r edes n eurales
DESCRIPTION
R EDES N EURALES. Duwan Ernesto Arismendy Rodríguez. Pontificia Universidad Javeriana Facultad de Comunicación y Lenguaje Ciencia de la Información – Bibliotecología Bogotá D.C. N eurona. - PowerPoint PPT PresentationTRANSCRIPT
REDES NEURONALES
REDES NEURALES REDES NEURALES
Duwan Ernesto Arismendy Duwan Ernesto Arismendy RodríguezRodríguez
Pontificia Universidad JaverianaPontificia Universidad Javeriana
Facultad de Comunicación y LenguajeFacultad de Comunicación y Lenguaje
Ciencia de la Información – BibliotecologíaCiencia de la Información – Bibliotecología
Bogotá D.C. Bogotá D.C.
REDES NEURONALES
Neurona
Célula especializada del tejido nervioso que asegura la conducción y la transmisión del influjo nervioso. Esta célula que pertenece al sistema nervioso, y que comprende un cuerpo celular y varias prolongaciones, constituye la unión funcional de diferentes áreas del cuerpo .
Se estima que en el ser humano hay entre 20.000 millones y 200.000 millones
de neuronas, cada una de las cuales puede tener hasta 30.000 conexiones
con otras neuronas.
REDES NEURONALES
Red Neuronal
Definición:
Una red neuronal, es una estructura de procesamiento de información paralela y distribuida, que intenta simular las funciones computacionales elementales de la red nerviosa del cerebro humano, con base a la interconexión de multitud de elementos de procesamiento, cada uno de los cuales presenta un comportamiento completamente local.
REDES NEURONALES
Historia
1943. MacCulloch y Pitts (MacCulloch y Pitts, 1943) publicaban el artículo "A logical Calculus of ideas Immanent in Nervous Activity". La probabilidad que una neurona se activase dependía de la señal de entrada y de la sinapsis de conexión.
1949. Hebb (1949) Publica el libro "The organization of the Behavior" donde se describe cómo pueden aprender las neuronas.
1951. Marvin Minsky y Dean Edmons fabrican con tubos, motores y dispositivos mecánicos una máquina capaz de aprender.
REDES NEURONALES
1956. Organizada por Minsky, John mcCarthy, Nathaniel Rochester y Claude Shannon se celebró la primera conferencia sobre Inteligencia Artificial.
Historia
1959. Frank Rosenblatt (Rosenblatt, 1959) desarrolla su concepto de perceptron. Un sistema que permitía interpretar patrones tanto abstractos como geométricos.
1962. Marcian Hoff. Desarrolla un modelo llamado ADALINE. Este modelo de RNA es capaz de clasificar los datos en espacios separables linealmente.
REDES NEURONALES
1986. Rumelhart, McClelland y el PDP (Rumelhart, McClelland & PDP, 1986) Estos dos investigadores fundaron el PDP (Parallel Distributed Processing) un grupo dedicado al estudio del conocimiento. De este grupo se editó el libro "Parallel Distributed Processing: Explorations in the Microstructures of Cognition".
Historia
1969. Minsky y Papert (Minsky and Paperts, 1969) publican el libro llamado "perceptrons" en el que presentan el principal problema del perceptron, el famoso problema del XOR o el No exclusivo.
REDES NEURONALES
Es flexible, se ajusta a nuevos ambientes de aprendizaje, no hay que programarlo.
Fundamentos
Es robusto y tolerante a fallas, diariamente mueren neuronas sin afectar su desempeño.
Puede manejar información difusa, con ruido o inconsistente.
Es altamente paralelo.
Es pequeño, compacto y consume poca energía.
REDES NEURONALES
Procesamiento de imágenes y de voz
Fundamentos
Reconocimiento de patrones
Planeamiento
Interfaces adaptivas para sistemas Hombre/máquina
Predicción
Control y optimización
Filtrado de señales
REDES NEURONALES
El cuerpo de la célula, realiza la suma de esas señales de entrada. El axón es una fibra larga que lleva la señal desde el cuerpo de la célula hacia otras neuronas. El punto de contacto entre un axón de una célula y una dendrita de otra célula es llamado sinápsis.
Características
Estas neuronas tienen tres componentes principales, las dendritas, el cuerpo de la célula o soma, y el axón. Las dendritas, son el árbol receptor de la red, son como fibras nerviosas que cargan de señales eléctricas el cuerpo de la célula.
Neurona Biológica
REDES NEURONALES
Características
El modelo de una neurona artificial es una imitación del proceso de una neurona biológica.
Redes Neuronales
REDES NEURONALES
Características
Existen varias formas de nombrar una neurona artificial, entre las formas conocidas encontramos, nodo, neuronodo, celda, unidad o elemento de procesamiento (PE).
REDES NEURONALES
Características
En esta figura puede observarse el recorrido de un conjunto de señales que entran a la red.
REDES NEURONALES
Características
Tener una inclinación natural a adquirir el conocimiento a través de la experiencia.
Tienen una altísima plasticidad y gran adaptabilidad.
Poseen un alto nivel de tolerancia a fallas.
Tienen un comportamiento altamente no-lineal.
La red no se programa se entrena.
REDES NEURONALES
Clasificación de las Redes
Neuronales
Aprendizaje supervisado
Se asemeja al método de enseñanza tradicional con un profesor que indica y corrige los errores del alumno hasta que éste aprende la lección. Si la red utiliza un tipo de aprendizaje supervisado debemos proporcionarle parejas de patrones entrada-salida y la red neuronal aprende a asociarlos. series temporales, etc.
REDES NEURONALES
Clasificación de las Redes
Neuronales
Aprendizaje no supervisado
No hay un profesor que corrija los errores al alumno; recuerda más al autoaprendizaje. El alumno dispone del material de estudio pero nadie lo controla. Si el entrenamiento es no supervisado, únicamente debemos suministrar a la red los datos de entrada para que extraiga los rasgos característicos esenciales.
REDES NEURONALES
Clasificación de las Redes
Neuronales
REDES NEURONALES
Tipos de Redes
Redes Unidireccionales (Feedforward Networks)
El aprendizaje es supervisado y tiene lugar a través de un proceso de ajuste de los pesos sinápticos de las neuronas de la red.
Usadas para transformar un conjunto de datos especificado en otro también especificado.
Su arquitectura típica es de una red multicapa.
Prototitpo: Perceptrón multicapa.
REDES NEURONALES
Tipos de Redes
Redes Recurrentes (Feedback Networks)Concebidas para almacenar eficientemente información.
La red funciona como un sistema dinámico cuyos puntos de equilibrio representan los registros almacenados.
Su arquitectura típica es la de una red monocapa con una gran realimentación.
Prototipo: Red de Hopfield.
REDES NEURONALES
Tipos de Redes
Redes Auto-Organizadas (Self-Organizing Networks)
Uso: Estructurar la información que se presenta a la red en conjuntos a priori desconocidos.
El entrenamiento es mediante un aprendizaje no supervisado denominado competitivo.
Cada neurona tiene un cierto grado de conexión con neuronas colaterales.
REDES NEURONALES
Aplicaciones de las Redes
Neuronales
Clasificación
Decidir a qué clase, de una serie dada, se asigna un dato de entrada a la red.
Asociación
La red funciona como un proceso de recuperación de un dato, a partir de una entrada relacionada con el dato almacenado.
La entrada puede ser una versión incompleta o deformada del dato buscado.
REDES NEURONALES
Agrupamiento (Clustering)
Utilizada cuando no se conoce una clasificación de los datos de entrada, y se espera que la red genere esta clasificación.Generación de prototipos.
Optimización
Permite solucionar problemas de optimización de naturaleza complicada.Las RNA proporcionan un procedimiento rápido
para generar una solución óptima.
Aplicaciones de las Redes
Neuronales
REDES NEURONALES
Predicción y Control
En tareas de predicción para anticipar el estado futuro de un sistema.Tareas de control de sistemas dinámicos complejos.
Aplicaciones de las Redes
Neuronales
REDES NEURONALES
Ventajas Redes
NeuronalesAlgunas ventajas de las redes neuronales son :
Aprenden de ejemplos.
Procesan la información en paralelo.
Pueden trabajar en sistemas no lineales.
Trabajan mejor en sistemas ruidosos.
No necesitan un modelo matemático.
Capacidad de generalizar.
Son baratas en su construcción.
REDES NEURONALES
Desventajas Redes
Neuronales
Algunas desventajas de las redes neuronales son :
No se identifica claramente el mecanismo con el cual han resuelto un problema.
No existe una metodología que nos indique que tipo de red debemos utilizar para resolver un problema específico, ni cuantas neuronas debemos utilizar en la capa escondida, o sitenemos que utilizar más de una capa escondida.Modelo de Clasificación incomprensible.
REDES NEURONALES
Bibliografía
ACOSTA, Maria Isabel. Tutorial de redes neuronales [en línea]. 2000. Consultado el 21 de octubre de 2006. Disponible en: http://ohm.utp.edu.co/neuronales/.
CASTELLANOS, Miguel Angel. Introducción a las Redes Neuronales y su aplicación a las Búsquedas de documentos [en línea]. Consultado el 22 de octubre de 2006. Disponible en: http://www.tid.es/documentos/boletin/numero19_1.pdf.
HERRERA LÓPEZ, Enrique. Estimación de las concentraciones de biomasa y el pigmento astaxantina, mediante redes neuronales artificiales [en línea]. Consultado el 22 de octubre de 2006. Disponible en: http://iteso.mx/~rleal/archivos/cie97.pdf.
REDES NEURONALES
Bibliografía
MARTÍN DEL BRÍO, Bonifacio. Redes neuronales y sistemas difusos. México: Alfaomega. 2002. 399 p.
PALACIOS BURGOS, Francisco José. Herramientas en GNU/Linux para estudiantes universitarios. Redes Neuronales con GNU/Linux [en línea]. 2003. Consultado el 21 de octubre de 2006. Disponible en: http://softwarelibre.unsa.edu.ar/docs/descarga/2003/curso/htmls/redes_neuronales/index.html.
REINOSO, Oscar. Curso 2002-2003. Redes Neuronales e Inteligencia Artificial [en línea]. 2002. Consultado el 22 de octubre de 2006. Disponible en: http://isa.umh.es/doct/rnia/.
SERRANO, Carlos. Las redes neuronales artificiales [en línea]. 2000. Consultado el 22 de octubre de 2006. Disponible en: http://ciberconta.unizar.es/LECCION/REDES/INICIO.HTML.