspectos distintos respecto a la tolerancia a fallos: a) pueden aprender a reconocer patrones con ruido distorsionado o incompleto b) pueden seguir realizando su función aunque se destruya parte de la red. tienen su información distribuida en las conexiones entre neuronas existiendo cierto grado de redundancia en este tipo de almacenamiento las redes neuronales almacenan información no localizada

14. Operación en tiempo real Una de las mayores prioridades necesidad de realizar procesos de forma muy rápida se adaptan bien a esto debido a su implementación paralela la necesidad de cambio en los pesos de las conexiones o entrenamiento es mínimo.

15. Fácil inserción dentro de la tecnología existente Una red individual puede ser entrenada para desarrollar una única y bien definida tarea Con las herramientas computacionales existentes una red puede ser rápidamente entrenada, comprobada, verificada y trasladada no se presentan dificultades para la inserción en aplicaciones específicas, se pueden utilizar para mejorar sistemas en forma incremental cada paso puede ser evaluado antes de un desarrollo más amplio.

16. funciones funciones de transferencia típicas que determinan distintos tipos de neuronas: Función escalón Función lineal y mixta Sigmoidal Función gaussiana

17. Neurona de función escalón La función escalón se asocia a neuronas binarias La suma de las entradas: Si mayor o igual que el umbral de la neurona la activación es 1 si es menor, la activación es 0 (ó –1) son fáciles de implementar en hardware, sus capacidades están limitadas.

18. Función lineal y mixta si la suma de las señales de entrada es menor que un límite inferior, la activación se define como 0 (ó –1) es mayor o igual que el límite superior, entonces la activación es 1 Si está comprendida entre ambos límites, la activación se define como una función lineal

19. Sigmoidal definida simplemente de posibles valores de entrada con un incremento que tengan ambos limites superiores e inferiores cuando la pendiente es elevada, tiende a la función escalón La importancia de ésta función es que su derivada es siempre positiva y cercana además toma su valor máximo cuando x es cero. Esto hace que se puedan utilizar las reglas de aprendizaje definidas

20. Función gaussiana Los centros y anchura pueden ser adaptados hace más adaptativas las funciones sigmoidales.

21. Aplicaciones los primeros en beneficiarse son los minusválidos con deficiencias o carencias motrices una niña con una grave lesión espinal probó que podía mover el cursor de la de computadora a partir de impulsos por sus ojos. permite que un cirujano cambie moviendo los ojos, el campo visual de una cámara de fibra óptica, se han utilizado para encontrar patrones de fraude económico hacer predicciones de tiempo atmosférico, etc redes neuronales artificiales se ha aplicado en conjunción con los algoritmos genéticos (AG) para crear controladores para robots

22. El Futuro Manejar una silla de ruedas con señales que provenga de un músculo, del ojo o de ondas cerebrales. se encuentre un sistemas que sean capaces de traducir muchos y diferentes tipos de señales quizá se logren versiones comerciales para manejar entornos informáticos, través de los ordenadores controlar, medios de transporte, electrodomésticos, equipos médicos y militares, etc