Loading presentation...

Present Remotely

Send the link below via email or IM

Copy

Present to your audience

Start remote presentation

  • Invited audience members will follow you as you navigate and present
  • People invited to a presentation do not need a Prezi account
  • This link expires 10 minutes after you close the presentation
  • A maximum of 30 users can follow your presentation
  • Learn more about this feature in our knowledge base article

Do you really want to delete this prezi?

Neither you, nor the coeditors you shared it with will be able to recover it again.

DeleteCancel

Make your likes visible on Facebook?

Connect your Facebook account to Prezi and let your likes appear on your timeline.
You can change this under Settings & Account at any time.

No, thanks

Redes Neuronales

Definicion y aplicaciones
by

Carlos Fernández

on 3 October 2013

Comments (0)

Please log in to add your comment.

Report abuse

Transcript of Redes Neuronales

DEFINICIONES
APLICACIONES
LAS NEURONAS:
A partir de ellas, se pueden generar representaciones específicas, de tal forma que un estado conjunto de ellas puede significar una letra, un número u otro objeto.
 
Las neuronas reciben estímulos externos relacionados con el aparato sensorial, que formaran la información de entrada.
Dicha información se transmite a ciertos elementos internos que se ocupan de su procesamiento
Una vez finalizado el período de procesado, la información llega a las unidades de salida, cuya misión es dar la respuesta al sistema.

La “dinámica” que rige la actualización de los estados de las unidades puede ser de dos tipos:
Asíncrono: Las neuronas evalúan su estado continuamente según les va llegando información, y lo hacen de forma independiente,
Síncrono: La información llega de forma continua, pero los cambios se realizan simultáneamente, como si existiera un reloj interno que decidiera cuando cambiar su estado. Los sistemas biológicos quedan probablemente entre ambas posibilidades.
La misma está constituida por neuronas interconectadas y arregladas en tres capas
Los datos ingresan por medio de la "capa de entrada", pasan a través de la "capa oculta" y salen por la "capa de salida". Cabe mencionar que la capa oculta puede estar constituida por varias capas


Las redes neuronales pueden utilizarse en un gran número y variedad de aplicaciones, tanto comerciales como militares con la capacidad de realizar tareas concretas mejor que otras tecnologías.

Algunas aplicaciones comerciales son:

EMPRESA:
Evaluación de probabilidad de formaciones geológicas y petrolíferas.
Identificación de candidatos para posiciones específicas.
Optimización de plazas y horarios en líneas de vuelo.
Modelado de sistemas para automatización y control.
MEDIO AMBIENTE:
Analizar tendencias y patrones.
Previsión del tiempo.

Planificación del staff (cuerpo) de empleados:
Se trata de la predicción de aptitudes de una persona que puede llevarse a cabo por una red neuronal, y lograr una adecuada planificación del staff de empleados.

Planificación de la demanda de materiales:
La tarea de planificar la demanda de materiales es justamente predecir en forma segura la necesidad de los mismos, o más exactamente, de los factores de consumo. Esto involucra tener una correcta información de los volúmenes aproximados de producción, así como de los factores de tiempo.

Puntuación para la solicitud de un crédito.
La puntuación para un crédito busca rechazar los candidatos que parecen ser un riesgo malo para la entidad. Por lo tanto la tarea a ser consumada por medio de una red neuronal es tratar de predecir una correcta clasificación de los clientes.
 Cuando se utiliza una red neuronal como un sistema de soporte de decisiones. La salida de la red neuronal es directa o indirectamente la solución al problema o la decisión a tomar.

Ejemplo: arboles de decisión
Validación de la red neuronal
TÉCNICAS
DE DECISIÓN
Al comenzar siempre debe determinarse un estado inicial significando escoger un conjunto inicial de pesos para las diversas conexiones entre las neuronas de la red neuronal. Generalmente un intervalo del tipo (-n, n) donde n es un número natural positivo.

Una red neuronal debe aprender a calcular la salida correcta para cada universo (arreglo o vector) de entrada en el conjunto de ejemplos. Este proceso de aprendizaje se denomina: proceso de entrenamiento o acondicionamiento

Para determinar cuándo se detendrá el proceso de aprendizaje, es necesario establecer una condición de detención.

¡GRACIAS POR SU
ATENCIÓN!

ELEMENTOS DE UNA
RED NEURONAL

Cada neurona consta de 3 partes fundamentales: Cuerpo, Dendritas y Axón. El cuerpo genera impulsos nerviosos. Las dendritas poseen algunas conexiones sinápticas en donde se reciben señales que viene de otros axones. El axón se encarga de activar o inhibir otras neuronas, las que a su vez son activadas por miles de otras neuronas.
Módelo biológico
Ventajas que ofrecen...
-APRENDIZAJE ADAPTATIVO:
Capacidad de aprender a realizar tareas basadas en un entrenamiento o en una experiencia inicial
-AUTO-ORGANIZACIÓN:
Una red neuronal puede crear su propia organización o
representación de la información que recibe mediante una etapa de aprendizaje.
-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.
-OPERACIÓN EN TIEMPO REAL:
Los cómputos neuronales pueden ser realizados en
paralelo; para esto se diseñan y fabrican máquinas con hardware especial para obtener esta capacidad.
-FACIL INSERCION DENTRO DE LA TECNOLOGÍA EXISTENTE:
Se pueden obtener chips especializados para redes neuronales que mejoran su capacidad en ciertas tareas. Ello facilitará la integración modular en los sistemas existentes.

Funcionamiento de una Neurona artificial
El funcionamiento de una neurona artificial esta basado en el diseño biológico
ENTRADAS:
 Estas capas reciben la información desde el exterior como son: Entradas “W” a la neurona.

PESOS: 
Los pesos son coeficientes que pueden adaptarse dentro de la red que determinan la intensidad de la señal de entrada registrada por la neurona artificial. Ellos son la medida de la fuerza de una conexión de entrada. Estas fuerzas pueden ser modificadas en respuesta de los ejemplos de entrenamiento de acuerdo a la topología específica o debido a las reglas de entrenamiento.

SALIDAS:
 Cada elemento de procesamiento tiene permitido una única salida que puede estar asociada con un número elevado de otras neuronas. Normalmente, la salida es directamente equivalente al valor resultante de la función de activación.

Mecanismos de aprendizaje ...
Aprendizaje supervisado: Los datos de entrenamiento consisten de pares de objetos (normalmente vectores) un componente del par son los datos de entrada y el otro, los resultados deseados.
Aprendizaje por corrección de error.
Aprendizaje por refuerzo.
Aprendizaje estocastico.

Aprendizaje no supervisado.
Aprendizaje hebbiano
Aprendizaje competitivo y comparativo

Elección del
conjunto
inicial de pesos...
Detención del proceso
de aprendizaje...
Codificación de los
datos de entrada ...
Se distinguen 2 tipos de variables a ser codificadas:
Variables o atributos numéricos o variables continuas.
Variables o atributos simbólicos o variables discretas.

Variables o atributos numéricos o variables continuas
En este paso comprobaremos si la red neuronal puede resolver nuevos problemas, del tipo general, para lo cual fue diseñada.
Para esto se requiere un conjunto de datos, también denominado conjunto de validación.
En cada uno de los ejemplos del conjunto de evaluación encontraremos los valores de las variables de entrada, con su correspondiente solución tomada; pero ahora esta solución no se le es otorgada a la red neuronal. Luego se compara la solución calculada para cada ejemplo de validación con la solución conocida.

FINANZAS:
Previsión de la evolución de los precios.
Valoración del riesgo de los créditos.
Interpretación de firmas.
MANUFACTURACIÓN
Robots automatizados y sistemas de control (visión artificial y sensores de presión, temperatura, gas, etc.).
Control de producción en líneas de procesos.
MEDICINA:
Diagnóstico y tratamiento a partir de síntomas y/o de datos analíticos (electrocardiograma, encefalogramas, análisis sanguíneo, etc.).
Monitorización en cirugías.
Predicción de reacciones adversas en los medicamentos.
Entendimiento de la causa de los ataques cardíacos.
MILITARES:
Clasificación de las señales de radar.
Creación de armas inteligentes.
Optimización del uso de recursos escasos.
Existen un conjunto de herramientas gráficas, orientado a objetos para las aplicaciones de software y la aplicación de la red neuronal
Mathlab Neural Network Toolbox:
provee funciones y aplicaciones para modelar sistemas complejos no lineales, soporta tanto aprendizaje supervisado cómo no supervisado con auto-organización de mapas y capas competitivas. Esta herramienta permite diseñar, entrenar, visualizar y simular redes neuronales.

Joone:
es un framework gratuito que permite crear, entrenar y probar redes neuronales artificiales. Esta diseñado para crear ambiente robustos tanto para usuarios entusiastas cómo para usuarios profesionales, basado en las últimas tecnologías de Java.

SNNS (Stuttgart Neural Network Simulator):
es un software simulador de redes neurales bajo ambiente Unix desarrollado por el Instituto para los Sistemas de Alto Rendimiento Paralelos y Distribuidos (IPVR en inglés) de la Universidad de Stuttgart. La meta del proyecto SNNS es crear un ambiente de simulación flexible y eficiente para la investigación y aplicación de las redes neuronales.

Carlos Fernández
Karyelen Lezama

.."Un modelo matemático compuesto por un gran número de elementos procesales organizados en niveles."
"...Son redes interconectadas masivamente en paralelo de elementos simples (usualmente adaptativos) y con organización jerárquica, las cuales intentan interactuar con los objetos del mundo real del mismo modo que lo hace el sistema nervioso biológico."
"...un sistema de computación hecho por un gran número de elementos simples, elementos de proceso muy interconectados, los cuales procesan información por medio de su estado dinámico como respuesta a entradas externas."
Cada neurona artificial recibe un vector X, que corresponde a todas señales que llegan a la sinapsis. Cada una de estas señales se multiplica por un peso (Vector W). Cada peso representa la intensidad o fuerza de conexión de una sinapsis en una neurona. Los resultados de estas multiplicaciones se suma. Esta suma simula vagamente el cuerpo de una neurona biológica.
Una red neuronal es un algoritmo de cálculo que se basa en una analogía del sistema nervioso. La idea general consiste en emular la capacidad de aprendizaje del sistema nervioso, de manera que la RN aprenda a identificar un patrón de asociación entre los valores de un conjunto de variables predictoras (entradas) y los estados que se consideran dependientes de dichos valores (salidas).
Resúmen
REDES NEURONALES
Historia
1936 -
Alan Turing. Fue el primero en estudiar el cerebro como una forma de ver el mundo de la computación.
1943 -
El neurofisiólogo Warren McCulloch y Walter Pitts, un matemático, lanzaron una teoría acerca de la forma de trabajar de las neuronas. Ellos modelaron una red neuronal simple mediante circuitos eléctricos.
1949 -
Donald Hebb. Fue el primero en explicar los procesos del aprendizaje desde un punto de vista psicológico. Este es el fundamento de la mayoría de las funciones de aprendizaje que pueden hallarse en una red neuronal, los trabajos de Hebb formaron las bases de la Teoría de las Redes Neuronales.
1950 -
Karl Lashley. En sus series de ensayos, encontró que la información no era almacenada en forma centralizada en el cerebro sino que era distribuida encima de él.
1956 -
Congreso de Dartmouth. Este Congreso frecuentemente se menciona para indicar el nacimiento de la inteligencia artificial.
1957 -
Frank Rosenblatt. Comenzó el desarrollo del perceptron. Esta es la red neuronal más antigua; utilizándose hoy en día para aplicación como identificador de patrones.
1960 -
Bernard Widroff/Marcian Hoff. Desarrollaron el modelo Adaline (ADAptative LINear Elements). Esta fue la primera red neuronal aplicada a un problema real (filtros adaptativos para eliminar ecos en las líneas telefónicas) que se ha utilizado comercialmente durante varias décadas.
1969 -
Marvin Minsky/Seymour Papert. En este año casi se produjo la “muerte abrupta” de las Redes Neuronales; ya que Minsky y Papert probaron (matemáticamente) que el Perceptrons no era capaz de resolver problemas relativamente fáciles, tales como el aprendizaje de una función no-lineal. Esto demostró que el Perceptron era muy débil, dado que las funciones no-lineales son extensamente empleadas en computación y en los problemas del mundo real.
1974 -
Paul Werbos. Desarrolló la idea básica del algoritmo de aprendizaje de propagación hacia atrás (backpropagation).
1985 -
John Hopfield. Provocó el renacimiento de las redes neuronales con su libro: “Computación neuronal de decisiones en problemas de optimización.”
1986 -
David Rumelhart/G. Hinton. Redescubrieron el algoritmo de aprendizaje de propagación hacia atrás (backpropagation).
A partir de 1986
, el panorama fue alentador con respecto a las investigaciones y el desarrollo de las redes neuronales. En la actualidad, son numerosos los trabajos que se realizan y publican cada año.
Herramientas de software
Algunas herramientas disponibles
Tipos de redes...
Perceptron:
La primera red neuronal conocida, esta consistía en una suma de las señales de entrada, multiplicadas por unos valores de pesos escogidos aleatoriamente. Si en la comparación, la suma de las entradas multiplicadas por los pesos es mayor o igual que el patrón preestablecido la salida de la red es uno (1), en caso contrario la salida es cero (0).

Adaline:
similar al Perceptrón, excepto en su función de transferencia, la cual es una función de tipo lineal en lugar de un limitador fuerte como en el caso del Perceptrón. Al igual que Perceptrón está limitadaen cuanto al tipo de problemas que pueden resolver, ambas redes pueden solo resolver problemas linealmente separables. Su gran aporte fue una regla de aprendizaje más potente.

Backpropagation:
primera red multicapa creada para sobrepasar la dificultad en las redes hasta entonces conocidas. Uno de los grandes avances logrados con la Backpropagation es que esta red aprovecha la naturaleza paralela de las redes neuronales para reducir el tiempo requerido por un procesador secuencial para determinar la correspondencia entre unos patrones dados. Además el tiempo de desarrollo de cualquier sistema que se este tratando de analizar se puede reducir como consecuencia de que la red puede aprender el algoritmo correcto sin que alguien tenga que deducir por anticipado el algoritmo en cuestión.

Redes Asociativas:
son redes que no requieren influencia externa para ajustar los pesos de las conexiones entre sus neuronas, la red no recibe ninguna información por parte del entorno que le indique si la salida generada en respuesta a una determinada entrada es o no correcta, por ello suele decirse que estas redes son capaces de autoorganizarse. Estas redes deben encontrar las características, regularidades, correlaciones o categorías que se puedan establecer entre los datos que se presenten en su entrada; puesto que no hay supervisor que indique a la red, esto se realiza mediante el algoritmo definido.

Redes Competitivas:
las redes con aprendizaje competitivo (y cooperativo), suele decirse que las neuronas compiten (y cooperan) unas con otras con el fin de llevar a cabo una tarea dada. Con este tipo de aprendizaje se pretende que cuando se presente a la red cierta información de entrada, sólo una de las neuronas de salida de la red, o una por cierto grupo de neuronas, se active (alcance su valor de respuesta máximo). Por tanto las neuronas compiten para activarse quedando finalmente una, o una por grupo, como neurona vencedora y el resto quedan anuladas y siendo forzadas a sus valores de respuesta mínimos.
Full transcript