Redes Neuronales
   Artificiales




                   1
Redes Neuronales Artificiales

                             Índice


„ 1.- Introducción histórica
„ 2.- Redes neuronales b...
1. HISTORIA DE LAS REDES NEURONALES




„ 1890 William James:
   ƒ Psicólogo.
   ƒ Modelo para explicar como el cerebro re...
1. HISTORIA DE LAS REDES NEURONALES




„ En 1943 se publicó un importante artículo sobre el
  cerebro:
   ƒ 1943 McCulloc...
1. HISTORIA DE LAS REDES NEURONALES



ƒ 1949 Donald Hebb:
ƒ The organization of behavior.

ƒ Los trabajos de Hebb constit...
1. HISTORIA DE LAS REDES NEURONALES




„ La primera simulación por ordenador fue desarrollada en
  los cincuenta.
   ƒ 19...
1. HISTORIA DE LAS REDES NEURONALES




ƒ 1958 Frank Rosenblatt:
ƒ Perceptron



ƒ 1969 Marvin Minsky/Seymour Papert:
ƒ Pe...
1. HISTORIA DE LAS REDES NEURONALES




                                      8
1. HISTORIA DE LAS REDES NEURONALES




ƒ 1974 Paul Werbos
ƒ Desarrolló la idea básica del algoritmo de retropropagación.
...
1. HISTORIA DE LAS REDES NEURONALES



ƒ Rumelhart, McClelland & Hinton crean el grupo PDP. Este
  grupo de trabajo soluci...
3. REDES NEURONALES ARTIFICIALES.
            3.1.- FUNCIONAMIENTO




ENTRADAS   CONEXIONES
                         FUNC...
3. REDES NEURONALES ARTIFICIALES.
        3.2.- COMPARACIÓN.


„ COMPARACIÓN CON LAS REDES NEURONALES
              BIOLÓG...
3. REDES NEURONALES ARTIFICIALES.
       3.3.- CARACTERÍSTICAS.


ƒ APRENDIZAJE INDUCTIVO.

ƒ GENERALIZACIÓN.

ƒ ABSTRACCI...
3. REDES NEURONALES ARTIFICIALES.
      3.4.- MODO DE OPERACIÓN.




ƒ FASE DE APRENDIZAJE.

   ‚ APRENDIZAJE SUPERVISADO....
3. REDES NEURONALES ARTIFICIALES.
             3.4.- MODO DE OPERACIÓN.
        3.4.1.- APRENDIZAJE SUPERVISADO.


„   1.-...
3. REDES NEURONALES ARTIFICIALES.
            3.4.- MODO DE OPERACIÓN.
         3.4.2.- MODELO NO SUPERVISADO



„   REQUI...
3. REDES NEURONALES ARTIFICIALES.
        3.5.- TIPOS DE R.N.A.



 ASOCIADORES     MAPAS DE        MODELOS DE          OT...
4.- APLICACIONES PRÁCTICAS



„ Cuándo utilizar una red neuronal artificial

   ƒ En tareas en las que un ser humano se de...
4.1.-PROBLEMAS QUE RESUELVEN ( l )


„   3 grupos:
    ƒ Optimización
    ƒ Reconocimiento
    ƒ Generalización


„ Optimi...
4.2.- PROBLEMAS QUE RESUELVEN (II)



„ Reconocimiento
   ƒ Se entrena una RN con entradas como sonidos,números,letras y s...
4.3.- PROBLEMAS QUE RESUELVEN (III)




„ Ejemplos
  ƒ   Conversión de texto escrito a lenguaje hablado.
  ƒ   Compresión ...
Redes Neuronales
Redes Neuronales
Redes Neuronales
Upcoming SlideShare
Loading in …5
×

Redes Neuronales

4,517 views

Published on

UNA BREVE DESCRIPCION DE LAS REDES NUERONALES

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

No Downloads
Views
Total views
4,517
On SlideShare
0
From Embeds
0
Number of Embeds
754
Actions
Shares
0
Downloads
207
Comments
0
Likes
3
Embeds 0
No embeds

No notes for slide

Redes Neuronales

  1. 1. Redes Neuronales Artificiales 1
  2. 2. Redes Neuronales Artificiales Índice „ 1.- Introducción histórica „ 2.- Redes neuronales biológicas „ 3.- Redes neuronales artificiales ƒ 3.1.- Funcionamiento ƒ 3.2.- Características ƒ 3.3.- Tipos „ 4.- Aplicaciones prácticas ƒ 4.1.- Tipos de problemas que resuelven ƒ 4.2.- Ejemplos 2
  3. 3. 1. HISTORIA DE LAS REDES NEURONALES „ 1890 William James: ƒ Psicólogo. ƒ Modelo para explicar como el cerebro realiza asociaciones. „ Otros científicos que se distinguieron por sus estudios sobre el cerebro fueron: ƒ Ramón y Cajal. ƒ Charles Sherrington. ƒ Iwan Pawlow. 3
  4. 4. 1. HISTORIA DE LAS REDES NEURONALES „ En 1943 se publicó un importante artículo sobre el cerebro: ƒ 1943 McCulloch/Pitts: ƒ A logical calculus of the ideas immanent in nervous activity „ El siguiente hecho importante en la historia de las redes neuronales fue logrado por los resultados de las investigaciones de Donald Hebb: 4
  5. 5. 1. HISTORIA DE LAS REDES NEURONALES ƒ 1949 Donald Hebb: ƒ The organization of behavior. ƒ Los trabajos de Hebb constituyen la base de la teoría de redes neuronales. ƒ 1950 Karl Lashley: ƒ In search of engram. 5
  6. 6. 1. HISTORIA DE LAS REDES NEURONALES „ La primera simulación por ordenador fue desarrollada en los cincuenta. ƒ 1956 Dartmouth Conference: „ Uno de los principales resultados de esta conferencia fue que la simple regla de aprendizaje desarrollada por Hebb, deducida de los efectos observados en el cuerpo humano, no era aplicable a muchos problemas prácticos. 6
  7. 7. 1. HISTORIA DE LAS REDES NEURONALES ƒ 1958 Frank Rosenblatt: ƒ Perceptron ƒ 1969 Marvin Minsky/Seymour Papert: ƒ Perceptrons ƒ Esta casi fue el fin de las redes neuronales debido a que Minsky y Papert probaron matemáticamente que el Perceptrón no era capaz de resolver problemas relativamente fáciles (como aprender la función XOR). Concluyeron que, en general, los descubrimientos en redes neuronales no merecían la pena. 7
  8. 8. 1. HISTORIA DE LAS REDES NEURONALES 8
  9. 9. 1. HISTORIA DE LAS REDES NEURONALES ƒ 1974 Paul Werbos ƒ Desarrolló la idea básica del algoritmo de retropropagación. ƒ 1977 Stephen Grossberg ƒ Adaptative Resonance Theory (ART) ƒ ART es una ‘arquitectura’ de red que difiere de todo lo anteriormente inventado. Simula otra habilidad del cerebro: la memoria a largo y a corto plazo. 9
  10. 10. 1. HISTORIA DE LAS REDES NEURONALES ƒ Rumelhart, McClelland & Hinton crean el grupo PDP. Este grupo de trabajo solucionó los problemas propuestos por Minsky y Papert, gracias al algoritmo de retropropagación. ƒ 1985 John Hopfield ƒ Provocó el renacimiento de las redes neuronales con el libro: ƒ Neural computation of decisión in optimization problems. 10
  11. 11. 3. REDES NEURONALES ARTIFICIALES. 3.1.- FUNCIONAMIENTO ENTRADAS CONEXIONES FUNCION FUNCION DE X1 DE RED ACTIVACION W1 net(.) act(.) Σ X2 SALIDA W2 X3 ENTRADAS W3 PONDERADAS 14
  12. 12. 3. REDES NEURONALES ARTIFICIALES. 3.2.- COMPARACIÓN. „ COMPARACIÓN CON LAS REDES NEURONALES BIOLÓGICAS. Redes Neuronales Redes Neuronales Biológicas Artificiales Neuronas Unidades de proceso Conexiones sinápticas Conexiones ponderadas Efectividad de las sinápsis Peso de las conexiones Efecto excitatorio o inhibitorio de Signo del peso de una una conexión conexión Efecto combinado de las sinápsis Función de propagación o de red Activación -> tasa de disparo Función de activación -> Salida 15
  13. 13. 3. REDES NEURONALES ARTIFICIALES. 3.3.- CARACTERÍSTICAS. ƒ APRENDIZAJE INDUCTIVO. ƒ GENERALIZACIÓN. ƒ ABSTRACCIÓN O TOLERANCIA AL RUIDO. ƒ PROCESAMIENTO PARALELO. ƒ MEMORIA DISTRIBUIDA. 16
  14. 14. 3. REDES NEURONALES ARTIFICIALES. 3.4.- MODO DE OPERACIÓN. ƒ FASE DE APRENDIZAJE. ‚ APRENDIZAJE SUPERVISADO. ‚ APRENDIZAJE NO SUPERVISADO. ‚ APRENDIZAJE REFORZADO. ƒ FASE DE APLICACIÓN. ƒ FASE DE TEST (OPCIONAL). 17
  15. 15. 3. REDES NEURONALES ARTIFICIALES. 3.4.- MODO DE OPERACIÓN. 3.4.1.- APRENDIZAJE SUPERVISADO. „ 1.- ALEATORIZAR LOS PESOS DE TODAS LAS CONEXIONES. „ 2.- SELECCIONAR UN PAR DE ENTRENAMIENTO „ 3.- CALCULAR SALIDA MEDIANTE OPERACIONES USUALES. „ 4.- CALCULAR LA DISCREPANCIA EN LA SALIDA. „ 5.- APLICAR LA REGLA DE APRENDIZAJE. „ 6.- VOLVER AL PASO 2. 18
  16. 16. 3. REDES NEURONALES ARTIFICIALES. 3.4.- MODO DE OPERACIÓN. 3.4.2.- MODELO NO SUPERVISADO „ REQUIERE PROPAGAR INFORMACIÓN(EL ERROR) HACIA ATRÁS. „ REQUIERE UN INSTRUCTOR QUE PROPORCIONE LA SALIDA. „ NO REQUIERE PRESENTAR PATRONES DE SALIDA. 19
  17. 17. 3. REDES NEURONALES ARTIFICIALES. 3.5.- TIPOS DE R.N.A. ASOCIADORES MAPAS DE MODELOS DE OTRAS REDES DE AUTO- SATISFACCIÓN DE ASOCIATIVAS DE PATRONES ORGANIZACIÓN DEMANDA PESOS FIJOS Perceptrones Redes de Redes de Hopfield Memorias Kohonen proasociativas Redes de Máquinas de retropropaga Arquitecturas Boltzmann Redes de Hamming ción ART 20
  18. 18. 4.- APLICACIONES PRÁCTICAS „ Cuándo utilizar una red neuronal artificial ƒ En tareas en las que un ser humano se desenvuelve bien. „ Cuándo no utilizarla ƒ Solución algorítmica es eficiente ƒ No dispongamos de suficientes patrones-ejemplos 21
  19. 19. 4.1.-PROBLEMAS QUE RESUELVEN ( l ) „ 3 grupos: ƒ Optimización ƒ Reconocimiento ƒ Generalización „ Optimización ƒ Determinar una solución que sea óptima ƒ Muy utilizado en la gestión empresarial(niveles adecuados de tesorería,de existencias,de producción) 22
  20. 20. 4.2.- PROBLEMAS QUE RESUELVEN (II) „ Reconocimiento ƒ Se entrena una RN con entradas como sonidos,números,letras y se procede al test presentando esos mismos patrones con ruido. „ Generalización ƒ La RN se entrena con unas entradas y el test se realiza con otros casos diferentes. ƒ Clasificación ‚ Asignar a cada caso su clase correspondiente (préstamos) ƒ Predicción ‚ Lo que más interés despierta (ratio) 23
  21. 21. 4.3.- PROBLEMAS QUE RESUELVEN (III) „ Ejemplos ƒ Conversión de texto escrito a lenguaje hablado. ƒ Compresión de imágenes ƒ Reconocimiento de escritura manual (japonesa) ƒ Visión artificial en robots industriales (inspección de etiquetas,clasificación de componentes) 24

×