Inteligencia Artificial Clase 2

3,040 views

Published on

Published in: Technology
0 Comments
3 Likes
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total views
3,040
On SlideShare
0
From Embeds
0
Number of Embeds
39
Actions
Shares
0
Downloads
0
Comments
0
Likes
3
Embeds 0
No embeds

No notes for slide

Inteligencia Artificial Clase 2

  1. 1. Redes Neuronales Artificiales Contenido: Definición de Red Neuronal Artificial Modelo de una Neurona Artificial Modelos de RNA Características de las RNA Aplicaciones de las RNA
  2. 2. Redes Neuronales Artificiales Definición de Red Neuronal Artificial: Es un arreglo masivo de elementos de procesamiento simple llamados neuronas, los cuales poseen un alto grado de interconectividad entre sus elementos, en los que la información puede fluir en cascada o en retroceso. Las RNA funcionamiento paralelo y organización jerárquica. Estos arreglos están inspirados en la naturaleza biológica de las neuronas.
  3. 3. Redes Neuronales Artificiales Definición de Red Neuronal Artificial: Neurona: célula cerebral encargada de recoger, procesar y transmitir señales eléctricas. Número de neuronas en el cerebro humano: ~10 10 Conexiones (sinapsis) por neurona: ~10 4 –10 5 Reconocimiento de escenas: 0.1 segundos Procesamiento no lineal Masivo grado de paralelismo Representaciones distribuidas Adaptativo
  4. 4. Redes Neuronales Artificiales <ul><li>Definición de Red Neuronal Artificial: </li></ul><ul><li>Una red neuronal artificial (RNA) es un sistema de procesamiento de información que tiene ciertas aptitudes en común con las redes neuronales biológicas: </li></ul><ul><ul><li>El procesamiento de información ocurre en muchos elementos simples llamados neuronas. </li></ul></ul><ul><ul><li>Las señales son transferidas entre neuronas a través de enlaces de conexión. </li></ul></ul><ul><ul><li>Cada conexión tiene un peso asociado, el cual, típicamente, multiplica a la señal transmitida. </li></ul></ul><ul><ul><li>Cada neurona aplica una función de activación (usualmente no lineal) a su entrada de red (suma de entradas pesadas) para determinar su salida. </li></ul></ul>
  5. 5. Redes Neuronales Artificiales <ul><li>Definición de Red Neuronal Artificial: </li></ul><ul><li>Similitud directa entre actividad sináptica y la analogía con las RNA: </li></ul><ul><li>Las señales que llegan a la sinapsis son las entradas a la neurona. </li></ul><ul><li>Dichas señales son ponderadas (atenuadas o modificadas) a través de un parámetro, denominado PESO, asociado a la sinapsis correspondiente. </li></ul><ul><li>Las señales pueden excitar a la neurona (sinapsis con peso positivo) o inhibirla (peso negativo). </li></ul><ul><li>El efecto es la suma de las entradas ponderadas. </li></ul><ul><li>Si la suma es igual o mayor que el umbral de la neurona, entonces la neurona se activa. </li></ul><ul><li>Cada neurona se activa o no se activa. </li></ul>
  6. 6. Redes Neuronales Artificiales Modelo de una Neurona Artificial: El primer modelo de Neurona Artificial fue propuesto por McCulloch-Pitts en 1943: El punto importante es que todas las neuronas tienen 2 estados de activación posibles: EXCITADO o REPOSO. Usualmente EXCITADO es 1 y REPOSO -1.
  7. 7. Redes Neuronales Artificiales <ul><li>Modelo de una Neurona Artificial: </li></ul><ul><li>En 1958 Rosenblatt redefine el modelo anterior y lo nombra Perceptron, que no es más que un procesador elemental, que a partir de un vector de entrada proporciona una respuesta única a la salida. Se reconocen las siguientes partes: </li></ul><ul><ul><li>El vector de Entradas p , que pueden representarse </li></ul></ul><ul><ul><li>con variables analógicas o digitales. </li></ul></ul><ul><ul><li>El vector de Pesos w , que representan la intensidad </li></ul></ul><ul><ul><li>de interacción de cada entrada con la neurona. </li></ul></ul><ul><ul><li>La Regla de Propagación , que suele ser un sumador </li></ul></ul><ul><ul><li>para calcular la combinación lineal de las entradas </li></ul></ul><ul><ul><li>con sus respectivos pesos. </li></ul></ul><ul><ul><li>El Umbral de Disparo b , el nivel mínimo que debe </li></ul></ul><ul><ul><li>alcanzarse en el combinador lineal para que la nuerona </li></ul></ul><ul><ul><li>se active. </li></ul></ul><ul><ul><li>La Función de Activación o de Transferencia F , que </li></ul></ul><ul><ul><li>proporciona el estado de activación actual de la neurona </li></ul></ul><ul><ul><li>en función del peso post sináptico y el estado anterior </li></ul></ul><ul><ul><li>de la neurona. </li></ul></ul><ul><ul><li>La Función de Salida , que transmite el estado de la neurona </li></ul></ul><ul><ul><li>a otras neuronas. Usualmente es la función identidad. </li></ul></ul>
  8. 8. Redes Neuronales Artificiales Modelo de una Neurona Artificial: Las funciones de activación posibles en neuronas artificiales son:
  9. 9. Redes Neuronales Artificiales Modelo de una Neurona Artificial: Las funciones de activación posibles en neuronas artificiales son:
  10. 10. Redes Neuronales Artificiales Modelo de una Neurona Artificial: La modificación del comportamiento inducido por la interacción de con el entorno y como resultado de experiencias conducente al establecimiento de nuevos modelos de respuesta a estímulos externos. Es decir , el conocimiento está representado en los pesos, por lo que al variar estos en sucesivas experiencias, se logra el ajuste al valor más adecuado. Obtener el mejor valor para los pesos se conoce como aprendizaje .
  11. 11. Redes Neuronales Artificiales Modelos de RNA: En la mayoría de las aplicaciones del mundo real, contar con un procesador elemental como el perceptron no es ni cerca de suficiente, para esto se agrupan varias neuronas en modelos de redes. Las RNA se pueden clasificar así: - Según e/o/s: Número y tipo de entradas Elementos ocultos Elementos de salida - Según conectividad entre capas: Feedforward (hacia adelante) Redes Recurrentes Estructuras Enrejadas (Lattice)
  12. 12. Redes Neuronales Artificiales Modelos de RNA: En la mayoría de las aplicaciones del mundo real, contar con un procesador elemental como el perceptron no es ni cerca de suficiente, para esto se agrupan varias neuronas en modelos de redes. Las RNA se pueden clasificar así: - Según conexión entre capas: Totalmente conectados (full-conexión) Parcialmente conectados Conexión uno a uno - Sincronía (actualización de pesos): Simultánea Aleatoria Según orden topológico
  13. 13. Redes Neuronales Artificiales Modelos de RNA: Redes Mono Capa Dos o más neuronas pueden ser combinadas en una única capa. A continuación se presenta una red con una capa que contiene R entradas y S neuronas, donde cada elemento del vector de entrada p esta conectado a cada neurona a través de la matriz de ponderaciones W de orden RxS (R no = S). Una capa neuronal incluye la matriz de ponderaciones, las operaciones de multiplicación, el vector de umbral b, el sumador, y la función de transferencia.
  14. 14. Redes Neuronales Artificiales Modelos de RNA: Redes Multi Capa Usualmente se al menos presentan 3 capas: Capa de Entrada, Capa Oculta y Capa de Salida.
  15. 15. Redes Neuronales Artificiales Modelos de RNA: Redes Multi Capa Usualmente se al menos presentan 3 capas: Capa de Entrada, Capa Oculta y Capa de Salida.
  16. 16. Redes Neuronales Artificiales Modelos de RNA: Redes con conexiones hacia delante (feedforward): En este tipo de redes, todas las señales neuronales se propagan hacia adelante a través de las capas de la red. No existen conexiones hacia atrás y normal- mente tampoco autorrecurrentes, ni laterales. Este tipo de redes son especialmente útiles en aplicaciones de reconocimiento o clasificación de patrones.
  17. 17. Redes Neuronales Artificiales Modelos de RNA: Redes con conexiones hacia adelante y hacia atrás (feedforward / feedback): En este tipo de redes circula información tanto hacia adelante como hacia atrás durante el funcionamiento de la red. Para que esto sea posible, existen conexiones feedforward y conexiones feedback entre las neuronas. También existen algunas que tienen conexiones laterales entre neuronas de la misma capa. Estas conexiones se diseñan como excitadores (con peso positivo) o inhibidoras (con peso negativo), estableciendose una competencia entre las neuronas correspondientes.
  18. 18. Redes Neuronales Artificiales <ul><li>Características de las RNA: </li></ul><ul><ul><li>Aprendizaje Adaptativo: Capacidad de aprender a realizar tareas basada en un entrenamiento experiencia inicial. </li></ul></ul><ul><ul><li>Autoorganización: Una red puede crear su propia organización o representacion de la información que recibe mediante una etapa de aprendizaje. </li></ul></ul><ul><ul><li>Tolerancia a Fallos. La destrucción parcial de una red conduce a una degradación de su estructura; sin embargo algunas capacidades de la red se pueden retener, incluso sufriendo un gran daño. </li></ul></ul>
  19. 19. Redes Neuronales Artificiales <ul><li>Características de las RNA: </li></ul><ul><ul><li>Operación en tiempo real. Los computadores neuronales pueden ser realizados en paralelo, y se diseñan y fabrican maquinas con hardware especial para obtener tal capacidad. </li></ul></ul><ul><ul><li>Fácil construcción en CI. Se puede obtener chips especializados para redes neuronales que mejoren su capacidad en ciertas tareas . Ello facilitara la integracion modular delos sistemas existentes. </li></ul></ul>
  20. 20. Redes Neuronales Artificiales <ul><li>Aplicaciones de las RNA: </li></ul><ul><ul><li>Para aplicar una solución con RNA se debe: </li></ul></ul>
  21. 21. Redes Neuronales Artificiales <ul><li>Aplicaciones de las RNA: </li></ul><ul><ul><li>Tipos de problemas abordables: </li></ul></ul><ul><ul><ul><li>Asociación </li></ul></ul></ul><ul><ul><ul><li>Clasificación de Patrones </li></ul></ul></ul><ul><ul><ul><li>Predicción </li></ul></ul></ul><ul><ul><ul><li>Control </li></ul></ul></ul><ul><ul><ul><li>Aproximación </li></ul></ul></ul><ul><ul><ul><li>Optimización </li></ul></ul></ul><ul><ul><li>En general: </li></ul></ul><ul><ul><ul><li>Difícil describir conocimiento/forma de resolverlos </li></ul></ul></ul><ul><ul><ul><li>Se dispone de una gran cantidad de datos </li></ul></ul></ul>
  22. 22. Redes Neuronales Artificiales <ul><li>Aplicaciones de las RNA: </li></ul><ul><ul><li>- NETalk (Sejnowski & Rosemberg): </li></ul></ul><ul><ul><li>A partir de textos escritos genera fonemas correspondientes. Mejoras durante aprendizaje </li></ul></ul><ul><ul><li>- Tratamiento de imágenes: </li></ul></ul><ul><ul><li>Ruido placas matrículas </li></ul></ul><ul><ul><li>Restitución </li></ul></ul><ul><ul><li>- Compresión de Imágenes: </li></ul></ul>
  23. 23. Redes Neuronales Artificiales <ul><li>Aplicaciones de las RNA: </li></ul><ul><ul><li>- Conteo de células: </li></ul></ul><ul><ul><li>Clasificación de glóbulos blancos </li></ul></ul><ul><ul><li>- Inspección visual: </li></ul></ul>
  24. 24. Redes Neuronales Artificiales <ul><li>Aplicaciones de las RNA: </li></ul><ul><ul><li>- Control de robots: </li></ul></ul><ul><ul><li>Cinemática inversa </li></ul></ul><ul><ul><li>Dinámica </li></ul></ul><ul><ul><li>- ALVINN: </li></ul></ul><ul><ul><li>Conducción de vehículo </li></ul></ul>
  25. 25. Redes Neuronales Artificiales <ul><li>Aplicaciones de las RNA: </li></ul><ul><ul><li>- Optimización de rutas </li></ul></ul>
  26. 26. Redes Neuronales Artificiales <ul><li>Aplicaciones de las RNA: </li></ul>
  27. 27. Redes Neuronales Artificiales <ul><li>Aplicaciones de las RNA: </li></ul>
  28. 28. Redes Neuronales Artificiales <ul><li>Aplicaciones de las RNA: </li></ul>

×