Utp sirn_s2_rna

1,474
-1

Published on

1 Comment
1 Like
Statistics
Notes
  • como puedo bajar esta presentacion a mis documentos
    gracias
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here
No Downloads
Views
Total Views
1,474
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
72
Comments
1
Likes
1
Embeds 0
No embeds

No notes for slide

Utp sirn_s2_rna

  1. 1. Sistemas Inteligentes y Redes Neuronales (SI01) Sesión: 2 y 3 Ing. José C. Benítez P.
  2. 2. Sesión 2. Temas Redes Neuronales Artificiales (RNA) Introducción a la RNA Características de las RNA La Neurona biológica Red neuronal biológica Computación tradicional VS computación neuronal Historia de la computación neuronal Aplicación de las RNA Representación una RNA Funcionamiento de una RNA Funciones de las RNAs Ventajas de las RNAs Modelos de RNAs Clasificación de las RNAs Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 2
  3. 3. Introducción a las RNA El cerebro humano es el sistema de cálculo más complejo que conoce el hombre.Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 3
  4. 4. Introducción a las RNAEl computador y el hombre realizanbien, diferentes clases de tareas; asíla operación de reconocer el rostrode una persona resulta una tarearelativamente sencilla para el hombrey difícil para el computador, mientrasque la contabilidad de una empresaes tarea costosa para un expertocontable y una sencilla rutina para uncomputador básico. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 4
  5. 5. Introducción a las RNALa capacidad del cerebro humano de pensar, recordary resolver problemas ha inspirado a muchos científicosintentar o procurar modelar en el computador elfuncionamiento del cerebro humano. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 5
  6. 6. Características de las RNALas Redes Neuronales Artificiales ( ANN - Artificial NeuralNetworks) están inspiradas en las RNB del cerebrohumano.Las RNA están constituidas por elementos (NA) que secomportan de forma similar a la NB en sus funciones máscomunes.Estos elementos están organizados de una formaparecida a la que presenta el cerebro humano.Las RNA al margen de "parecerse" al cerebro presentanuna serie de características propias del cerebro. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 6
  7. 7. Características propias del cerebro en las RNA Por ejemplo las ANN aprenden de la experiencia, generalizan de ejemplos previos a ejemplos nuevos y abstraen las características principales de una serie de datos. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 7
  8. 8. Características propias del cerebro en las RNA Aprender: Adquirir el conocimiento de una cosa por medio del estudio, ejercicio o experiencia. Las RNA pueden cambiar su comportamiento en función del entorno. Se les muestra un conjunto de entradas y ellas mismas se ajustan para producir unas salidas consistentes. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 8
  9. 9. Características propias del cerebro en las RNA Generalizar: Extender o ampliar una cosa. Las RNA generalizan automáticamente debido a su propia estructura y naturaleza. Estas redes pueden ofrecer, dentro de un margen, respuestas correctas a entradas que presentan pequeñas variaciones debido a los efectos de ruido o distorsión. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 9
  10. 10. Características propias del cerebro en las RNA Abstraer: Aislar mentalmente o considerar por separado las cualidades de un objeto. Algunas RNA son capaces de abstraer la esencia de un conjunto de entradas que aparentemente no presentan aspectos comunes o relativos. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 10
  11. 11. La neurona biológicaLa neurona es la unidadfundamental del sistemanervioso y en particular delcerebro.Cada neurona es una simpleunidad procesadora que recibey combina señales desde yhacia otras neuronas.Si la combinación de entradases suficientemente fuerte lasalida de la neurona se activa. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 11
  12. 12. La neurona biológicaEl cerebro consiste en 100,000 millones deneuronas densamente interconectadas.Las partes de la neurona son las: dendritas, el cuerpo (o soma), el núcleo, el axón y las terminaciones nerviosas.La eficacia de la sinapsis es modificabledurante el proceso de aprendizaje de la red. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 12
  13. 13. La neurona biológicaLa señal ingresa por las dendritas atraviesael cuerpo, el axón (salida), y sale por lasterminaciones nerviosas. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 13
  14. 14. La neurona biológicaEl axón de la neurona se ramifica en las terminacionesnerviosas (salida) y estas están conectadas a las dendritas(entradas) de otras neuronas a través de uniones llamadassinapsis. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 14
  15. 15. La neurona biológicaExisten varios tipos de neuronas. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 15
  16. 16. Red neuronal biológicaSistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 16
  17. 17. Red neuronal biológicaSistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 17
  18. 18. C. Tradicional VS C. Neuronal Programación/Entrenamiento Arquitectura Sistemas Expertos Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 18
  19. 19. C. Tradicional VS C. NeuronalProgramación/Entrenamiento Las técnicas tradicionales de programación utilizadas para la solución de un problema requieren la creación de un algoritmo. Un algoritmo consiste en una secuencia de instrucciones que indica el modo en el que debe proceder el sistema basado en un computador para lograr el fin perseguido que es la resolución del problema. El diseño de una secuencia de instrucciones para resolver un problema de contabilidad es relativamente sencillo, mientras que existen muchos problemas del mundo real en los que resulta difícil realizar un algoritmo que resuelva dichos problemas. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 19
  20. 20. C. Tradicional VS C. NeuronalProgramación/Entrenamiento Por ejemplo imaginemos desarrollar un programa para cualquiera de los problemas de reconocimiento de imágenes como el rostro de una persona. Hay muchas variaciones de la imagen de una persona, como que presente un rostro serio o un rostro alegre, variaciones en general que deben tenerse en cuenta a la hora de diseñar el algoritmo. Las RNA, a diferencia de los algoritmos que son instrucciones previamente programadas, deben ser previamente entrenadas. Esto significa que a la red se le muestra en su capa de entrada unos ejemplos y ella misma se ajusta en función de alguna regla de aprendizaje. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 20
  21. 21. C. Tradicional VS C. NeuronalArquitectura Las RNA presentan una arquitectura totalmente diferente de los computadores tradicionales de un único procesador. Las máquinas tradicionales basadas en el modelo de Von Neuman tienen un único elemento procesador, la CPU (Control Process Unit) que realiza todos los cálculos ejecutando todas las instrucciones de la secuencia programada en el algoritmo. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 21
  22. 22. C. Tradicional VS C. NeuronalArquitectura Cualquier CPU realiza más de cien comandos básicos, incluyendo sumas, restas, y desplazamientos entre otros. Los comandos o instrucciones se ejecutan secuencialmente y sincronizadas con el reloj del sistema. Sin embargo en los sistemas de computación neuronal cada elemento PE sólo puede realizar uno, o como mucho, varios cálculos. La potencia del procesado de las ANN se mide principalmente por el número de interconexiones actualizadas por segundo durante el proceso de entrenamiento o aprendizaje. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 22
  23. 23. C. Tradicional VS C. NeuronalArquitectura Sin embargo las máquinas de Von Neuman se miden por el número de instrucciones que ejecuta por segundo el procesador central CPU. La arquitectura de las ANN parte de la organización de los sistemas de procesado en paralelo, es decir, sistemas en los que distintos procesadores están interconectados. No obstante los procesadores son unidades procesadoras simples, diseñadas para la suma de muchas entradas y con un ajuste automático de las conexiones ponderadas. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 23
  24. 24. C. Tradicional VS C. NeuronalSistemas expertos Los sistemas expertos difieren de la programación tradicional en que la base del conocimiento está separada del motor de inferencia (el método del procesado del conocimiento). Esta característica permite que todo el conocimiento adicional puede ser añadido al sistema sin necesidad de tener que ser reprogramado todo el sistema. Esta técnica requiere que exista una persona experta en un área y que se puedan crear reglas que codifiquen el conocimiento. En el desarrollo de una red neuronal no hay que programar ni el conocimiento ni las reglas del procesamiento del conocimiento. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 24
  25. 25. C. Tradicional VS C. NeuronalSistemas expertos La red neuronal aprende las reglas del procesamiento del conocimiento mediante el ajuste de las conexiones ponderadas entre las neuronas de distintas capas de la red. Mientras que en los Sistemas Expertos el conocimiento se hace explícito en forma de reglas, en la computación neuronal las ANN generan sus propias reglas aprendiendo de los ejemplos que se les muestran en la fase de entrenamiento. El aprendizaje se consigue a través de una regla de aprendizaje que adapta o cambia los pesos de las conexiones en respuesta a los ejemplos de entrada, y opcionalmente también en respuesta a las salidas deseadas. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 25
  26. 26. C. Tradicional VS C. NeuronalSistemas expertos.- Esta característica de las ANN es lo que permite decir que las redes neuronales aprenden de la experiencia. Una característica importante de las ANN es la forma o el modo en que se almacena la información. La memoria o el conocimiento de estas redes está distribuida a lo largo de todas las conexiones ponderadas de la red. Algunas ANN presentan la característica de ser "asociativas" que significa que para una entrada parcial la red elegirá la entrada más parecida en memoria y generará una salida que corresponda a la entrada completa. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 26
  27. 27. C. Tradicional VS C. NeuronalSistemas expertos La naturaleza de la memoria de las RNA permite que la red responda adecuadamente cuando se le presenta una entrada incompleta o con ruido. Esta propiedad es la capacidad de "generalización". Las RNA son tolerantes a las fallas (Fault Tolerance). En muchas RNA si resultaran destruidos varios elementos procesadores (PE), o se alteraran las conexiones el comportamiento de la red sería mínimamente modificado. El comportamiento varía pero el sistema no se descompone o deja de funcionar. Esta característica se debe a que las RNA tienen la información distribuida a lo largo de toda la red y no está contenida en un único lugar. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 27
  28. 28. Historia de la RNABase En 1943, el neurobiólogo Warren McCulloch, y el estadístico Walter Pitss, publicaron el artículo "A logical calculus of Ideas Imminent in Nervous Activity". Este artículo constituyó la base y el inicio del desarrollo en diferentes campos como son: los Computadores Digitales (John Von Neuman), la Inteligencia Artificial (Marvin Minsky con los Sistemas Expertos) y el funcionamiento del ojo (Frank Rosenblatt con la famosa red llamada Perceptron). Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 28
  29. 29. Historia de la RNAInicio de las RNA En 1956, los pioneros de la Inteligencia Artificial, Minsky, McCarthy, Rochester, Shanon, organizaron la primera conferencia de Inteligencia Artificial que fue patrocinada por la Fundación Rochester. Esta conferencia se celebró en el verano de 1956 en la localidad inglesa de Darmouth y en muchos libros se hace referencia al verano de este año como la primera toma de contacto seria con las RNAs. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 29
  30. 30. Historia de la RNAPerceptron Nathaural Rochester del equipo de investigación de IBM presentó el modelo de una red neuronal que él mismo realizó y puede considerarse como el primer software de simulación de RNAs. En 1957, Frank Rosenblatt publicó el mayor trabajo de investigación en computación neuronal realizado hasta esas fechas. Su trabajo consistía en el desarrollo de un elemento llamado "Perceptron". En 1959, Bernard Widrow en Stanford desarrolló un elemento adaptativo lineal llamado "Adaline" (Adaptive Linear Neuron). Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 30
  31. 31. Historia de la RNADescenso de las expectativas A mediados de los años 60, Minsky y Papert pertenecientes al Laboratorio de Investigación de Electrónica del MIT (Massachussets Institute Technology) comenzaron un trabajo profundo de crítica al perceptron. El resultado de este trabajo, el libro Perceptrons, era un análisis matemático del concepto del perceptron. La conclusión de este trabajo, que se transmitió a la comunidad científica del mundo entero, es que el Perceptron y la Computación Neuronal no eran temas interesantes que estudiar y desarrollar. A partir de este momento descendieron drásticamente las inversiones en la investigación de la computación neuronal. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 31
  32. 32. Historia de la RNAPero continuaron… Uno de los pocos investigadores que continuaron con su trabajo en la computación neuronal tras la publicación del libro Perceptrons fue James Anderson. Teuvo Kohonen, de la Universidad de Helsinki, es uno de los mayores impulsores de la computación neuronal de los 70. Otro investigador que continuó con su trabajo de investigación en la computación neuronal a pesar del mal presagio que indicaron Minsky y Papert fue Stephen Grossberg. En 1982 John Hopfield publicó el artículo Hopfield Model o Crossbar Associative Network, junto con la invención del algoritmo Backpropagation se consiguió devolver el interés y la confianza en el fascinante campo de la computación neuronal tras dos décadas de casi absoluta inactividad y desinterés. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 32
  33. 33. Historia de la RNAHoy Existen muchos grupos en diferentes universidades de todo el mundo que están realizando investigación en el área de las RNA. Cada grupo tiene diferente énfasis y motivación, con los neurólogos, psicólogos del conocimiento, físicos, programadores y matemáticos. Grossberg continua trabajando en compañía de Carpenter en la Universidad de Boston, mientras Teuvo Kohonen está en la Universidad de Helsinki. Uno de los mayores grupos de investigación de los últimos años ha sido el grupo PDP (Parallel Distributed Processing) formado por Rumelhart, McClelland y Hinton. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 33
  34. 34. Historia de la RNAHoy Rumelhart de la Universidad de Stanford es uno de los principales impulsores de la red más utilizada en la mayoría de las aplicaciones actuales, la famosa Backpropagation. En la Universidad de Carnegie-Mellon, el grupo de investigación de McClelland destaca por el estudio de las posibles aplicaciones de la Backpropagation. Y en la Universidad de Toronto, Hinton y Sejnowski han desarrollado una máquina llamada Boltzman que consiste en la red de Hopfield con dos modificaciones significativas. Bart Kosko ha diseñado una red llamada BAM (Bidirectional Associate Memory) basado en la red de Grossberg. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 34
  35. 35. Historia de la RNAHoy Existen grandes grupos de investigación como los de California Institute of Technology, Massachussets Institute of Technology, University of California Berkeley y University of California San Diego. Conviene no olvidar el esfuerzo económico y técnico que están realizando las empresas privadas tanto en USA como en Japón y en la Comunidad Económica Europea. Las inversiones en estos países es muy significativa; sólo en USA se gasta más de 100 millones de dólares al año. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 35
  36. 36. RNA aplicacionesLas características especiales de los sistemas decomputación neuronal permiten que sea utilizadaesta nueva técnica de cálculo en una extensavariedad de aplicaciones.La computación neuronal provee un acercamientomayor al reconocimiento y percepción humanaque los métodos tradicionales de cálculo.Las RNAs presentan resultados razonables enaplicaciones donde las entradas presentan ruido olas entradas están incompletas. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 36
  37. 37. RNA aplicacionesAlgunas de las áreas de aplicación de las RNA: Análisis y Procesado de señales Reconocimiento de Imágenes Control de Procesos Filtrado de ruido Robótica Procesado del Lenguaje Diagnósticos médicos Otros Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 37
  38. 38. Representación de una RNARed neuronal artificial perceptrón simple con n neuronasde entrada, m neuronas en su capa oculta y una neuronaen su capa de salida. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 38
  39. 39. Funcionamiento de una RNA• Las RNAs consisten en una simulación de las propiedades observadas en los sistemas neuronales biológicos a través de modelos matemáticos recreados mediante mecanismos artificiales (como un circuito integrado, un computador o un conjunto de válvulas).• El objetivo es conseguir que las máquinas den respuestas similares a las que es capaz de dar el cerebro que se caracterizan por su generalización y su robustez.• Una RNB se compone de unidades llamadas neuronas.• Cada neurona recibe una serie de entradas a través de interconexiones y emite una salida. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 39
  40. 40. Funciones de las RNAsTres FuncionesLa salida de una neurona viene dada por tres funciones: 1. Una función de propagación 2. Una función de activación 3. Una función de transferencia Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 40
  41. 41. Funciones de las RNAsFunción de Propagación También es conocida como función de excitación. Consiste en la sumatoria de cada entrada multiplicada por el peso de su interconexión (valor neto). Si el peso es positivo, la conexión se denomina excitatoria; si es negativo, se denomina inhibitoria. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 41
  42. 42. Funciones de las RNAsFunción de activación La función de activación, modifica a la función de propagación. Puede no existir, siendo en este caso la salida la misma función de propagación. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 42
  43. 43. Funciones de las RNAsFunción de transferencia La función de transferencia, se aplica al valor devuelto por la función de activación. Se utiliza para acotar la salida de la neurona y generalmente viene dada por la interpretación que queramos darle a dichas salidas. Algunas de las más utilizadas son: la función sigmoidea (para obtener valores en el intervalo [0,1]) y la función tangente hiperbólica (para obtener valores en el intervalo [-1,1]). Sistemas Inteligentes y y Redes Neuronales- - Prof. Ing. Jose Benítez P. P. Sistemas Inteligentes Redes Neuronales Prof. Ing. José C. C. Benitez 43
  44. 44. Ventajas de las RNAs Las RNA tienen muchas ventajas debido a que están basadas en la estructura del sistema nervioso, principalmente el cerebro. Aprendizaje Auto organización Tolerancia a fallos Flexibilidad Tiempo realSistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 44
  45. 45. Ventajas de las RNAs• Aprendizaje: • Las RNA tienen la habilidad de aprender mediante una etapa que se llama etapa de aprendizaje. • Esta consiste en proporcionar a la RNA datos como entrada a su vez que se le indica cuál es la salida (respuesta) esperada.• Auto organización: • Una RNA crea su propia representación de la información en su interior, descargando al usuario de esta tarea.• 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. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 45
  46. 46. Ventajas de las RNAs• Flexibilidad: • Una RNA puede manejar cambios no importantes en la información de entrada, como señales con ruido u otros cambios en la entrada • Ejemplo: Si la información de entrada es la imagen de un objeto, la respuesta correspondiente no sufre cambios si la imagen cambia un poco su brillo o el objeto cambia ligeramente.• Tiempo real: • La estructura de una RNA es paralela, por lo cuál si esto es implementado con computadoras o en dispositivos electrónicos especiales con procesamiento paralelo, se pueden obtener respuestas en tiempo real. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 46
  47. 47. Modelos de RNAsPerceptrónAdalinePerceptrón multicapaMemorias asociativasMáquina de BoltzmannMáquina de CauchyPropagación hacia atrás (backpropagation)Redes de ElmanRedes de HopfieldRedes de neuronas de base radialRedes de neuronas de aprendizaje competitivoMapas Auto organizados (Redes de Kohonen)Crecimiento dinámico de célulasGas Neuronal CrecienteRedes ART (Adaptative Resonance Theory) Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 47
  48. 48. Clasificación de las RNAsLas RNA se pueden clasificar según: Topología Tipo de Aprendizaje. Tipo de información. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 48
  49. 49. Clasificación de las RNAsLas RNA en función de su topología (patrón deconexiones) que presenta, se clasifican en dostipos básicos de redes: Las redes de propagación hacia delante Las redes recurrentes. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 49
  50. 50. Clasificación de las RNAsPatrón de conexiones:Las redes de propagación hacia delante o acíclicas.Todas las señales van desde la capa de entrada hacia la salida sinexistir ciclos, ni conexiones entre neuronas de la misma capa.• Monocapa. Ejemplos: perceptrón, Adaline.• Multicapa. Ejemplos: perceptrón multicapa. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 50
  51. 51. Clasificación de las RNAsPatrón de conexiones:Las redes recurrentesSon las que presentan al menos un ciclo cerrado de activaciónneuronal.Ejemplos: Elman, Hopfield, máquina de Boltzmann. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 51
  52. 52. Clasificación de las RNAsLas RNA en función del tipo de aprendizaje de que es capaz(si necesita o no un conjunto de entrenamiento supervisado)se clasifican en: Aprendizaje supervisado Aprendizaje no supervisado o auto organizado Redes híbridas Aprendizaje reforzado Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 52
  53. 53. Clasificación de las RNAsTipo de aprendizaje:Aprendizaje supervisado:Necesitan un conjunto de datos de entrada previamenteclasificado o cuya respuesta objetivo se conoce.Ejemplos de este tipo de redes son: el perceptrón simple, la red Adaline, el perceptrón multicapa y la memoria asociativa bidireccional. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 53
  54. 54. Clasificación de las RNAsTipo de aprendizaje:Aprendizaje no supervisado o auto organizado:No necesitan de tal conjunto previo.Ejemplos de este tipo de redes son: las memorias asociativas, las redes de Hopfield, la máquina de Boltzmann y la máquina de Cauchy, las redes de aprendizaje competitivo, las redes de Kohonen o mapas autoorganizados y las redes de resonancia adaptativa (ART). Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 54
  55. 55. Clasificación de las RNAsTipo de aprendizaje:Redes híbridas:Son un enfoque mixto en el que se utiliza una función demejora para facilitar la convergencia.Un ejemplo de este último tipo son: las redes de base radial.Aprendizaje reforzado:Se sitúa a medio camino entre el supervisado y el autoorganizado. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 55
  56. 56. Clasificación de las RNAsTambién se pueden clasificar las RNAs según seancapaces de procesar un tipo información en: Redes analógicas Redes discretas Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 56
  57. 57. Clasificación de las RNAsTipo información:Redes analógicas:Procesan datos de entrada con valores continuos yhabitualmente acotados.Ejemplos de este tipo de redes son: Hopfield, Kohonen y las redes de aprendizaje competitivo. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 57
  58. 58. Clasificación de las RNAsTipo información:Redes discretas:Procesan datos de entrada de naturaleza discreta;habitualmente valores lógicos booleanos.Ejemplos de este segundo tipo de redes son: La máquina de Boltzmann, La maquina de Cauchy, y la red discreta de Hopfield. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 58
  59. 59. Sesión 2 y 3. Tarea2Con la ayuda de fuentes y mediante mapas conceptuales y/o semánticosresponda las siguientes preguntas:1. ¿Cuáles son los objetivos de las RNA?2. Explique las características propias del cerebro en las RNA.3. ¿Qué es y cuáles son las partes de una NB?4. ¿Que son las sinapsis?5. ¿Cuáles son lo tipos de NB que existen?. Hacer una maqueta.6. Compare la computación tradicional con la computación neuronal.7. Listar cinco hechos mas importantes para usted, de la historia de las RNA.8. Listar cinco aplicaciones de las RNA.9. Representar una perceptron simple de 5 neuronas de entrada, 3 neuronas en su capa oculta y e neuronas en su capa de salida.10. Describa en detalle cada una de las funciones de las RNA.11. ¿Cuales son las ventajas de las RNA?. Explique.12. Grafique las clasificaciones de las RNA y de un ejemplo como mínimo en cada una. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 59
  60. 60. Presentación Desarrollo de la Tarea impreso y en USB. Adjuntar fuentes (03 PDFs, 03 PPTs y 01 video.) en USB, que le hayan servido para el desarrollo de la presente Tarea. Las fuentes deben conservar el nombre original y agregar al final _T2. Todas las fuentes y desarrollo de la tarea deben presentarse en USB, dentro de una carpeta que lleve las iniciales del curso, sus Apellidos, guion bajo y luego el numero de la tarea. Ejemplo: SIRN_BenitezPalacios_T2 Las Tareas que no cumplan las indicaciones no serán recepcionados por el profesor. Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 60
  61. 61. Sesión 2. Redes Neuronales Artificiales Sistemas Inteligentes y Redes Neuronales http://utpsirn.blogspot.com Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 61
  1. A particular slide catching your eye?

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

×