Your SlideShare is downloading. ×
0
 Confiac
 Confiac
 Confiac
 Confiac
 Confiac
 Confiac
 Confiac
 Confiac
 Confiac
 Confiac
 Confiac
 Confiac
 Confiac
 Confiac
 Confiac
 Confiac
 Confiac
 Confiac
 Confiac
 Confiac
 Confiac
 Confiac
 Confiac
 Confiac
 Confiac
 Confiac
 Confiac
 Confiac
 Confiac
 Confiac
 Confiac
 Confiac
 Confiac
 Confiac
 Confiac
 Confiac
 Confiac
 Confiac
 Confiac
 Confiac
 Confiac
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

Confiac

67

Published on

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

  • Be the first to like this

No Downloads
Views
Total Views
67
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
2
Comments
0
Likes
0
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. 11Patricio García BáezPatricio García Báez Introducción a las Redes Neuronales y su aplicación a la Investigación Astrofísica Patricio García BáezPatricio García Báez pgarcia@ull.espgarcia@ull.es
  • 2. 22Patricio García BáezPatricio García Báez Sumario x IntroducciónIntroducción x Inspiración biológicaInspiración biológica x Modelado NeuronalModelado Neuronal x ImplementacionesImplementaciones x AplicacionesAplicaciones x Grupo de trabajoGrupo de trabajo x Futuro de las RNAsFuturo de las RNAs
  • 3. 33Patricio García BáezPatricio García Báez Redes Neuronales en la IA Ramas de la Inteligencia Artificial en sus inicios:Ramas de la Inteligencia Artificial en sus inicios: x Simbólica-deductiva:Simbólica-deductiva: – Sistemas formales de reglas y manipulaciónSistemas formales de reglas y manipulación simbólicasimbólica – Rama más conocida de la IARama más conocida de la IA x Conexionista:Conexionista: – Inspirada en las redes neuronales biológicasInspirada en las redes neuronales biológicas – Métodos Inductivos: a partir de ejemplosMétodos Inductivos: a partir de ejemplos Ambas tratan de resolver problemas no algoritmicos a partirAmbas tratan de resolver problemas no algoritmicos a partir de la experiencia almacenada como conocimientode la experiencia almacenada como conocimiento
  • 4. 44Patricio García BáezPatricio García Báez RNA como Modelo de Computación Conexionista vs. Von NeumannConexionista vs. Von Neumann • Masivamente paraleloMasivamente paralelo • Datos y programaDatos y programa indiferenciable en lasindiferenciable en las conexionesconexiones • Solución inducida porSolución inducida por aprendizajeaprendizaje • Impredicibilidad deImpredicibilidad de resultadosresultados • Gran tolerancia a fallosGran tolerancia a fallos • Arquitectura secuencialArquitectura secuencial • Separa claramente datosSepara claramente datos del programa en ladel programa en la memoriamemoria • Solución como algoritmoSolución como algoritmo o programa introducidoo programa introducido • Resultados totalmenteResultados totalmente predeciblespredecibles • No tolera erroresNo tolera errores
  • 5. 55Patricio García BáezPatricio García Báez Áreas de Trabajo Arquitectura y Teoría de RN Implementaciones Aplicaciones Informática Matemáticas Física Neurofisiología Sicología Procesamiento de SeñalesProcesamiento de Señales Análisis de DatosAnálisis de Datos Reconocimiento de PatronesReconocimiento de Patrones ControlControl Inteligencia ArtificialInteligencia Artificial Desarrollo de aplicacionesDesarrollo de aplicaciones basadas en técnicasbasadas en técnicas conexionistasconexionistas Construcción de modelosConstrucción de modelos neuronalesneuronales Proponer y validar modelos deProponer y validar modelos de funcionamiento de arquitecturasfuncionamiento de arquitecturas neuronalesneuronales
  • 6. 66Patricio García BáezPatricio García Báez Inspiración biológica ““Entender el cerebro y emular su potencia”Entender el cerebro y emular su potencia” x Cerebro:Cerebro: – Gran velocidad de procesoGran velocidad de proceso – Tratamiento de grandes cantidades de informaciónTratamiento de grandes cantidades de información procedentes de:procedentes de: • Los sentidosLos sentidos • Memoria almacenadaMemoria almacenada – Capacidad de tratar situaciones nuevasCapacidad de tratar situaciones nuevas – Capacidad de aprendizajeCapacidad de aprendizaje
  • 7. 77Patricio García BáezPatricio García Báez Inspiración biológica x Neuronas:Neuronas: – Árbol dendrítico deÁrbol dendrítico de entradasentradas – Un axón de salidaUn axón de salida – Sobre de10Sobre de1044 sinapsissinapsis – Comunicación medianteComunicación mediante Potenciales de Acción (PA)Potenciales de Acción (PA) – Periodo refractario de 10Periodo refractario de 10-3-3 segundos entre PAssegundos entre PAs
  • 8. 88Patricio García BáezPatricio García Báez Inspiración biológica x Transmisión neuronal:Transmisión neuronal: – Impulso eléctrico queImpulso eléctrico que viaja por el axónviaja por el axón – Liberación deLiberación de neurotransmisoresneurotransmisores – Apertura/cierre deApertura/cierre de canales iónicoscanales iónicos – Variación potencial enVariación potencial en dendritadendrita – Integración de entradasIntegración de entradas en somaen soma – Si se supera umbral deSi se supera umbral de disparo se genera un PAdisparo se genera un PA
  • 9. 99Patricio García BáezPatricio García Báez Inspiración biológica x Red Neuronal Biológica:Red Neuronal Biológica: – de 10de 101010 a 10a 101111 neuronasneuronas – 10101414 sinapsissinapsis – Organización por capasOrganización por capas – Organización por niveles:Organización por niveles: • Sistema NerviosoSistema Nervioso Central (SNC)Central (SNC) • Circuitos entre regionesCircuitos entre regiones • Circuitos localesCircuitos locales • NeuronasNeuronas • Árboles dendríticosÁrboles dendríticos • MicrocircuitosMicrocircuitos neuronalesneuronales • SinapsisSinapsis • Canales iónicosCanales iónicos • MoléculasMoléculas
  • 10. 1010Patricio García BáezPatricio García Báez Inspiración biológica x Características SNC:Características SNC: – Inclinación a adquirirInclinación a adquirir conocimiento desde laconocimiento desde la experienciaexperiencia – Conocimiento almacenadoConocimiento almacenado en conexiones sinápticasen conexiones sinápticas – Gran plasticidad neuronalGran plasticidad neuronal – Comportamiento altamenteComportamiento altamente no-linealno-lineal – Alta tolerancia a fallosAlta tolerancia a fallos (muerte neuronal)(muerte neuronal) – Apto para reconocimiento,Apto para reconocimiento, percepción y controlpercepción y control
  • 11. 1111Patricio García BáezPatricio García Báez Modelado Neuronal x Una red neuronal artificial (RNA) es un sistemaUna red neuronal artificial (RNA) es un sistema de procesamiento de información que tienede procesamiento de información que tiene ciertas aptitudes en común con las redesciertas aptitudes en común con las redes neuronales biológicas:neuronales biológicas: – El procesamiento de información ocurre en muchosEl procesamiento de información ocurre en muchos elementos simples llamados neuronas.elementos simples llamados neuronas. – Las señales son transferidas entre neuronas a través deLas señales son transferidas entre neuronas a través de enlaces de conexión.enlaces de conexión. – Cada conexión tiene un peso asociado, el cual, típicamente,Cada conexión tiene un peso asociado, el cual, típicamente, multiplica a la señal transmitida.multiplica a la señal transmitida. – Cada neurona aplica una función de activación (usualmenteCada neurona aplica una función de activación (usualmente no lineal) a su entrada de red (suma de entradas pesadas)no lineal) a su entrada de red (suma de entradas pesadas) para determinar su salida.para determinar su salida. Laurene FausettLaurene Fausett
  • 12. 1212Patricio García BáezPatricio García Báez Modelado Neuronal x Enfoques:Enfoques: – Computacional:Computacional: • Modelos eficientes, potentes y simplesModelos eficientes, potentes y simples • Áreas de aprendizaje inductivo y reconocimiento deÁreas de aprendizaje inductivo y reconocimiento de patronespatrones – Cognitivo:Cognitivo: • Interesado por capacidades cognitivas de los modelosInteresado por capacidades cognitivas de los modelos • Centrados en representación del conocimientoCentrados en representación del conocimiento – Biocognitivo:Biocognitivo: • Premisa la plausibilidad biológicaPremisa la plausibilidad biológica – Psicofisiológico:Psicofisiológico: • Mecanismos naturales de procesos cognitivos realesMecanismos naturales de procesos cognitivos reales
  • 13. 1313Patricio García BáezPatricio García Báez Modelado Neuronal x Neurona Artificial:Neurona Artificial: – Grupo de entradas (Grupo de entradas (xx)) – Pesos sinápticos (Pesos sinápticos (ww)) – Función suma (Función suma (netnet)) – Función de activaciónFunción de activación ((actact)) – Una única salida (Una única salida (yy)) – Funcionamiento en modoFuncionamiento en modo aprendizaje o ejecuciónaprendizaje o ejecución  x1 x2 xn w1,j w2,j wn,j netj(t) xj(t) j función suma función de activación umbral (bias)
  • 14. 1414Patricio García BáezPatricio García Báez Modelado Neuronal x Neurona Natural vs. Artificial:Neurona Natural vs. Artificial: – Neurona = Unidad de procesoNeurona = Unidad de proceso – Conexiones sinápticas =Conexiones sinápticas = Conexiones PesadasConexiones Pesadas – Efectividad sináptica = PesoEfectividad sináptica = Peso sinápticosináptico – Exitatorio/Inhibitorio = Pesos +Exitatorio/Inhibitorio = Pesos + ó -ó - – Efecto combinado de sinapsisEfecto combinado de sinapsis = Función suma= Función suma – Activación-> Ratio disparo =Activación-> Ratio disparo = Función activación -> salidaFunción activación -> salida
  • 15. 1515Patricio García BáezPatricio García Báez Modelado Neuronal x Arquitecturas Neuronales:Arquitecturas Neuronales: – Según e/o/sSegún e/o/s • Número y tipo de entradasNúmero y tipo de entradas • Elementos ocultosElementos ocultos • Elementos de salidaElementos de salida – Según conectividad entreSegún conectividad entre capascapas • Feedforward (haciaFeedforward (hacia adelante)adelante) • Redes RecurrentesRedes Recurrentes • Estructuras EnrejadasEstructuras Enrejadas (Lattice)(Lattice) Capa de entrada Capa de salida Capa de entrada Capa de salida Capa oculta Capa de salida Capa oculta Monocapa feedforward Multicapa feedforward Multicapa feedforward parcialmente conectada
  • 16. 1616Patricio García BáezPatricio García Báez Modelado Neuronal x Arquitecturas Neuronales:Arquitecturas Neuronales: – Según conexión entreSegún conexión entre capascapas • Totalmente conectadosTotalmente conectados (full-conexión)(full-conexión) • Parcialmente conectadosParcialmente conectados • Conexión uno a unoConexión uno a uno – Sincronía (actualización deSincronía (actualización de valores)valores) • SimultáneaSimultánea • AleatoriaAleatoria • Según orden topológicoSegún orden topológico Recurrente con interconexiones laterales Entradas Salidas Recurrente con neuronas ocultas
  • 17. 1717Patricio García BáezPatricio García Báez Modelado Neuronal x Aprendizaje:Aprendizaje: – Estimulación de la RN por el entornoEstimulación de la RN por el entorno – Cambios en la RN debido a estimulaciónCambios en la RN debido a estimulación – Nueva forma de responder debido a cambios de laNueva forma de responder debido a cambios de la estructura interna de la RNestructura interna de la RN
  • 18. 1818Patricio García BáezPatricio García Báez Modelado Neuronal x Paradigmas de aprendizaje:Paradigmas de aprendizaje: – Aprendizaje SupervizadoAprendizaje Supervizado – Aprendizaje por ReforzamientoAprendizaje por Reforzamiento – Aprendizaje Auto-organizado (No Supervizado)Aprendizaje Auto-organizado (No Supervizado) – Precalculado o prefijadoPrecalculado o prefijado
  • 19. 1919Patricio García BáezPatricio García Báez Modelado Neuronal x Aprendizaje supervizado:Aprendizaje supervizado: – Se presentan pares de patrones de entrada y salidaSe presentan pares de patrones de entrada y salida deseadadeseada – Pasos:Pasos: • Fijar pesos aleatorios las conexionesFijar pesos aleatorios las conexiones • Seleccionar par de entrenamientoSeleccionar par de entrenamiento • Presentar patrón de entrada y calcular salidaPresentar patrón de entrada y calcular salida • Calcular error o discrepancia con la salida deseadaCalcular error o discrepancia con la salida deseada • Aplicar regla de aprendizajeAplicar regla de aprendizaje – Dudosa plausibilidad biológica:Dudosa plausibilidad biológica: • Requiere propagar información hacia atrásRequiere propagar información hacia atrás • Requiere de instructorRequiere de instructor
  • 20. 2020Patricio García BáezPatricio García Báez Modelado Neuronal x Aprendizaje no supervizado:Aprendizaje no supervizado: – Se presentan sólo patrones de entradaSe presentan sólo patrones de entrada – Basado en la redundancia en las entradasBasado en la redundancia en las entradas – Aprendizaje extrae de los patrones:Aprendizaje extrae de los patrones: • Familiaridad con patrones típicos o promedios delFamiliaridad con patrones típicos o promedios del pasadopasado • Análisis de las Componentes PrincipalesAnálisis de las Componentes Principales • ClusteringClustering • Prototipos, correspondientes a las categorias existentesPrototipos, correspondientes a las categorias existentes • CodificaciónCodificación • Mapa de CaracterísticasMapa de Características – Grandes plausibilidades biológicasGrandes plausibilidades biológicas
  • 21. 2121Patricio García BáezPatricio García Báez Modelado Neuronal x Algoritmos de aprendizaje más comunes:Algoritmos de aprendizaje más comunes: – Perceptrón multicapa o Backpropagation (BPN)Perceptrón multicapa o Backpropagation (BPN) • Aprendizajes supervizados bajo corrección de errorAprendizajes supervizados bajo corrección de error – Mapas Auto-organizados (SOM)Mapas Auto-organizados (SOM) • Aprendizajes competitivo no supervizadosAprendizajes competitivo no supervizados – Extractores de características (GHA ó ICA)Extractores de características (GHA ó ICA) • Aprendizajes hebbianos no supervizadosAprendizajes hebbianos no supervizados
  • 22. 2222Patricio García BáezPatricio García Báez Modelado Neuronal – GeneralizaciónGeneralización – Estructura altamenteEstructura altamente paralelaparalela – No linealidadNo linealidad – Mapeo de Entrada-Mapeo de Entrada- SalidaSalida – AdaptabilidadAdaptabilidad – Respuesta graduadaRespuesta graduada – Información ContextualInformación Contextual – Tolerancia a fallosTolerancia a fallos – Implementación VLSIImplementación VLSI – Uniformidad en elUniformidad en el Análisis y DiseñoAnálisis y Diseño – AnalogíaAnalogía NeurobiológicaNeurobiológica x Propiedades y CapacidadesPropiedades y Capacidades
  • 23. 2323Patricio García BáezPatricio García Báez Implementaciones x Medio biológico vs. medio silicioMedio biológico vs. medio silicio – Velocidad:Velocidad: • Neuronas: 10Neuronas: 10-3-3 s., Puertas lógicas: 10s., Puertas lógicas: 10-9-9 s.s. – Tamaño:Tamaño: • Neuronas 5 ó 6 órdenes de magnitud menoresNeuronas 5 ó 6 órdenes de magnitud menores – Eficiencia energética:Eficiencia energética: • Cerebro: 10Cerebro: 10-16-16 J/op./s., mejores ordenadores: 10J/op./s., mejores ordenadores: 10-6-6 – Fan-In:Fan-In: • Promedio de 10.000 sinapsis por neurona, mucho mayorPromedio de 10.000 sinapsis por neurona, mucho mayor que en silicioque en silicio
  • 24. 2424Patricio García BáezPatricio García Báez Implementaciones x Neurosimuladores:Neurosimuladores: – Software:Software: • FlexiblesFlexibles • EconómicosEconómicos – Hardware:Hardware: • EficientesEficientes
  • 25. 2525Patricio García BáezPatricio García Báez Implementaciones x Tipos Neurosoftware:Tipos Neurosoftware: – Programación directaProgramación directa – LibreríasLibrerías – Entornos de desarrolloEntornos de desarrollo x CaracterísticasCaracterísticas deseables:deseables: – Facilidad de usoFacilidad de uso – PotenciaPotencia – EficienteEficiente – ExtensibilidadExtensibilidad
  • 26. 2626Patricio García BáezPatricio García Báez Implementaciones x Neurohardware:Neurohardware: – VLSI analógicoVLSI analógico – Opto-ElectrónicosOpto-Electrónicos – FPGAsFPGAs – Neuro-Chips (VLSI Digital)Neuro-Chips (VLSI Digital) – Neuro-TarjetasNeuro-Tarjetas – Máquinas paralelas deMáquinas paralelas de propósito generalpropósito general – BiochipsBiochips x Objetivo:Objetivo: – Acelerar fases de aprendizajeAcelerar fases de aprendizaje y ejecucióny ejecución
  • 27. 2727Patricio García BáezPatricio García Báez Implementaciones x BiochipsBiochips
  • 28. 2828Patricio García BáezPatricio García Báez Aplicaciones x Fases de desarrollo:Fases de desarrollo: Selección de la arquitectura neuronal Selección del conjunto de aprendizaje Selección del conjunto de validación Fase de aprendizaje Fase de validación ¿OK? Implantar en aplicación
  • 29. 2929Patricio García BáezPatricio García Báez Aplicaciones x Tipos de problemas abordables:Tipos de problemas abordables: – AsociaciónAsociación – Clasificación de PatronesClasificación de Patrones – PredicciónPredicción – ControlControl – AproximaciónAproximación – OptimizaciónOptimización x En general:En general: – Difícil describir conocimiento/forma de resolverlosDifícil describir conocimiento/forma de resolverlos – Se dispone de una gran cantidad de datosSe dispone de una gran cantidad de datos
  • 30. 3030Patricio García BáezPatricio García Báez Problemas de Asociación – NETalk (Sejnowski & Rosemberg):NETalk (Sejnowski & Rosemberg): • A partir de textos escritos generaA partir de textos escritos genera gonemas correspondientes. Mejorasgonemas correspondientes. Mejoras durante aprendizajedurante aprendizaje – Tratamiento de imágenes:Tratamiento de imágenes: • Ruido placas matrículasRuido placas matrículas • RestituciónRestitución – Compresión de Imágenes:Compresión de Imágenes:
  • 31. 3131Patricio García BáezPatricio García Báez Problemas de Clasificación de Patrones – Conteo de células:Conteo de células: • Clasificación de glóbulosClasificación de glóbulos blancosblancos – Inspección visual:Inspección visual: – Seguimiento de pupilaSeguimiento de pupila
  • 32. 3232Patricio García BáezPatricio García Báez Problemas de Predicción – Airline Marketing Tactician (AMT):Airline Marketing Tactician (AMT): • Monitoriza y recomienda la reserva deMonitoriza y recomienda la reserva de plazasplazas – Neuralstocks:Neuralstocks: • Servico de predicciones financieras aServico de predicciones financieras a corto plazocorto plazo
  • 33. 3333Patricio García BáezPatricio García Báez Problemas de Control – Control de robots:Control de robots: • Cinemática inversaCinemática inversa • DinámicaDinámica – ALVINN:ALVINN: • Conducción deConducción de vehículovehículo
  • 34. 3434Patricio García BáezPatricio García Báez Problemas de Aproximación – Aproximación de funcionesAproximación de funciones utilizando RBFsutilizando RBFs Problemas de Optimización – Optimización de rutas:Optimización de rutas: • TSPTSP
  • 35. 3535Patricio García BáezPatricio García Báez Aplicaciones en Astronomía/Astrofísica – Reconocimiento de estrellas/galaxiasReconocimiento de estrellas/galaxias – Clasificación espectral y morfológica deClasificación espectral y morfológica de estrellas/galaxiasestrellas/galaxias – Estudios de superficies planetariasEstudios de superficies planetarias – Estudio del campo magnético interplanetarioEstudio del campo magnético interplanetario – Determinación de parámetros en atmósferasDeterminación de parámetros en atmósferas estelaresestelares – Clasificación de poblaciones de enanas blancasClasificación de poblaciones de enanas blancas • Neural Networks,Neural Networks, 1616 (2003)(2003)
  • 36. 3636Patricio García BáezPatricio García Báez Aplicaciones en Astronomía/Astrofísica – Identificación y caracterización de objetos: QSO's,Identificación y caracterización de objetos: QSO's, galaxias IR ultraluminosas, fuente de Rayosgalaxias IR ultraluminosas, fuente de Rayos GammaGamma – Determinación de desplazamientos fotométricos alDeterminación de desplazamientos fotométricos al rojorojo – Eliminación de ruido en pixelsEliminación de ruido en pixels – Descomposición de datos simulados multi-Descomposición de datos simulados multi- frecuencia para la misión Planckfrecuencia para la misión Planck – Búsqueda de cúmulos de galaxiasBúsqueda de cúmulos de galaxias • Neural Networks,Neural Networks, 1616 (2003)(2003)
  • 37. 3737Patricio García BáezPatricio García Báez Aplicaciones en Astronomía/Astrofísica – Análisis de datos recogidos por instrumentos deAnálisis de datos recogidos por instrumentos de nueva generación para astrofísica de alta energía:nueva generación para astrofísica de alta energía: • Telescopio de neutrinos AUGER y ARGOTelescopio de neutrinos AUGER y ARGO • Telescopio de rayos gamma CherenkhovTelescopio de rayos gamma Cherenkhov • Interferómetro de ondas gravitacionales VIRGOInterferómetro de ondas gravitacionales VIRGO • Búsqueda de bosones HiggsBúsqueda de bosones Higgs – AstroNeural, paquete AstroMinnig: reducción yAstroNeural, paquete AstroMinnig: reducción y análisis de datosanálisis de datos • Neural Networks,Neural Networks, 1616 (2003)(2003)
  • 38. 3838Patricio García BáezPatricio García Báez Grupo de Trabajo x Grupo de Computación Neuronal y AdaptativaGrupo de Computación Neuronal y Adaptativa y Neurociencia Computacionaly Neurociencia Computacional – Departamento de Estadística, I. O. y Computación, ULLDepartamento de Estadística, I. O. y Computación, ULL – I. U. de Ciencias y Tecnologías Cibernética, ULPGCI. U. de Ciencias y Tecnologías Cibernética, ULPGC – Área de Conocimiento: Ciencias de la Computación eÁrea de Conocimiento: Ciencias de la Computación e Inteligencia ArtificialInteligencia Artificial x Líneas de trabajoLíneas de trabajo – Neurociencia Computacional y Cognición Computacional:Neurociencia Computacional y Cognición Computacional: Comunicación Neuronal;Aprendizaje y Memoria.Procesos yComunicación Neuronal;Aprendizaje y Memoria.Procesos y Estructuras Cognitivas/Perceptivas Teorías y ModelosEstructuras Cognitivas/Perceptivas Teorías y Modelos – Redes Neuronales Naturales y Artificiales: Diseño de NuevosRedes Neuronales Naturales y Artificiales: Diseño de Nuevos Modelos de RNAsModelos de RNAs – Aplicación de la Computación Neuronal en DominiosAplicación de la Computación Neuronal en Dominios Biomédicos, Clínicos y MedioambientalesBiomédicos, Clínicos y Medioambientales
  • 39. 3939Patricio García BáezPatricio García Báez Comp. 1 Comp. 2 Comp. 3 Espectro Analysis Mezcla 1 2 Espectrofotómetro de Luminescencia Preprocesado Características Espectrales 1 2 Comparación de Espectros (Capa SOM) Mapa de SOM Mapa de Rechazo Capa de Tolerancias Identificador de Espectros (Capa de Etiquetado) Etiquetado Grupo de Trabajo x Campos aplicativos estudiadosCampos aplicativos estudiados – Procesamiento de Señales NeurofisiológicasProcesamiento de Señales Neurofisiológicas – Identificación de Espectros LuminescentesIdentificación de Espectros Luminescentes – Agente de Catalogación Automática de WebsAgente de Catalogación Automática de Webs – Sistema Automático de Detección de AtaquesSistema Automático de Detección de Ataques InformáticosInformáticos – Diagnóstico de EnfermedadesDiagnóstico de Enfermedades NeurodegenerativasNeurodegenerativas ..... xi ...... ...... dl ........ mli hl Entradas Capa SOM Capa de Holguras Capa de Etiquetado ...... zl ........ upl ... vp gpq
  • 40. 4040Patricio García BáezPatricio García Báez Grupo de Trabajo x Docencia Impartida en la ULLDocencia Impartida en la ULL – Introducción a los Modelos de Computación ConexionistaIntroducción a los Modelos de Computación Conexionista • 3er curso, Ing. Técnica en Informática de Sistemas, ETSII3er curso, Ing. Técnica en Informática de Sistemas, ETSII • 30 a 40 alumnos30 a 40 alumnos • http://soma.etsii.ull.es/imcc/http://soma.etsii.ull.es/imcc/ – Introducción a la Inteligencia ArtificialIntroducción a la Inteligencia Artificial • 3er curso, ITI de Gestión/Sistemas3er curso, ITI de Gestión/Sistemas • 50 a 60 alumnos50 a 60 alumnos • http://soma.etsii.ull.es/iia/http://soma.etsii.ull.es/iia/ – Modelos Conexionistas y AutómatasModelos Conexionistas y Autómatas • 5º curso, Ing. Informática, ETSII5º curso, Ing. Informática, ETSII • 10 a 20 alumnos10 a 20 alumnos • http://soma.etsii.ull.es/mcya/http://soma.etsii.ull.es/mcya/
  • 41. 4141Patricio García BáezPatricio García Báez Futuro de las RNAs – Futuro prometedor, si nos seguimos acercando aFuturo prometedor, si nos seguimos acercando a las característicias de los organismos vivos:las característicias de los organismos vivos: • Evolución, Computación Colectiva, Manejo delEvolución, Computación Colectiva, Manejo del Conocimiento, ...Conocimiento, ... • Natural ComputingNatural Computing =>=> Soft ComputingSoft Computing – Presente problemático: dificultades de escalabilidadPresente problemático: dificultades de escalabilidad • ¿Tal vez algunos parámetros de nuestros modelos son¿Tal vez algunos parámetros de nuestros modelos son erroneos?erroneos? • ¿Tal vez no disponemos de la suficiente potencia¿Tal vez no disponemos de la suficiente potencia informática?informática? • ¿Tal vez nuestros modelos no han alcanzado la¿Tal vez nuestros modelos no han alcanzado la suficiente complejidad?suficiente complejidad? • ¿Tal vez nos falta en nuestros modelos algún concepto¿Tal vez nos falta en nuestros modelos algún concepto fundamental?fundamental?

×