1/67 mg. samuel oporto díaz lima, enero 2006 redes neuronales artificiales
TRANSCRIPT
11 /67/67
Mg. Samuel Oporto Díaz Lima, enero 2006
Redes Neuronales Redes Neuronales ArtificialesArtificiales
22 /67/67
Tabla de Contenido
1. Objetivos
2. Inteligencia Natural
3. Inteligencia Artificial
4. Redes Neuronales
5. Aplicaciones
6. Tipos de Redes Neuronales• Redes de Nivel Simple• Redes de Nivel Múltiple
33 /67/67
Objetivos
• Exponer los aspectos básicos de la inteligencia natural.• Situar la Inteligencia artificial como una disciplina
orientada a la emulación de la inteligencia natural.• Presentar a las redes neuronales como una técnica
inspirada en las neuronas naturales.• Presentar el modelo matemático de las redes
neuronales.• Exponer las redes neuronales de nivel simple y de
múltiples nivel.
44 /67/67
INTELIGENCIA NATURAL
55 /67/67
¿Inteligencia?
• Es la facultad que tienen las personas de conocer, analizar, comprender situaciones.
• Es un conjunto de habilidades, destrezas y experiencias sobre cierto dominio.
• Es la capacidad de resolver problemas.
¿tienen inteligencia los animales?
¿el libre albedrío es inteligencia?
¿la conciencia de si mismo es inteligencia?
66 /67/67
Aspectos de la Inteligencia Natural
1. Percepción y Aprendizaje
2. Memoria y Asociación
3. Comunicación
4. Solución de problemas
5. Razonamiento
6. El pensamiento abstracto.
7. Conciencia
8. Imaginación o Creatividad
77 /67/67
¿?
• ¿Donde se genera la inteligencia?• ¿Donde se almacenan los datos?• ¿Cómo se procesa la información?• ¿Cómo se inicia una nueva acción?• ¿Cómo se inicia un nuevo pensamiento?
88 /67/67
Cerebro Humano
• 1011 Neuronas (procesadores)
• Poder desconocido• 1000 – 10000
conecciones por neurona
• Capacidad basada en las conexiones.
• Cada neurona es muy compleja.
• Almacenamiento redundante.
• No binario, no estable y no síncrono.
99 /67/67
Neuronas
¿Cómo funciona ?
Color
Sabor
Olor
Sonido
Tersura
información
acciones
Conexiones
1010 /67/67
Unidad de Procesamiento: La Neurona
Cuerpo
DendritasAxon
Señal
Sinapsis
(Información)
1111 /67/67
Neurona en Reposo
1212 /67/67
Potencial de acción
Na+K+
Na+K+
Na+K+Na+K+
Na+K+Na+K+
1313 /67/67
Propagación del potencial de acción
1414 /67/67
Sinapis
• Región donde las neuronas entran en contacto– Los impulsos son transmitidos desde el
axón de una neurona hacia las dentritas de otra neurona.
– Efecto excitatorio: estimula la acción de la neurona.
– Efecto inhibitorio: efecto contrario
axón dendrita
1515 /67/67
Conexiones del Sistema Nervioso.
GENÉTICO.• El niño nace con un conjunto de conexiones por defecto
(definidas genéticamente)
EXPERIENCIA.• Nuevas conexiones se crean en el proceso de
aprendizaje.• Las conexiones se refuerzan con la repetición.• Las conexiones se refuerzan cuando se crean redes de
resonancia.
1616 /67/67
• adaptabilidad • aprendizaje continuo
• distribución del procesamiento y del “almacenamiento”• alta redundancia• plasticidad (creación/modificación de sinapsis).• tolerante a fallas
• 10 a 100 billones de neuronas, cada una conectado a otras 10.000 neuronas
• Los humanos pierden prox. 1000 neuronas por dia.
Características del Sistema Nervioso
1717 /67/67
Aprendizaje
Patrones de actividad.• Ésta forma de aprendizaje es la que explica la memoria de corto
plazo.
Cambios físicos y químicos en las neuronas.• En este aprendizaje se modifican las conexiones entre unidades
haciendo que grupos de neuronas se vuelvan más o menos eficientes para excitar o inhibir a otras neuronas.
• Explica la memoria de largo plazo.
Creación de nuevas conexiones.• En este aprendizaje se crean nuevas conexiones.
1818 /67/67
INTELIGENCIA ARTIFICIAL
1919 /67/67
Inteligencia Artificial
• Es una ciencia que intenta la creación de programas para máquinas que imiten el comportamiento y la comprensión humana, que sea capaz de aprender, reconocer y pensar.
• Se orienta a la construcción de entidades inteligentes como a su comprensión.
• Usa una serie de técnicas.
2020 /67/67
Técnicas de la IA
• Sistemas Basados en Conocimiento.• Visión Computacional• Procesamiento de Voz y Lenguaje Natural• Lógica Difusa• Redes Neuronales• Computación Evolutiva• Sistemas Multiagente• Robótica• Aprendizaje Mecánico.• Técnicas Heurísticas (recocido simulado)
2121 /67/67
Modelos Inspirados en la Naturaleza
• Neuronas Red Neuronal• Evolución Natural Algoritmo genético• Experiencia Sistema Experto• Razonamiento Lógica Difusa• Enfriamiento de metales Recocido Simulado• Hormigas Colonia de Hormigas
2222 /67/67
REDES NEURONALES
2323 /67/67
Redes Neuronales.
• Intento de producir sistemas de aprendizaje inspirados en la naturaleza (basado en modelos abstratos de cómo
pensamos y cómo funciona el cerebro)• Modelo matemático inspirado en el funcionamientos de
las neuronas biológicas• Conformado por varias unidades de procesamiento
(neuronas) interligadas por conexiones (sinapsis)• Eficiente donde los métodos tradicionales son
considerados inadecuados.• El aprendizaje se logra en la actualización de esos
pesos.
2424 /67/67
Red Neuronal
Neuronas intermedias
Neuronas de salída
Neuronas de Entrada
Conexiones
Arquitectura
2525 /67/67
Elemento ProcesadorEntrada / Función de Transferencia / Salida
Señal
Entrada Salida
f
elementoprocesador
2626 /67/67
Elemento ProcesadorEntrada / Función de Transferencia / Salida
2727 /67/67
Elemento Procesador
n
k
1
u
...
...
X1
Xk
Xn
W1u
Wku
Wnu
Entrada Neta u = Xi Wiu
n
i 1
Yu = f (Entrada Neta u )
Yu = f ( Xi Wiu )
n
i 1
Yu
2828 /67/67
Función de Transferencia
n
k
1
u
...
...
X1
Xk
Xn
W1u
Wku
Wnu
Entrada Neta u = Xi Wiu
n
i 1
Yu = f (Entrada Neta u )
Función de Activación o Transferencia
Yu = f ( Xi Wiu )
n
i 1
Yu
Entrada Neta u = Xi Wiu
p
i 1
y = f ( Xi Wiu )
p
i 1
Elemento Procesador
Na+K+
Na+K+
Na+K+Na+K+
Na+K+Na+K+
3030 /67/67
Entrada Neta u = Xi Wiu
n
i 1y = f ( Xi Wiu )
n
i 1
Elemento Procesador
3131 /67/67
Valores de entrada / salida
• Las señales de e/s de una RNA son generalmente números reales
• Estos números deben encontrarse dentro de un intervalo
• típicamente entre [0,1] o [–1,1]
• Técnica de codificación mas simples es la binaria
2 5 9 3 0 5
6 2 1 3 5 4
3 4 5 7 3 1
5 5 2 3 1 4
3232 /67/67
Conexiones
• Semejantes a la sinapsis.
• Las unidades son conectadas a través de conexiones
• Codifican el conocimiento de la red– conexiones poseen valores asociados (pesos)
• Tipos de conexiones
– excitatorias wij > 0
– inhibitorias wij < 0
– inexistentes wij = 0
wij
3333 /67/67
Aprendizaje
¿Cómo aprenden?
Depende del tipo de red
3434 /67/67
APLICACIONES
3535 /67/67
Aplicaciones
• Se usan para la clasificación y reconocimiento de patrones.
• Problemas donde es importante el patrón más que los datos exactos.
• Aplicaciones:1. Clasificación.2. Predicción3. Clustering4. Aproximación de curvas5. Optimización.6. Reconocimiento de patrones.
3636 /67/67
Clasificación
3737 /67/67
Predicción
3838 /67/67
Clustering
3939 /67/67
Aproximación de curvas
4040 /67/67
Optimización
4141 /67/67
TIPOS DE REDES NEURONALES
4242 /67/67
Topologia o Arquitectura de RNClasificación de RN por el tipo de sus Conexiones
A) Redes Feedforward (No recurrentes) Conexiones unidireccionales:
Una Capa:Perceptron, Adaline (ADAptive LInear Neuron),
Multicapa: MLP
4343 /67/67
B) Redes Feedback (recurrentes)
Presenta conexiones de Retorno
Topologia o Arquitectura de RNClasificación de RN por el tipo de sus Conexiones
4444 /67/67
Tipos de Aprendizaje Artificial
Aprendizaje Supervizado
Aprendizaje No Supervizado
??
4545 /67/67
Aprendizaje Supervizado
• Se logra comparando la salida de la red con la respuesta correcta ya conocida por el MAESTRO.
• La diferencia de esta comparación permite ajustar los pesos de las conexiones entre sus neuronas, para buscar una salida mas aproximada a la correcta.
• El aprendizaje se da a través de un proceso iterativo de ajuste aplicado a sus pesos sinápticos
4646 /67/67
Aprendizaje No Supervizado
• No requiere influencia externa para ajustar sus pesos de las conexiones entre sus neuronas.
• No recibe ninguna información del entorno que le indique si la salida generada respecto a una determinada entrada es o no correcta.
• Por ello se dice que estas RN son capaces de Autoorganizarce.
4747 /67/67
• Redes de nivel simple• Redes de Multiple nivel• Redes recurrentes
Tipos de Redes Neuronales
4848 /67/67
REDES DE NIVEL SIMPLE
4949 /67/67
Perceptrón
• Separa espacio con hiperplanos
y = f ( w1 u1 + w2 u2 + ... + wn un ), f(s) = { 1 si s0, 0 si s<0 }
• Puede incluir offset w0.
• Importante históricamente– estudiado muy detalladamente (Minsky y Papert ‘69)
• Es un clasificador lineal en 2 clases.– bueno si patrones linealmente separables– problema XOR
wt.u=0
u1
u2
5050 /67/67
Perceptrón
5151 /67/67
Perceptrón
5252 /67/67
Perceptrón
5353 /67/67
Perceptrón
5454 /67/67
Perceptrón
5555 /67/67
Adaline
• Adaptive Linear Element• Estructura:
– Como un Perceptrón pero con función lineal a la salida.
• Permite trabajar con problemas más generales que usando el perceptrón.
ippip
ppp
n
iii
xytw
ytE
wxwy
2
01
21
y=0
5656 /67/67
Adaline
5757 /67/67
Adaline
5858 /67/67
REDES DE MÚLTIPLE NIVEL
5959 /67/67
Perceptrón Multicapa
• Werbos (1972)• Red lineal• Activaciones dependen:
– entradas– activaciones de neuronas
precedentes
• Derivadas ordenadas backpropagation
1
2
3
4
57
6Wij
1 Wij2
u1
u2
y1
y2
Wij3
u1
u2
y1
y21 2 3 4 5 6 7
i
i
j
ni
kkikjijii uwxwfx
1
1 1
0
6060 /67/67
Perceptrón Multicapa
w11=1 w12=1w21=1 w22=1
w31=1 w32=-1.5b1=0.5 b2=1.5 b3=0.5
6161 /67/67
Retropropagación
• Procedimiento para encontrar el vector gradiente de una función error asociada a la salida de la red con respecto a los parámetros de la misma
• El nombre backpropagation surge pues el cálculo se hace en el sentido inverso de la red, propagándose desde los nodos de salida hacia los nodos de entrada
• Esto permite poder aplicar a posteriori alguno de los muchos métodos de optimización con gradiente para obtener el comportamiento deseado de la red
6262 /67/67
Retropropagación
f()
entradasPesos
k = capa
sumatoria
constanteb
función detransferenciaresultado
net =ok(n)salida
calculadayk(n)
x1(n)wk1 (n)
x2(n)
x3(n)
wk2 (n)
wk3 (n)ek(n) = dk(n) – yk(n)
salidadeseadadk(n)
ek(n)
6363 /67/67
Función de transferencia
6464 /67/67
Aprendizaje
entrada neta a ij i
salida de i
error de la salida k
error total
regla de aprendizaje
η: velocidad de aprendizaje
6565 /67/67
Regla de Aprendizaje
Si j es una unidad de salida
Si no
6666 /67/67
CONCLUSIONES
• Las redes neuronales se aplican a resolver problemas de reconocimiento de patrones.
• Las redes neuronales de nivel simple, permiten reconocer patrones donde el espacio puede ser divido en dos por un hiperplano.
• Las redes neuronales de múltiple nivel pueden reconocer patrones del tipo XOR.
• El aprendizaje de la red se realiza modificando los pesos de las conexiones.
• La arquitectura de la red es la disposición de las neuronas (capas y elementos por capa)
6767 /67/67
PREGUNTAS
