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

Yasmine Salazar

on 17 June 2013

Comments (0)

Please log in to add your comment.

Report abuse

Transcript of REDES NEURONALES

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.
 
Generalmente se pueden encontrar tres tipos de neuronas:
Aquellas que reciben estímulos externos relacionados con el aparato sensorial, que tomarán 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:
BIOLOGÍA:
Aprender más acerca del cerebro y otros sistemas.
Obtención de modelos de la retina.
EMPRESA:
Evaluación de probabilidad de formaciones geológicas y petrolíferas.
Identificación de candidatos para posiciones específicas.
Explotación de bases de datos.
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.
Principalmente para resolver esta tarea pueden distinguirse los siguientes procedimientos:
Programación orientada (program-oriented): se basa sobre los resultados del planeamiento de producción.
Consumo orientado (consumption-oriented): toma en cuenta el consumo observado en períodos anteriores para predecir las futuras demandas.
 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 sostén 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!!
La empresa Aeronaves del Perú S.A., está evaluando la compra de nuevas unidades. Para ello, cuenta con dos propuestas: Un avión turbopropulsor nuevo que costaría US$550,000 y un avión de combustión de segunda mano que sólo cuesta US$250,000.  En el caso que, en el año 2, la demanda fuera alta, se podrían hacer, a fines del primer período, refacciones al avión de segunda mano por US$150,000. A continuación, se presentan las características de las demandas, sus probabilidades y los beneficios netos de cada uno de los aviones.¿Si el costo de capital es 10%, qué avión recomendaría usted comprar?
EJEMPLO:
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 constelación (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 TU
ATENCIÓN!

ELEMENTOS DE UNA
RED NEURONAL


Las redes neuronales como su nombre lo indica pretenden imitar a pequeñísima escala la forma de funcionamiento de las neuronas que forman el cerebro humano.
Son un conjunto de entradas y salidas. Cada entrada está afectada por un peso. La activación de la neurona se calcula mediante la suma de los productos de cada entrada y la salida es una función de esta activación
Su capacidad de aprendizaje a partir de la experiencia (entrenamiento). Normalmente,
Su velocidad de respuesta una vez concluido el entrenamiento.
Su robustez, en el sentido de que el conocimiento adquirido se encuentra repartido por toda la red, de forma que si se lesiona una parte se continúan generando cierto numero de respuestas correctas

Características que diferencian a las redes neuronales ...
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.

Características de las Redes Neuronales
Redes Monocapa:. ejemplo, para generar informaciones de entrada que se presentan a la red incompletas o distorsionadas.
Redes Multicapa: Son aquellas que disponen de conjuntos de neuronas agrupadas en varios niveles o capas, consiste en fijarse en el origen de las señales que recibe a la entrada y el destino de la señal de salida.
Topología de las Redes Neuronales. La arquitectura de las redes neuronales consiste en la organización y disposición de las neuronas formando capas más o menos alejadas de la entrada y salida de la red.  
Mecanismo de Aprendizaje. El aprendizaje es el proceso por el cual una red neuronal modifica sus pesos en respuesta a una información de entrada.

COMPUTADORAS DIGITALES!!
Es aquella que cuenta directamente los números (0 dígitos) que representan numerales, letras y otros símbolos especiales. Son capaces de almacenar diferentes programas por lo que se les puede utilizar en incontables aplicaciones. Una maquina de este tipo puede procesar una nomina, graficas, comparaciones, etc.,


Unidad de entrada.
Unidad de memoria.
Unidad de salida.
Unidad central de proceso.
Unidad de almacenamiento secundario.


CARACTERISTICAS
Su funcionamiento está basado en el conteo de los valores que le son introducidos.
Este tipo de computadora debe ser programada antes de ser utilizada para algún fin específico.
Son máquinas de propósito general; dado un programa, ellas pueden resolver virtualmente todo tipo de problemas.
Son precisas, proveen exactamente la respuesta correcta a algún problema específico.
Estas computadoras tienen una gran memoria interna, donde pueden ser introducidos millones de caracteres.

COMPONENTES:
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.

Opción 1: Avión turbopropulsor

Opción 2: Avión de combustión
MECANISMOS DE APRENDIZAJE ...
Aprendizaje supervisado: . Los datos de entrenamiento consisten de pares de objetos (normalmente vectores) una componente del par son los datos de entrada y el otro, los resultados deseados.
Aprendizaje por corrección de error.
Aprendizaje por refuerzo.
Aprendizaje estocastico.

B) 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.

Redes de propagación hacia atrás.

Las redes de propagación hacia atrás o backpropagation resultan de la forma en que el error es propagado hacia atrás a través de la red neuronal, en otras palabras el error se propaga hacia atrás desde la capa de salida. Esto permite que los pesos sobre las conexiones de las neuronas ubicadas en las capas ocultas cambien durante el entrenamiento.
 
El cambio de los pesos en las conexiones de las neuronas además de influir sobre la entrada global, influye en la activación y por consiguiente en la salida de una neurona. Por lo tanto, es de gran utilidad considerar las variaciones de la función activación al modificarse el valor de los pesos. Esto se llama sensibilidad de la función activación, de acuerdo al cambio en los pesos.

Ejemplo.
Una temperatura de 20ºC provoca que el tiempo de operación de una máquina sea de 90 segundos y un incremento de dicha temperatura hasta los 30ºC causa un tiempo de operación de 100 segundos. ¿Cómo influyó el incremento de la temperatura en el tiempo de trabajo de la máquina? Por supuesto, hizo más lenta la operación. Pero,¿por cuánto?

ESTRUCTURA DE LA RED HOPFIELD ...

Una de las mayores contribuciones al área de las redes neuronales fue realizada en los años 1980 por John Hopfield, Lo que diferencia a esta red de las demás redes recurrentes es que actúa a la manera de una memoria asociativa. De esta forma puede ser usada como una herramienta de optimización; también se han utilizado en aplicaciones de segmentación y restauración de imágenes y optimización combinatoria.

FASE DE ALMACENAMIENTO: se van a determinar los valores que deben tomar los pesos de la red para almacenar un conjunto de patrones.

FASE DE RECUPERACIÓN: describe el mecanismo para recuperar la información almacenada a partir de información incompleta

En la red de Hopfield se distinguen
dos fases de operación:

ASOCIACIONES ENTRE LA INFORMACIÓN DE
ENTRADA Y SALIDA

Puede imaginarse una red como cierto tipo de memoria que almacena datos de forma estable, datos que se grabarán en dicha memoria como consecuencia del aprendizaje de la red y que podrán ser leídos a la salida como respuesta a cierta información de entrada, comportándose entonces la red como lo que habitualmente se conoce por memoria asociativa: cuando se aplica un estímulo (dato de entrada) la red responde con una salida asociada a dicha información de entrada.


1.- Heteroasociación, que se refiere al caso en el que la red aprende parejas de datos de tal forma que cuando se presente cierta información de entrada Ai, deberá responder generando la correspondiente salida asociada Bi.


2.- Autoasociación, donde la red aprende ciertas informaciones A1, A2, …AN; de tal forma que cuando se le presenta una información de entrada realizará una autocorrelación, respondiendo con uno de los datos almacenados, el más parecido al de entrada.


REDES HETEROASOCIATIVAS: al asociar informaciones de entrada con diferentes informaciones de salida, precisan al menos de dos capas, una para captar y retener la información de entrada y otra para mantener la salida con la información asociada

RED AUTOASOCIATIVA: asocia una información de entrada con el ejemplar más parecido de los almacenados conocidos por la red. Estos tipos de redes pueden implementarse con una sola capa de neuronas. Esta capa comenzará reteniendo la información inicial a la entrada, y terminará representando la información autoasociada.


Existen dos formas primarias de realizar esta asociación entre entradas/salidas que
corresponden con la naturaleza de la información almacenada en la red:


Estos dos mecanismos de asociación
dan lugar a dos tipos de redes neuronales:
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.
Inspección de la calidad.
MEDICINA:
Analizadores del habla para ayudar en la audición de sordos profundos.
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.
Reconocimiento y seguimiento en el tiro al blanco.
SOFTWARE COMERCIALES
OBJETIVO
Obtener información valiosa desde una gran base de datos los especialistas en tecnologías de información construyeron metodologías

NeurOn line studio!!
Es un conjunto de herramientas gráficas, orientado a objetos para las aplicaciones de software y la aplicación de la red neuronal
Ficheros de texto de importación en muchos formatos
Intérprete de fechas, épocas, etiquetas y nombres
Reutilización de los formatos definidos del fichero de usuarios
Adición de ficheros de datos al final del fichero múltiple
Importación de datos con frecuencias diferentes de muestreo
Manejo flexible de datos y símbolos que faltan

Definición de las variables " derivadas " basadas en fórmulas definidos por el usuario
Transformación de las variables existentes para reducir ruido, alinealizar, hacer cumplir los límites o corte de los afloramientos
Creación de fórmulas con retrasos variables
Utilización de los modelos en fórmulas
Despliegue de fórmulas como elementos del proceso previo en un ambiente "runtime"

Capacidades interactivas, el alto rendimiento de la planificación
Hoja de balance incorporada
Alineación de cartas con unas o más variables contra fila o el tiempo
Diagramas de proyección (componente principal)
Cartas de dispersión de X-Y
Histogramas y estadística variables
Visión de los datos antes o después de limpiarlos

Definición de las categorías de los datos tales como parada normal, afloramiento u operación normal
Categorización recíproca de los datos sobre cartas
Extracción de los subconjuntos de datos múltiples usando interrogaciones lógicas en categorías de la escritura de la etiqueta

CARACTERÍSTICAS ...
Importación de Datos

Visualización de Datos:

Fórmulas
Selección de Datos
CARACTERISTICAS DEL
SOFTWARE!!
VECTOR BLOCKS: provee el medio para consolidar, condicionar, y manipular serie de tiempo y otros modelos, de los datos en tiempo real.

DATA SET BLOCKS:
provee las herramientas para recoger, filtrar, examinar, resumir y archivar los datos entrantes.

TRAINING BLOCKS: provee el control completo de los procedimientos del entrenamiento y de la validación de la red en tiempo real.

CÁLCULO DE NEURAL NET BLOCKS:
es un vector de la producción que valora para cada vector los valores de la entrada de información.

Descubrimiento del conocimiento de Proceso.

Control de calidad y detección deductiva.

Optimización del proceso.

Mantenimiento y seguridad predictiva.

Áreas generales de utilización ...
Aprenden correlaciones no lineares entre los sensores redundantes o relacionados, se utilizan para realizar la filtración sofisticada, la validación del sensor y estimar valores en la situación del sensor

Paradigmas de la Red Neuronal
Se utilizan a menudo para construir los modelos no lineares de predicción y el control.

BACKPROPAGATION
NETWORKS

Se utilizan para reconocer y clasificar los acontecimientos que ocurren en los problemas del análisis del modelo en los cuales los datos de la producción representan categorías discretas.

RADIAL BASIS FUNCTION
NETWORKS

Se utilizan para la computación de la probabilidad de que el modelo de entrada de información pertenece a una clase específica de modelo.

RHO NETWORKS
AUTOASSOCIATIVE NETWORKS

Requisitos del NeurOn-Line Studio!!
SISTEMAS NECESARIO:
Microsoft Windows NT 4,0, Windows 95 o 98
EQUIPO:
Mínimo 64 MB de RAM, 25 MB de espacio en el disco para instalar el software y la documentación
Procesador Pentium II con una velocidad de reloj mínima de 133 Mhz o mayor

Full transcript