Redes neuronales
Upcoming SlideShare
Loading in...5
×
 

Redes neuronales

on

  • 476 views

 

Statistics

Views

Total Views
476
Views on SlideShare
476
Embed Views
0

Actions

Likes
0
Downloads
11
Comments
1

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

11 of 1

  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
  • https://www.dropbox.com/s/qqc0inzvq87jmoe/Exposicion%20Edad.zip
    https://www.dropbox.com/s/ao0u2kdxmhapw02/Partido%20LIBRE.zip

    Unas presentaciones hecha en Prezi, es bueno descarguenlas
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

    Redes neuronales Redes neuronales Presentation Transcript

    • Sig.
    • 3)Estruc tura y element os 4)Ventaj as y caracterí sticas 5)Forma s de aprendiz aje 6)Model os de redes 7)Aplica ciones y ejemplos 1)Redes Neurona les 2)Funcio na miento y diseño Primera Ultima
    • • Las redes de neuronas artificiales son un paradigma de aprendizaje y procesamiento automático inspirado en la forma en que funciona el sistema nervioso de los animales y seres vivos en general. Se trata de un sistema de interconexión de neuronas en una red que colabora para producir un estímulo de salida. • Con las Redes Neuronales se busca la solución de problemas complejos, no como una secuencia de pasos, sino como la evolución de unos sistemas de computación inspirados en el cerebro humano, y dotados por tanto de cierta "inteligencia“.
    • • Las redes neuronales 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 ordenador 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 red neuronal se compone de unidades llamadas neuronas. Cada neurona recibe unaSig.
    • Comúnmente, el objetivo del programador es modelar matemáticamente el problema en cuestión y posteriormente formular una solución (programa) mediante un algoritmo codificado que tenga una serie de propiedades que permitan resolver dicho problema. En contraposición, la aproximación basada en las RNA parte de un conjunto de datos de entrada suficientemente significativo y el objetivo es conseguir que la red aprenda automáticamente las propiedades deseadas. Este proceso no se denomina programación sino que se suele denominar entrenamiento neuronal.
    • • La mayoría de los científicos coinciden en que una RNA es muy diferente en términos de estructura de un cerebro animal. Al igual que el cerebro, una RNA se compone de un conjunto masivamente paralelo de unidades de proceso muy simples 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 queSig.
    • 1. Capa o nivel : conjunto de neuronas cuyas entradas provienen de la misma fuente y cuyas salidas se dirigen al mismo destino. 2. Unidad de proceso: La neurona Artificial. 3. Estado de Activación. 4. Función de Salida o de Transferencia. Asociada con cada unidad hay una función de salida, que transforma el estado actual de activación en una señal de salida.
    • • 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 esto. • Tolerancia a fallos: Comparados con los sistemas computacionales tradicionales, los cuales pierden su funcionalidad cuando sufren un pequeño error de memoria, en las redes neuronales, si se produce un fallo en un número no muy grande de neuronas y aunque el comportamiento del sistema se ve influenciado, no sufre una caída repentina. Sig.
    • • Las redes pueden aprender a reconocer patrones con ruido, distorsionados o incompletos. Esta es una tolerancia a fallos respecto a los datos. • Las redes pueden seguir realizando su función (con cierta degradación) aunque se destruya parte de la red. Sig.
    • Otras ventajas: • Flexibilidad: Una RNA puede manejar cambios no importantes en la información de entrada, como señales con ruido u otros cambios en la entrada. • Tiempo real: La estructura de una RNA es paralela, por lo cual si esto es implementado con computadoras o en dispositivos electrónicos especiales, se pueden obtener respuestas en tiempo real. Sig.
    • • No son algorítmicas: Esto es que no se programan haciéndoles seguir una secuencia predefinida de instrucciones, ellas hacen sus propias "reglas", para asociar la respuesta a su entrada; es decir, aprende por ejemplos y de sus propios errores. • Asociar y generalizar sin reglas como en el cerebro humano. • Requieren de algún tipo de patrón: Son buenas para problemas que son muy difíciles de calcular pero que no requieren de respuestas perfectas, sólo respuestas rápidas y buenas. Así como: ¿compro?, ¿vendo?, se parece? Las redes neuronales son muy malas para cálculos precisos, procesamiento serie, y no son capaces de reconocer nada que no tenga inherentemente algún tipo de patrón.
    • Aprendizaje Supervisado El proceso de aprendizaje se realiza mediante un entrenamiento controlado por un agente externo (supervisor o maestro) que determina la respuesta que debería generar la red a partir de una entrada determinada. El supervisor comprueba la salida de la red y en caso de que ésta no coincida con la deseada, se procederá a modificar los pesos de las conexiones. Aprendizaje no Supervisado Las redes con dicho aprendizaje no requieren de influencia externa para ajustar los pesos de las conexiones entre sus neuronas. La red no recibe ninguna información por parte del entorno que le indique si la salida generada en respuesta de una entrada es o no correcta. Suele decirse que estas redes son capaces de auto organizarse.
    • 1. Red ADALINE: (Adaptative Linear Element), fueron desarrolladas por Bernie Widrow en la Universidad de Stamford. La principal aplicación de las redes ADALINE está en el campo del procesamiento de señales, en concreto, para el diseño y realización de filtros que eliminen el ruido en señales portadoras de información. También se han utilizado para la eliminación del ruido materno de las grabaciones electro cardiográficas (ECG) del latido del corazón del feto humano. Sig.
    • 2. La Red Backpropagation(Propagación hacia atrás) Desarrollada en 1986 por Rumelhart, Hinton y Williams. Actualmente, este tipo de redes se están aplicando en distintas clases de problema debido a la naturaleza general del proceso de aprendizaje. Algunos de los campos generales de aplicación son: Codificación de Información. Traducción de texto a lenguaje hablado. Reconocimiento de lenguaje hablado. Reconocimiento óptico de caracteres (OCR). Software de Redes Neuronales
    • Empresa: • Reconocimiento de caracteres escritos. • Identificación de candidatos para posiciones específicas. • Optimización de plazas y horarios en líneas de vuelo. • Explotación de bases de datos. • Síntesis de voz desde texto. • Análisis y reconocimiento de imágenes, formas. Biología: • Aprender más acerca del cerebro y otros sistemas. • Obtención de modelos de la retina. • Analizar tendencias y patrones. • Previsión del tiempo. Medio ambiente: Sig.
    • Manufacturación: • Robots automatizados y sistemas de control (visión artificial y sensores de presión, temperatura, gas, etc.) • Control de producción en líneas de proceso. • Inspección de calidad. • Filtrado de señales. Finanzas: • Previsión de la evolución de los precios. • Valoración del riesgo de los créditos. • Identificación de falsificaciones. • Interpretación de firmas. Sig.
    • Medicina: • Analizadores del habla para la ayuda de audición de sordos profundos. • Diagnóstico y tratamiento a partir de síntomas y/o de datos analíticos (encefalograma, etc.). • Monitorización en cirugía. • Predicción de reacciones adversas a los medicamentos. • Lectoras de Rayos X. • Entendimiento de causa de ataques epilépticos. Militares: • Clasificación de las señales de radar. • Creación de armas inteligentes. • Optimización del uso de recursos escasos. Sig.
    • 1. Neuro Dieta (NeuroDiet) 3.4: NeuroDiet es una aplicación de redes neuronales que enseña cómo están relacionados los alimentos que come con su salud y forma física. Todas las funciones de red neuronal se gestionan automáticamente. Usted no necesita saber nada de redes neuronales. Todo lo que tiene que hacer es decirle a NeuroDiet cómo están cambiando sus síntomas y que alimentos come. Cada día, NeuroDiet le presentará una lista de alimentos que le pueden estar causando problemas a su salud y su forma física. Sig.
    • 2. PANDORA Music Decomposition Series (Realtime): • Está diseñada para extraer, de una señal de audio completa, los componentes musicales más básicos. Normalmente el filtrado de los componentes de la música, como la voz en una canción, se realizaba con ecualizadores paramétricos, identificando la frecuencia principal del cantante y atenuándola, sin embargo, esto elimina otros elementos de la música que se localicen cerca de los mismos valores de frecuencia. También se puede utilizar para ciencias forenses, al extraer componentes básicos de una grabación en casos importantes.
    • Neurona y sus partes:
    • Cerebro Humano:
    • Circuito Integrado:
    • Bernie Widrow