Redes neuronales   Diego Salazar 4 C
INDICE <ul><li>Las Redes Neuronales: </li></ul><ul><li>Historia de las Redes Neuronales </li></ul><ul><li>CLASIFICACIÓN </...
<ul><li>son más que otra forma de emular características humanas </li></ul><ul><li>como la capacidad de memorizar y de aso...
Las Redes Neuronales:   <ul><li>Unidades de procesamiento que intercambian datos o información.  </li></ul><ul><li>Se util...
Historia de las Redes Neuronales <ul><li>1936 - Alan Turing.  Fue el primero en estudiar el cerebro como una forma de ver ...
<ul><li>1960 - Bernard Widrow.  Desarrollaron el modelo Adaline Esta fue la primera red neuronal aplicada a un problema re...
CLASIFICACIÓN <ul><li>Atendiendo a su similitud con la realidad biológica: </li></ul><ul><ul><li>Tipo biológico. tratan de...
Red neuronal artificial   <ul><li>Se trata de un sistema de interconexión de neuronas en una red </li></ul>
 
Ventajas  <ul><li>características semejantes a las del cerebro </li></ul><ul><li>de abstraer características esenciales  <...
Aprendizaje adaptativo <ul><li>Aprenden a llevar a cabo ciertas tareas mediante un entrenamiento.  </li></ul><ul><li>Difer...
Auto-organización  <ul><li>Emplean su capacidad de aprendizaje adaptativo para auto organizar la información  </li></ul><u...
Tolerancia a fallos   <ul><li>fueron los primeros métodos computacionales con la capacidad inherente de tolerancia a fallo...
Operación en tiempo real   <ul><li>Una de las mayores prioridades </li></ul><ul><li>necesidad de realizar procesos de form...
Fácil inserción dentro de la tecnología existente   <ul><li>Una red individual puede ser entrenada para desarrollar una ún...
funciones <ul><li>funciones de transferencia típicas que determinan distintos tipos de neuronas:  </li></ul><ul><ul><li>Fu...
Neurona de función escalón <ul><li>La función escalón se asocia a neuronas binarias  </li></ul><ul><li>La suma de las entr...
Función lineal y mixta <ul><li>si la suma de las señales de entrada  </li></ul><ul><ul><li>es menor que un límite inferior...
Sigmoidal   <ul><li>definida simplemente de posibles valores de entrada </li></ul><ul><li>con un incremento que tengan amb...
Función gaussiana <ul><li>Los centros y anchura pueden ser adaptados </li></ul><ul><li>hace más adaptativas las funciones ...
Aplicaciones  <ul><li>los primeros en beneficiarse son los minusválidos con deficiencias o carencias motrices </li></ul><u...
El Futuro <ul><li>Manejar una silla de ruedas con señales  que provenga de un músculo, del ojo o de ondas cerebrales. </li...
Upcoming SlideShare
Loading in...5
×

Redes Neuronales(Examen)

1,382

Published on

Published in: Education, Technology
0 Comments
1 Like
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total Views
1,382
On Slideshare
0
From Embeds
0
Number of Embeds
1
Actions
Shares
0
Downloads
18
Comments
0
Likes
1
Embeds 0
No embeds

No notes for slide

Redes Neuronales(Examen)

  1. 1. Redes neuronales Diego Salazar 4 C
  2. 2. INDICE <ul><li>Las Redes Neuronales: </li></ul><ul><li>Historia de las Redes Neuronales </li></ul><ul><li>CLASIFICACIÓN </li></ul><ul><li>Red neuronal artificial </li></ul><ul><li>Ventajas </li></ul><ul><li>Funciones </li></ul><ul><li>Aplicaciones </li></ul><ul><li>El Futuro </li></ul>
  3. 3. <ul><li>son más que otra forma de emular características humanas </li></ul><ul><li>como la capacidad de memorizar y de asociar hechos </li></ul><ul><li>no son más que un modelo artificial del cerebro humano </li></ul><ul><li>es un nuevo sistema para el tratamiento de información </li></ul><ul><li>unidad básica de procesamiento está inspirada la neurona. </li></ul>
  4. 4. Las Redes Neuronales: <ul><li>Unidades de procesamiento que intercambian datos o información. </li></ul><ul><li>Se utilizan para reconocer patrones, </li></ul><ul><li>Tienen capacidad de aprender y mejorar su funcionamiento. </li></ul><ul><li>Inspirada en modelos biológicos </li></ul><ul><li>Son redes interconectadas masivamente en paralelo </li></ul><ul><li>Intentan interactuar con los objetos del mundo real </li></ul>
  5. 5. Historia de las Redes Neuronales <ul><li>1936 - Alan Turing. Fue el primero en estudiar el cerebro como una forma de ver el mundo de la computación </li></ul><ul><li>Warren McCulloch, y Walter Pitts: Ellos modelaron una red neuronal simple mediante circuitos eléctricos. </li></ul><ul><li>1950 - Karl Lashley. encontró que la información era distribuida encima de él cerebro </li></ul><ul><li>1956 - Congreso de Dartmouth. Este Congreso se menciona para indicar el nacimiento de la inteligencia artificial. </li></ul><ul><li>1957 - Frank Rosenblatt. Comenzó el desarrollo del Perceptrón. la red neuronal más antigua </li></ul>
  6. 6. <ul><li>1960 - Bernard Widrow. Desarrollaron el modelo Adaline Esta fue la primera red neuronal aplicada a un problema real </li></ul><ul><li>1961 - Karl Steinbeck: Red neuronal para simples realizaciones técnicas </li></ul><ul><li>1974 - Paul Werbos. Desarrolló la idea básica del algoritmo de aprendizaje </li></ul><ul><li>1977 - Stephen Grossberg. Teoría de Resonancia Adaptada (TRA). </li></ul><ul><li>1980 - Kunihiko Fukushima. Desarrolló un modelo neuronal para el reconocimiento de patrones visuales. </li></ul><ul><li>Actualmente, son numerosos los trabajos que se realizan y se publican </li></ul><ul><li>las empresas que lanzan al mercado productos nuevos </li></ul>
  7. 7. CLASIFICACIÓN <ul><li>Atendiendo a su similitud con la realidad biológica: </li></ul><ul><ul><li>Tipo biológico. tratan de simular los sistemas neuronales biológicos </li></ul></ul><ul><ul><ul><li>funciones auditivas o básicas de la visión. </li></ul></ul></ul><ul><ul><li>Dirigido a aplicación. está ligada a las necesidades de las aplicaciones para la que es diseñada. </li></ul></ul>
  8. 8. Red neuronal artificial <ul><li>Se trata de un sistema de interconexión de neuronas en una red </li></ul>
  9. 10. Ventajas <ul><li>características semejantes a las del cerebro </li></ul><ul><li>de abstraer características esenciales </li></ul><ul><li>Aprendizaje Adaptativo </li></ul><ul><li>Auto-organización </li></ul><ul><li>Tolerancia a fallos </li></ul><ul><li>Operación en tiempo real </li></ul><ul><li>Fácil inserción dentro de la tecnología existente </li></ul>
  10. 11. Aprendizaje adaptativo <ul><li>Aprenden a llevar a cabo ciertas tareas mediante un entrenamiento. </li></ul><ul><li>Diferencia patrones mediante ejemplos y entrenamientos </li></ul><ul><li>Son adaptables por la capacidad de autoajuste </li></ul><ul><li>Son capaces de adaptarse a las nuevas condiciones. </li></ul><ul><li>La función del diseñador es únicamente la obtención de la arquitectura apropiada </li></ul><ul><li>No es problema del diseñador el cómo la red aprenderá a discriminar </li></ul>
  11. 12. Auto-organización <ul><li>Emplean su capacidad de aprendizaje adaptativo para auto organizar la información </li></ul><ul><li>La autoorganización es la modificación de la red completa para un objetivo específico. </li></ul><ul><li>reconocen ciertas clases de patrones, ellas auto organizan la información usada. </li></ul><ul><li>Facultad de responder apropiadamente en situaciones a las que no había sido expuesta anteriormente </li></ul><ul><li>El sistema puede generalizar la entrada para obtener una respuesta </li></ul><ul><li>Soluciona problemas en los cuales la información de entrada no es muy clara </li></ul>
  12. 13. Tolerancia a fallos <ul><li>fueron los primeros métodos computacionales con la capacidad inherente de tolerancia a fallos. </li></ul><ul><li>si se produce un fallo de neuronas no sufre una caída repentina. </li></ul><ul><li>Hay dos aspectos distintos respecto a la tolerancia a fallos: </li></ul><ul><ul><li>a) pueden aprender a reconocer patrones con ruido distorsionado o incompleto </li></ul></ul><ul><ul><li>b) pueden seguir realizando su función aunque se destruya parte de la red. </li></ul></ul><ul><li>tienen su información distribuida en las conexiones entre neuronas </li></ul><ul><li>existiendo cierto grado de redundancia en este tipo de almacenamiento </li></ul><ul><li>las redes neuronales almacenan información no localizada </li></ul>
  13. 14. Operación en tiempo real <ul><li>Una de las mayores prioridades </li></ul><ul><li>necesidad de realizar procesos de forma muy rápida </li></ul><ul><li>se adaptan bien a esto debido a su implementación paralela </li></ul><ul><li>la necesidad de cambio en los pesos de las conexiones o entrenamiento es mínimo. </li></ul>
  14. 15. Fácil inserción dentro de la tecnología existente <ul><li>Una red individual puede ser entrenada para desarrollar una única y bien definida tarea </li></ul><ul><li>Con las herramientas computacionales existentes </li></ul><ul><li>una red puede ser rápidamente entrenada, comprobada, verificada y trasladada </li></ul><ul><li>no se presentan dificultades para la inserción en aplicaciones específicas, </li></ul><ul><li>se pueden utilizar para mejorar sistemas en forma incremental </li></ul><ul><li>cada paso puede ser evaluado antes de un desarrollo más amplio. </li></ul>
  15. 16. funciones <ul><li>funciones de transferencia típicas que determinan distintos tipos de neuronas: </li></ul><ul><ul><li>Función escalón </li></ul></ul><ul><ul><li>Función lineal y mixta </li></ul></ul><ul><ul><li>Sigmoidal </li></ul></ul><ul><ul><li>Función gaussiana </li></ul></ul>
  16. 17. Neurona de función escalón <ul><li>La función escalón se asocia a neuronas binarias </li></ul><ul><li>La suma de las entradas: </li></ul><ul><ul><li>Si mayor o igual que el umbral de la neurona la activación es 1 </li></ul></ul><ul><ul><li>si es menor, la activación es 0 (ó –1) </li></ul></ul><ul><li>son fáciles de implementar en hardware, </li></ul><ul><li>sus capacidades están limitadas. </li></ul>
  17. 18. Función lineal y mixta <ul><li>si la suma de las señales de entrada </li></ul><ul><ul><li>es menor que un límite inferior, la activación se define como 0 (ó –1) </li></ul></ul><ul><ul><li>es mayor o igual que el límite superior, entonces la activación es 1 </li></ul></ul><ul><ul><li>Si está comprendida entre ambos límites, la activación se define como una función lineal </li></ul></ul>
  18. 19. Sigmoidal <ul><li>definida simplemente de posibles valores de entrada </li></ul><ul><li>con un incremento que tengan ambos limites superiores e inferiores </li></ul><ul><li>cuando la pendiente es elevada, tiende a la función escalón </li></ul><ul><li>La importancia de ésta función es que su derivada es siempre positiva y cercana </li></ul><ul><li>además toma su valor máximo cuando x es cero. </li></ul><ul><li>Esto hace que se puedan utilizar las reglas de aprendizaje definidas </li></ul>
  19. 20. Función gaussiana <ul><li>Los centros y anchura pueden ser adaptados </li></ul><ul><li>hace más adaptativas las funciones sigmoidales. </li></ul>
  20. 21. Aplicaciones <ul><li>los primeros en beneficiarse son los minusválidos con deficiencias o carencias motrices </li></ul><ul><li>una niña con una grave lesión espinal probó que podía mover el cursor de la de computadora a partir de impulsos por sus ojos. </li></ul><ul><li>permite que un cirujano cambie moviendo los ojos, el campo visual de una cámara de fibra óptica, </li></ul><ul><li>se han utilizado para encontrar patrones de fraude económico </li></ul><ul><li>hacer predicciones de tiempo atmosférico, etc </li></ul><ul><li>redes neuronales artificiales se ha aplicado en conjunción con los algoritmos genéticos (AG) para crear controladores para robots </li></ul>
  21. 22. El Futuro <ul><li>Manejar una silla de ruedas con señales que provenga de un músculo, del ojo o de ondas cerebrales. </li></ul><ul><li>se encuentre un sistemas que sean capaces de traducir muchos y diferentes tipos de señales </li></ul><ul><li>quizá se logren versiones comerciales para manejar entornos informáticos, </li></ul><ul><li>través de los ordenadores controlar, medios de transporte, electrodomésticos, equipos médicos y militares, etc </li></ul>
  1. A particular slide catching your eye?

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

×