0
REDES NEURONALESARTIFICALES                       Edumatica          Jannine Ramírez EDU008
Las redes de neuronas artificiales (denominadashabitualmente     como        RNA)    son     un    paradigmade aprendizaje...
Red neuronal artificial perceptrón multicapa con n neuronas deentrada, m neuronas en su capa oculta y una neurona de escape.
PROPIEDADESUna red neuronal se compone de unidades llamadas neuronas. Cada neuronarecibe una serie de entradas a través de...
DISEÑO Y PROGRAMACIÓN DE UNA RNA (RED NEURONAL ARTIFICIAL)Con un paradigma convencional de programación en ingeniería del ...
ESTRUCTURA DE UNA RNAUna RNA se compone de un conjunto masivamente paralelo de unidades de proceso muysimples y es en las ...
VENTAJASLas redes neuronales artificiales (RNA) tienen muchas ventajas debido a que están basadasen la estructura del sist...
APLICACIONESLas características de las RNA las hacen bastante apropiadas para aplicacionesen las que no se dispone a prior...
EJMPLOSQuake II Neuralbot. El Neuralbot es un bot para eljuego Quake II que utiliza una red neuronal artificialpara decidi...
Upcoming SlideShare
Loading in...5
×

Slidecats

122

Published on

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
122
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
1
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Transcript of "Slidecats"

  1. 1. REDES NEURONALESARTIFICALES Edumatica Jannine Ramírez EDU008
  2. 2. Las redes de neuronas artificiales (denominadashabitualmente como RNA) son un paradigmade aprendizaje y procesamiento automático inspirado en laforma en que funciona el sistema nervioso de los animales. Setrata de un sistema de interconexión de neuronas en una redque colabora para producir un estímulo de salida.En inteligencia artificial es frecuente referirse a ellas comoredes de neuronas o redes neuronales.
  3. 3. Red neuronal artificial perceptrón multicapa con n neuronas deentrada, m neuronas en su capa oculta y una neurona de escape.
  4. 4. PROPIEDADESUna red neuronal se compone de unidades llamadas neuronas. Cada neuronarecibe una serie de entradas a través de interconexiones y emite una salida.Esta salida viene dada por tres funciones:Una función de propagación (también conocida como función de excitación),que por lo general consiste en el sumatorio de cada entrada multiplicada por elpeso de su interconexión (valor neto). Si el peso es positivo, la conexión sedenomina excitatoria; si es negativo, se denomina inhibitoria.Una función de activación, que modifica a la anterior. Puede no existir, siendoen este caso la salida la misma función de propagación.Una función de transferencia, que se aplica al valor devuelto por la función deactivación. Se utiliza para acotar la salida de la neurona y generalmente vienedada por la interpretación que queramos darle a dichas salidas. Algunas de lasmás utilizadas son la función sigmoidea (para obtener valores en el intervalo[0,1]) y la tangente hiperbólica (para obtener valores en el intervalo [-1,1]).
  5. 5. DISEÑO Y PROGRAMACIÓN DE UNA RNA (RED NEURONAL ARTIFICIAL)Con un paradigma convencional de programación en ingeniería del software, elobjetivo del programador es modelar matemáticamente (con distintos grados deformalismo) el problema en cuestión y posteriormente formular una solución(programa) mediante un algoritmo codificado que tenga una serie de propiedadesque permitan resolver dicho problema. En contraposición, la aproximación basadaen las RNA parte de un conjunto de datos de entrada suficientemente significativoy el objetivo es conseguir que la red aprenda automáticamente las propiedadesdeseadas.En este sentido, el diseño de la red tiene menos que ver con cuestiones como losflujos de datos y la detección de condiciones, y más que ver con cuestiones talescomo la selección del modelo de red, la de las variables a incorporar y elpreprocesamiento de la información que formará el conjunto de entrenamiento.Asimismo, el proceso por el que los parámetros de la red se adecuan a la resoluciónde cada problema no se denomina genéricamente programación sino que se sueledenominar entrenamiento neuronal.
  6. 6. ESTRUCTURA DE UNA RNAUna RNA se compone de un conjunto masivamente paralelo de unidades de proceso muysimples 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 que cualquier RNAcreada hasta la actualidad, y las neuronas artificiales también son más simples que sucontrapartida animal.Biológicamente, un cerebro aprende mediante la reorganización de las conexionessinápticas entre las neuronas que lo componen. De la misma manera, las RNA tienen ungran número de procesadores virtuales interconectados que de forma simplificadasimulan la funcionalidad de las neuronas biológicas. En esta simulación, la reorganizaciónde las conexiones sinápticas biológicas se modela mediante un mecanismo de pesos, queson ajustados durante la fase de aprendizaje. En una RNA entrenada, el conjunto de lospesos determina el conocimiento de esa RNA y tiene la propiedad de resolver el problemapara el que la RNA ha sido entrenada.Por otra parte, en una RNA, además de los pesos y las conexiones, cada neurona tieneasociada una función matemática denominada función de transferencia. Dicha funcióngenera la señal de salida de la neurona a partir de las señales de entrada. La entrada de lafunción es la suma de todas las señales de entrada por el peso asociado a la conexión deentrada de la señal.
  7. 7. VENTAJASLas redes neuronales artificiales (RNA) tienen muchas ventajas debido a que están basadasen la estructura del sistema nervioso, principalmente el cerebro.*Aprendizaje: Las RNA tienen la habilidad de aprender mediante una etapa que se llamaetapa de aprendizaje. Esta consiste en proporcionar a la RNA datos como entrada a su vezque se le indica cuál es la salida (respuesta) esperada.*Auto organización: Una RNA crea su propia representación de la información en suinterior, descargando al usuario de esto.*Tolerancia a fallos: Debido a que una RNA almacena la información de forma redundante,ésta puede seguir respondiendo de manera aceptable aun si se daña parcialmente.*Flexibilidad: Una RNA puede manejar cambios no importantes en la información deentrada, como señales con ruido u otros cambios en la entrada (por ejemplo si lainformación de entrada es la imagen de un objeto, la respuesta correspondiente no sufrecambios si la imagen cambia un poco su brillo o el objeto cambia ligeramente).*Tiempo real: La estructura de una RNA es paralela, por lo cual si esto es implementado concomputadoras o en dispositivos electrónicos especiales, se pueden obtener respuestas entiempo real.
  8. 8. APLICACIONESLas características de las RNA las hacen bastante apropiadas para aplicacionesen las que no se dispone a priori de un modelo identificable que pueda serprogramado, pero se dispone de un conjunto básico de ejemplos de entrada(previamente clasificados o no). Asimismo, son altamente robustas tanto alruido como a la disfunción de elementos concretos y son fácilmenteparalelizables.Esto incluye problemas de clasificación y reconocimiento de patrones de voz,imágenes, señales, etc. Asimismo se han utilizado para encontrar patrones defraude económico, hacer predicciones en el mercado financiero, hacerpredicciones de tiempo atmosférico, etc.También se pueden utilizar cuando no existen modelos matemáticos precisos oalgoritmos con complejidad razonable, por ejemplo la red de Kohonen ha sidoaplicada con un éxito más que razonable al clásico problema del viajante (unproblema para el que no se conoce solución algorítmica de complejidadpolinómica).
  9. 9. EJMPLOSQuake II Neuralbot. El Neuralbot es un bot para eljuego Quake II que utiliza una red neuronal artificialpara decidir su comportamiento y un algoritmogenético para el aprendizaje. Es muy fácil probarlopara ver su evolución.Clasificador No Sesgado de Proteínas. Es un programaque combina diversas técnicas computacionales con elobjetivo de clasificar familias de proteínas. Un posiblemétodo consiste en utilizar métricas adaptativas comopor ejemplo: mapas autoorganizados y algoritmosgenéticos.
  1. A particular slide catching your eye?

    Clipping is a handy way to collect important slides you want to go back to later.

×