Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Confiac
Confiac
Sumario
N Introduccin N Inspiracin
biolgica N Modelado Neuronal N Implementaciones N Aplicaciones N Grupo de trabajo N Futuro de las RNAs
Redes Neuronales en la IA
Ramas de la Inteligencia Arti icial en sus inicios! N "imblica#deducti$a!
% "istemas ormales de reglas & manipulacin simblica % Rama ms conocida de la IA
N 'one(ionista!
, Ar.uitectura secuencial , "epara claramente datos del programa en la memoria , "olucin como algoritmo o programa introducido , Resultados totalmente predecibles , No tolera errores
4
reas de Traba o
Procesamiento de "e0ales Anlisis de -atos Reconocimiento de Patrones 'ontrol Inteligencia Arti icial -esarrollo de aplicaciones basadas en t)cnicas cone(ionistas 'onstruccin de modelos neuronales Proponer & $alidar modelos de uncionamiento de ar.uitecturas neuronales
5
Aplicaciones
In ormtica "icologa
Matemticas
Patricio Garca Bez
Inspiracin biolgica
Entender el cerebro y emular su potencia
N 'erebro!
Inspiracin biolgica
N
Neuronas!
% 2rbol dendrtico de entradas % 3n a(n de salida % "obre de456 sinapsis % 'omunicacin mediante Potenciales de Accin 7PA8 % Periodo re ractario de 45#9 segundos entre PAs
Inspiracin biolgica
N
/ransmisin neuronal!
% Impulso el)ctrico .ue $iaja por el a(n % 1iberacin de neurotransmisores % Apertura:cierre de canales inicos % +ariacin potencial en dendrita % Integracin de entradas en soma % "i se supera umbral de disparo se genera un PA
Inspiracin biolgica
N
, "istema Ner$ioso 'entral 7"N'8 , 'ircuitos entre regiones , 'ircuitos locales , Neuronas , 2rboles dendrticos , Microcircuitos neuronales , "inapsis , 'anales inicos Patricio Garca Bez , Mol)culas
Inspiracin biolgica
N
'aractersticas "N'!
% Inclinacin a ad.uirir conocimiento desde la e(periencia % 'onocimiento almacenado en cone(iones sinpticas % Gran plasticidad neuronal % 'omportamiento altamente no#lineal % Alta tolerancia a allos 7muerte neuronal8 % Apto para reconocimiento< percepcin & control
10
Modelado Neuronal
N 3na
red neuronal arti icial 7RNA8 es un sistema de procesamiento de in ormacin .ue tiene ciertas aptitudes en com=n con las redes neuronales biolgicas!
% >l procesamiento de in ormacin ocurre en muc?os elementos simples llamados neuronas* % 1as se0ales son trans eridas entre neuronas a tra$)s de enlaces de cone(in* % 'ada cone(in tiene un peso asociado< el cual< tpicamente< multiplica a la se0al transmitida* % 'ada neurona aplica una uncin de acti$acin 7usualmente no lineal8 a su entrada de red 7suma de entradas pesadas8 para determinar su salida* 1aurene Fausett
11
Modelado Neuronal
N >n
o.ues!
, Modelos e icientes< potentes & simples , 2reas de aprendizaje inducti$o & reconocimiento de patrones
% 'omputacional!
% 'ogniti$o!
, Interesado por capacidades cogniti$as de los modelos , 'entrados en representacin del conocimiento
% Biocogniti$o!
, Premisa la plausibilidad biolgica
% Psico isiolgico!
, Mecanismos naturales de procesos cogniti$os reales
Patricio Garca Bez 12
Modelado Neuronal
N
x1 x2
uncin suma
uncin de acti$acin
netj t!
xj t!
xn
j
umbral 7bias8
13
Modelado Neuronal
N
14
Modelado Neuronal
N
Ar.uitecturas Neuronales!
% "eg=n e:o:s
, , , N=mero & tipo de entradas >lementos ocultos >lementos de salida
'apa de entrada 'apa de salida
'apa de entrada
'apa oculta
'apa de salida
'apa oculta
'apa de salida
15
Modelado Neuronal
N
Ar.uitecturas Neuronales!
% "eg=n cone(in entre capas
, /otalmente conectados 7 ull#cone(in8 , Parcialmente conectados , 'one(in uno a uno
Recurrente con intercone(iones laterales
16
Modelado Neuronal
N Aprendizaje!
% >stimulacin de la RN por el entorno % 'ambios en la RN debido a estimulacin % Nue$a orma de responder debido a cambios de la estructura interna de la RN
17
Modelado Neuronal
N Paradigmas
de aprendizaje!
% Aprendizaje "uper$izado % Aprendizaje por Re orzamiento % Aprendizaje Auto#organizado 7No "uper$izado8 % Precalculado o pre ijado
18
Modelado Neuronal
N Aprendizaje
super$izado!
Modelado Neuronal
N Aprendizaje
no super$izado!
% "e presentan slo patrones de entrada % Basado en la redundancia en las entradas % Aprendizaje e(trae de los patrones!
, Familiaridad con patrones tpicos o promedios del pasado , Anlisis de las 'omponentes Principales , 'lustering , Prototipos< correspondientes a las categorias e(istentes , 'odi icacin , Mapa de 'aractersticas
Modelado Neuronal
N Algoritmos
de aprendizaje ms comunes!
21
Modelado Neuronal
N Propiedades
& 'apacidades
% In ormacin 'onte(tual % /olerancia a allos % Implementacin +1"I % 3ni ormidad en el Anlisis & -ise0o % Analoga Neurobiolgica
% Generalizacin % >structura altamente paralela % No linealidad % Mapeo de >ntrada# "alida % Adaptabilidad % Respuesta graduada
22
Implementaciones
N Medio
% +elocidad!
, Neuronas! 45#9 s*< Puertas lgicas! 45#F s*
% /ama0o!
, Neuronas G H rdenes de magnitud menores
% Fan#In!
, Promedio de 45*555 sinapsis por neurona< muc?o ma&or .ue en silicio
23
Implementaciones
N Neurosimuladores!
% "o tCare!
, Fle(ibles , >conmicos
% EardCare!
, > icientes
24
Implementaciones
N
'aractersticas deseables!
% % % % Facilidad de uso Potencia > iciente >(tensibilidad
25
Implementaciones
N
Neuro?ardCare!
% % % % % % +1"I analgico ;pto#>lectrnicos FPGAs Neuro#'?ips 7+1"I -igital8 Neuro#/arjetas M.uinas paralelas de propsito general % Bioc?ips
;bjeti$o!
% Acelerar ases de aprendizaje & ejecucin
26
Implementaciones
N Bioc?ips
27
Aplicaciones
N Fases
de desarrollo!
Seleccin de la arquitectura neuronal Seleccin del conjunto de aprendizaje Seleccin del conjunto de validacin Fase de aprendizaje Fase de validacin !"#
$%plantar en aplicacin
28
Aplicaciones
N /ipos
de problemas abordables!
general!
% -i cil describir conocimiento: orma de resol$erlos % "e dispone de una gran cantidad de datos
Patricio Garca Bez 29
!roblemas de Asociacin
% N>/alD 7"ejnoCsDi J Rosemberg8!
, A partir de te(tos escritos genera gonemas correspondientes* Mejoras durante aprendizaje
% /ratamiento de imgenes!
, Ruido placas matrculas , Restitucin
% 'ompresin de Imgenes!
30
% Inspeccin $isual!
% "eguimiento de pupila
31
!roblemas de !rediccin
% Airline MarDeting /actician 7AM/8!
, Monitoriza & recomienda la reser$a de plazas
% NeuralstocDs!
, "er$ico de predicciones inancieras a corto plazo
32
!roblemas de Control
% 'ontrol de robots!
, 'inemtica in$ersa , -inmica
% A1+INN!
, 'onduccin de $e?culo
33
!roblemas de Apro"imacin
% Apro(imacin de unciones utilizando RBFs
!roblemas de #ptimi$acin
% ;ptimizacin de rutas!
, /"P
34
Aplicaciones en Astronoma%Astrofsica
% Reconocimiento de estrellas:gala(ias % 'lasi icacin espectral & mor olgica de estrellas:gala(ias % >studios de super icies planetarias % >studio del campo magn)tico interplanetario % -eterminacin de parmetros en atms eras estelares % 'lasi icacin de poblaciones de enanas blancas
, Neural NetCorDs< &' 7K5598
35
Aplicaciones en Astronoma%Astrofsica
% Identi icacin & caracterizacin de objetos! L";Ms< gala(ias IR ultraluminosas< uente de Ra&os Gamma % -eterminacin de desplazamientos otom)tricos al rojo % >liminacin de ruido en pi(els % -escomposicin de datos simulados multi# recuencia para la misin PlancD % B=s.ueda de c=mulos de gala(ias
, Neural NetCorDs< &' 7K5598
36
Aplicaciones en Astronoma%Astrofsica
% Anlisis de datos recogidos por instrumentos de nue$a generacin para astro sica de alta energa!
, , , , /elescopio de neutrinos A3G>R & ARG; /elescopio de ra&os gamma '?erenD?o$ Inter ermetro de ondas gra$itacionales +IRG; B=s.ueda de bosones Eiggs
37
(rupo de Traba o
N Grupo
N 1neas de trabajo % Neurociencia 'omputacional & 'ognicin 'omputacional! 'omunicacin NeuronalNAprendizaje & Memoria*Procesos & >structuras 'ogniti$as:Percepti$as /eoras & Modelos % Redes Neuronales Naturales & Arti iciales! -ise0o de Nue$os Modelos de RNAs % Aplicacin de la 'omputacin Neuronal en -ominios Biom)dicos< 'lnicos & Medioambientales
Patricio Garca Bez 38
(rupo de Traba o
N 'ampos aplicati$os estudiados % Procesamiento de "e0ales Neuro isiolgicas % Identi icacin de >spectros 1uminescentes % Agente de 'atalogacin Automtica de Oebs % "istema Automtico de -eteccin de Ata.ues In ormticos % -iagnstico de >n ermedades Neurodegenerati$as
Me$cla
(spectro)ot%etro de *u%inescencia
Entradas
mli
11111 xi 111111
111111 dl 11111111
Capa SOM
hl 111111 zl 11111111
Capa de Holguras
upl gpq
Capa de Etiquetado
... vp
&nal'sis
Mapa de Rec-a$o
,apa de 0olerancias
2 1
,spectro
+reprocesado 2 1
,ti.uetado
39
(rupo de Traba o
N -ocencia Impartida en la 311 % Introduccin a los Modelos de 'omputacin 'one(ionista , 9er curso< Ing* /)cnica en In ormtica de "istemas< >/"II , 95 a 65 alumnos , ?ttp!::soma*etsii*ull*es:imcc: % Introduccin a la Inteligencia Arti icial , 9er curso< I/I de Gestin:"istemas , G5 a H5 alumnos , ?ttp!::soma*etsii*ull*es:iia: % Modelos 'one(ionistas & Autmatas , GP curso< Ing* In ormtica< >/"II , 45 a K5 alumnos , ?ttp!::soma*etsii*ull*es:mc&a:
Patricio Garca Bez 40