Redes neuronalesRedes neuronales

Diego Salazar 4 Diego Salazar 4 CC

INDICEINDICE

Las Redes Neuronales: Historia de las Redes Neuronales CLASIFICACIÓN Red neuronal artificial Ventajas Funciones Aplicaciones El Futuro

son más que otra son más que otra forma de emular forma de emular características características humanashumanas

como la capacidad de como la capacidad de memorizar y de memorizar y de asociar hechosasociar hechos

no son más que un no son más que un modelo artificial del modelo artificial del cerebro humanocerebro humano

es un nuevo sistema es un nuevo sistema para el tratamiento de para el tratamiento de informacióninformación

unidad básica de unidad básica de procesamiento está procesamiento está inspirada la neurona.inspirada la neurona.

Las Redes Neuronales:

Unidades de procesamiento que Unidades de procesamiento que intercambian datos o información. intercambian datos o información.

Se utilizan para reconocer patrones, Se utilizan para reconocer patrones, Tienen capacidad de aprender y mejorar Tienen capacidad de aprender y mejorar

su funcionamiento.su funcionamiento. Inspirada en modelos biológicosInspirada en modelos biológicos Son redes interconectadas masivamente Son redes interconectadas masivamente

en paralelo en paralelo Intentan interactuar con los objetos del Intentan interactuar con los objetos del

mundo realmundo real

Historia de las Redes Historia de las Redes NeuronalesNeuronales

1936 - Alan Turing.1936 - Alan Turing. Fue el primero en estudiar Fue el primero en estudiar el cerebro como una forma de ver el mundo de el cerebro como una forma de ver el mundo de la computaciónla computación

Warren McCulloch, y Walter Pitts:Warren McCulloch, y Walter Pitts: Ellos Ellos modelaron una red neuronal simple mediante modelaron una red neuronal simple mediante circuitos eléctricos. circuitos eléctricos.

1950 - Karl Lashley.1950 - Karl Lashley. encontró que la encontró que la información era distribuida encima de él cerebroinformación era distribuida encima de él cerebro

1956 - Congreso de Dartmouth.1956 - Congreso de Dartmouth. Este Este Congreso se menciona para indicar el Congreso se menciona para indicar el nacimiento de la inteligencia artificial.nacimiento de la inteligencia artificial.

1957 - Frank Rosenblatt.1957 - Frank Rosenblatt. Comenzó el Comenzó el desarrollo del Perceptrón. la red neuronal más desarrollo del Perceptrón. la red neuronal más antiguaantigua

1960 - Bernard Widrow.1960 - Bernard Widrow. Desarrollaron el Desarrollaron el modelo Adaline Esta fue la primera red modelo Adaline Esta fue la primera red neuronal aplicada a un problema real neuronal aplicada a un problema real

1961 - Karl Steinbeck:1961 - Karl Steinbeck: Red neuronal para Red neuronal para simples realizaciones técnicas simples realizaciones técnicas

1974 - Paul Werbos.1974 - Paul Werbos. Desarrolló la idea Desarrolló la idea básica del algoritmo de aprendizaje básica del algoritmo de aprendizaje

1977 - Stephen Grossberg.1977 - Stephen Grossberg. Teoría de Teoría de Resonancia Adaptada (TRA). Resonancia Adaptada (TRA).

1980 - Kunihiko Fukushima.1980 - Kunihiko Fukushima. Desarrolló un Desarrolló un modelo neuronal para el reconocimiento de modelo neuronal para el reconocimiento de patrones visuales.patrones visuales.

Actualmente, son numerosos los trabajos Actualmente, son numerosos los trabajos que se realizan y se publicanque se realizan y se publican

las empresas que lanzan al mercado las empresas que lanzan al mercado productos nuevosproductos nuevos

CLASIFICACIÓNCLASIFICACIÓN

Atendiendo a su similitud con la Atendiendo a su similitud con la realidad biológica:realidad biológica: Tipo biológico. tratan de simular los Tipo biológico. tratan de simular los

sistemas neuronales biológicossistemas neuronales biológicos funciones auditivas o básicas de la visión.funciones auditivas o básicas de la visión.

Dirigido a aplicación. está ligada a las Dirigido a aplicación. está ligada a las necesidades de las aplicaciones para la necesidades de las aplicaciones para la que es diseñada.que es diseñada.

Red neuronal artificialRed neuronal artificial Se trata de un sistema de Se trata de un sistema de

interconexión de neuronas en una interconexión de neuronas en una redred

Ventajas Ventajas

características semejantes a las del características semejantes a las del cerebrocerebro

de abstraer características esenciales de abstraer características esenciales Aprendizaje Adaptativo Auto-organización Tolerancia a fallos Operación en tiempo real Fácil inserción dentro de la tecnología exis

tente

Aprendizaje adaptativoAprendizaje adaptativo

Aprenden a llevar a cabo ciertas tareas mediante Aprenden a llevar a cabo ciertas tareas mediante un entrenamiento. un entrenamiento.

Diferencia patrones mediante ejemplos y Diferencia patrones mediante ejemplos y entrenamientosentrenamientos

Son adaptables por la capacidad de autoajusteSon adaptables por la capacidad de autoajuste Son capaces de adaptarse a las nuevas Son capaces de adaptarse a las nuevas

condiciones.condiciones. La función del diseñador es únicamente la La función del diseñador es únicamente la

obtención de la arquitectura apropiadaobtención de la arquitectura apropiada No es problema del diseñador el cómo la red No es problema del diseñador el cómo la red

aprenderá a discriminaraprenderá a discriminar

Auto-organización Auto-organización

Emplean su capacidad de aprendizaje adaptativo Emplean su capacidad de aprendizaje adaptativo para auto organizar la información para auto organizar la información

La autoorganización es la modificación de la red La autoorganización es la modificación de la red completa para un objetivo específico.completa para un objetivo específico.

reconocen ciertas clases de patrones, ellas auto reconocen ciertas clases de patrones, ellas auto organizan la información usada.organizan la información usada.

Facultad de responder apropiadamente en Facultad de responder apropiadamente en situaciones a las que no había sido expuesta situaciones a las que no había sido expuesta anteriormenteanteriormente

El sistema puede generalizar la entrada para El sistema puede generalizar la entrada para obtener una respuestaobtener una respuesta

Soluciona problemas en los cuales la información Soluciona problemas en los cuales la información de entrada no es muy clarade entrada no es muy clara

Tolerancia a fallosTolerancia a fallos

fueron los primeros métodos computacionales con la fueron los primeros métodos computacionales con la capacidad inherente de tolerancia a fallos. capacidad inherente de tolerancia a fallos.

si se produce un fallo de neuronas no sufre una caída si se produce un fallo de neuronas no sufre una caída repentina. repentina.

Hay dos aspectos distintos respecto a la tolerancia a fallos:Hay dos aspectos distintos respecto a la tolerancia a fallos: a) pueden aprender a reconocer patrones con ruido a) pueden aprender a reconocer patrones con ruido

distorsionado o incompletodistorsionado o incompleto b) pueden seguir realizando su función aunque se b) pueden seguir realizando su función aunque se

destruya parte de la red.destruya parte de la red. tienen su información distribuida en las conexiones entre tienen su información distribuida en las conexiones entre

neuronasneuronas existiendo cierto grado de redundancia en este tipo de existiendo cierto grado de redundancia en este tipo de

almacenamientoalmacenamiento las redes neuronales almacenan información no localizadalas redes neuronales almacenan información no localizada

Operación en tiempo realOperación en tiempo real

Una de las mayores prioridadesUna de las mayores prioridades necesidad de realizar procesos de necesidad de realizar procesos de

forma muy rápidaforma muy rápida se adaptan bien a esto debido a su se adaptan bien a esto debido a su

implementación paralelaimplementación paralela la necesidad de cambio en los pesos la necesidad de cambio en los pesos

de las conexiones o entrenamiento de las conexiones o entrenamiento es mínimo.es mínimo.

Fácil inserción dentro de la Fácil inserción dentro de la tecnología existentetecnología existente

Una red individual puede ser entrenada para Una red individual puede ser entrenada para desarrollar una única y bien definida tarea desarrollar una única y bien definida tarea

Con las herramientas computacionales existentesCon las herramientas computacionales existentes una red puede ser rápidamente entrenada, una red puede ser rápidamente entrenada,

comprobada, verificada y trasladadacomprobada, verificada y trasladada no se presentan dificultades para la inserción en no se presentan dificultades para la inserción en

aplicaciones específicas, aplicaciones específicas, se pueden utilizar para mejorar sistemas en se pueden utilizar para mejorar sistemas en

forma incremental forma incremental cada paso puede ser evaluado antes de un cada paso puede ser evaluado antes de un

desarrollo más amplio.desarrollo más amplio.

funcionesfunciones funciones de transferencia típicas que funciones de transferencia típicas que

determinan distintos tipos de determinan distintos tipos de neuronas: neuronas: Función escalón Función escalón

Función lineal y mixta Función lineal y mixta

Sigmoidal Sigmoidal

Función gaussianaFunción gaussiana

Neurona de función escalónNeurona de función escalón

La función escalón se asocia a neuronas binarias La función escalón se asocia a neuronas binarias La suma de las entradas:La suma de las entradas:

Si mayor o igual que el umbral de la neurona la Si mayor o igual que el umbral de la neurona la activación es 1activación es 1

si es menor, la activación es 0 (ó –1)si es menor, la activación es 0 (ó –1) son fáciles de implementar en hardware, son fáciles de implementar en hardware, sus capacidades están limitadas.sus capacidades están limitadas.

Función lineal y mixtaFunción lineal y mixta

si la suma de las si la suma de las señales de entrada señales de entrada es menor que un límite es menor que un límite

inferior, la activación se inferior, la activación se define como 0 (ó –1)define como 0 (ó –1)

es mayor o igual que el es mayor o igual que el límite superior, entonces límite superior, entonces la activación es 1la activación es 1

Si está comprendida Si está comprendida entre ambos límites, la entre ambos límites, la activación se define activación se define como una función linealcomo una función lineal

SigmoidalSigmoidal

definida simplemente de definida simplemente de posibles valores de entradaposibles valores de entrada

con un incremento que con un incremento que tengan ambos limites tengan ambos limites superiores e inferiores superiores e inferiores

cuando la pendiente es cuando la pendiente es elevada, tiende a la función elevada, tiende a la función escalónescalón

La importancia de ésta La importancia de ésta función es que su derivada es función es que su derivada es siempre positiva y cercana siempre positiva y cercana

además toma su valor además toma su valor máximo cuando x es cero. máximo cuando x es cero.

Esto hace que se puedan Esto hace que se puedan utilizar las reglas de utilizar las reglas de aprendizaje definidas aprendizaje definidas

Función gaussianaFunción gaussiana

Los centros y anchura pueden ser adaptadosLos centros y anchura pueden ser adaptados hace más adaptativas las funciones hace más adaptativas las funciones

sigmoidales. sigmoidales.

Aplicaciones Aplicaciones

los primeros en beneficiarse son los minusválidos con deficiencias los primeros en beneficiarse son los minusválidos con deficiencias o carencias motriceso carencias motrices

una niña con una grave lesión espinal probó que podía mover el una niña con una grave lesión espinal probó que podía mover el cursor de la de computadora a partir de impulsos por sus ojos.cursor de la de computadora a partir de impulsos por sus ojos.

permite que un cirujano cambie moviendo los ojos, el campo permite que un cirujano cambie moviendo los ojos, el campo visual de una cámara de fibra óptica,visual de una cámara de fibra óptica,

se han utilizado para encontrar patrones de fraude económicose han utilizado para encontrar patrones de fraude económico

hacer predicciones de tiempo atmosférico, etchacer predicciones de tiempo atmosférico, etc

redes neuronales artificiales se ha aplicado en conjunción con los redes neuronales artificiales se ha aplicado en conjunción con los algoritmos genéticos (AG) para crear controladores para robotsalgoritmos genéticos (AG) para crear controladores para robots

El FuturoEl Futuro

Manejar una silla de ruedas con señales Manejar una silla de ruedas con señales que provenga de un músculo, del ojo o que provenga de un músculo, del ojo o de ondas cerebrales.de ondas cerebrales.

se encuentre un sistemas que sean se encuentre un sistemas que sean capaces de traducir muchos y capaces de traducir muchos y diferentes tipos de señalesdiferentes tipos de señales

quizá se logren versiones comerciales quizá se logren versiones comerciales para manejar entornos informáticos, para manejar entornos informáticos,

través de los ordenadores controlar, través de los ordenadores controlar, medios de transporte, medios de transporte, electrodomésticos, equipos médicos y electrodomésticos, equipos médicos y militares, etcmilitares, etc