Exposicion
Upcoming SlideShare
Loading in...5
×
 

Like this? Share it with your network

Share

Exposicion

on

  • 1,864 views

 

Statistics

Views

Total Views
1,864
Views on SlideShare
1,864
Embed Views
0

Actions

Likes
0
Downloads
63
Comments
0

0 Embeds 0

No embeds

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

Exposicion Presentation Transcript

  • 1. Partes de una Red Neuronal
    Figura#1: Partes de una red Neuronal [1]
  • 2. Red Neuronal
  • 3. El Perceptròn
    El perceptròn modela el comportamiento de una neurona biológica.
    Trabaja con funciones de activación.
  • 4. Tipos de Perceptrones
    Existen varios tipos de perceptrones, dependiendo del número de capas que tenga.
    1.- Perceptròn Simple (De dos capas):
    Corresponde a una capa de entrada con neuronas lineales y una salida con función de activación tipo escalón.
    Aplicaciones:
    Formulas trigonométricas, cálculo , ecuaciones.
    2.- Perceptrón Múltiple (De más de 4 capas)
    Es un perceptròn que puede generar regiones de decisión bastante complejas.
    Aplicaciones:
    Puede ser utilizado para la predicción de una serie de datos en el tiempo, como cambios financieros, reconocimiento de caracteres, voz, facial, etc.
  • 5. Perceptròn Simple
    El perceptrón simple es una red que consta de dos capas de neuronas una de entrada y una de salida.
    Ajusta los pesos de la neurona a fin de obtener la discriminación de datos de entrada en clases.
    Operación del Perceptròn Simple (Oi):
    g = función de activación
    W= pesos de neurona
  • 6. Ejemplo: Si denotamos por X1 y X2 a las 2 neuronas de entrada, la operación efectuada por el perceptròn simple consiste en:
    Modificar pesos de las conexiones de las neuronas:
    n = tasa de aprendizaje
    t= salida deseada
    x= entrada del perceptòn
  • 7. Perceptròn Multicapa
    El perceptrón multicapa es una red neuronal artificial (RNA) formada por múltiples capas, esto le permite resolver problemas que no son linealmente separables.
    Figura#4: Arquitectura de un perceptròn multicapa [4]
  • 8. Se suele entrenar por medio de un algoritmo de retro propagación de errores o BP (Back Propagation).
    La minimización del error se llevará a cabo por el descenso del gradiente.
    Entre otras técnicas para minimizar el error esta el uso de regresión lineal (Técnicas estadísticas)
  • 9. Algoritmo Backpropagation
    Se usa en el proceso de aprendizaje de las redes neuronales multicapa.
    Utiliza aprendizaje supervisado.
    Utiliza técnicas de calculo, matemáticas y estadísticas para minimizar el error.
    Calcular los errores de cada neurona en las capas anteriores a la capa de salida.
    Descripción del proceso del Algoritmo Backpropagation.
    Figura#1: Red neuronal de 3 capas (2 entradas y una salida)
  • 10. Figura#2: Asignación de los pesos de entrada de la función de activación.
    Figura#3: Propagación de las señales hacia la capa de entrada.
    Proceso para el Primer Nodo
  • 11. Proceso para el segundo nodo
    Proceso para el tercer nodo
  • 12. Figura#4:Propagación de las señales de entrada por la capa oculta
    Proceso para el cuarto nodo de la capa oculta
    Proceso para el quinto nodo de la capa oculta
  • 13. Figura#5: Propagación de las señales por la capa de salida.
    PROCESO PARA CALCULAR EL ERROR
    Figura#6: Aplicación del algoritmo backpropagation para calcular el error de todas las neuronas. Propagación de las señales del error hacia la capa de atrás
  • 14.
  • 15.
  • 16. Referencias:
    PDF
    [1]Casali A., Godo L. and Sierra C. Graded BDI Models For Agent Architectures. Leite J. and Torroni P. (Eds.) CLIMA V, LNAI 3487, pp. 126-143, Springer-Verlag, Berling Heidelberg, 2005.
    [2]Casali A., Godo L. and Sierra C. Modelling Travel Assistant Agents: a graded BDI Approach. Proceedings of the IFIP-AI, WCC, Volume 217, Artificial Intelligence in Theory and Practice, Max Bramer (ed.), Sringer,pp. 415-424, 2006.
    SitiosWeb
    [3] http://grad.uprm.edu/tesis/dinosrojas.pdf
    [4] http://www.monografias.com/trabajos12/inteartf/inteartf2.shtml
  • 17. 17