Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Prof - Usb.ve Mvillasa Redes Introduccion-Vl
Prof - Usb.ve Mvillasa Redes Introduccion-Vl
H.
Sistema de Evaluacin:
Proyecto asignado (30%)
Ser una data comn para todos que deben analizar (clasificar, interpolar) con cierto grado de dificultad asociado. Se espera que ustedes realicen un analisis profundo de la data y obtener los mejores resultados. El proyecto es la ltima entrega del trimestre en semana 11/12 y lo tendrn desde la semana 8/9 (aprox.)
Tareas (50%)
Me gustan mucho las tareas (una especie de adiccin). Las tareas vencen a las dos semanas de ser entregadas.
Introduccin
Una red neuronal artificial es una herramienta diseada para emular la forma en que el cerebro humano funciona
Cmo funciona el cerebro humano ? Cmo aprende el ser humano ? Dnde se guarda el conocimiento ? Por qu es tan eficiente el cerebro humano ?
Introduccin
El cerebro humano est compuesto por una gran cantidad de elementos bsicos denominados neuronas Bsicamente las neuronas estn formadas por: Un cuerpo central o Ncleo Un mecanismo de conexin con otras neuronas (sinapsis): Axn y dendritas
Introduccin
http://www.4colorvision.com/pix/pyramidpix.gif
Introduccin
Los estmulos recibidos en el cerebro son transmitidos entre las neuronas mediante las conexiones sinpticas. Cuando una neurona es estimulada libera una pequea cantidad de un componente qumico (neurotransmisor). Este viaja a travs del axn hasta llegar a las dendritas de otras neuronas en las cuales el proceso se repite. Este proceso sirve para incrementar o disminuir la relacin entre las neuronas involucradas en el.
Introduccin
Ejemplo
Respuesta Estmulo 1
Estmulo 2
Respuesta
Introduccin
Mediante un proceso de aprendizaje se logran establecer los niveles correctos de activacin-inhibicin de las neuronas Cuando este proceso se completa entonces ante determinados estmulos sabemos como responder y aprendemos El conocimiento adquirido est entonces en los niveles de relacin entre las neuronas logrados durante el proceso de aprendizaje El cerebro es entrenado por repeticin de estmulos !
Introduccin
Cmo puede ser el cerebro tan eficiente ? Por la enorme cantidad de neuronas (aprox. 100 billones) y la manera en que estn interconectadas (aprox. 60 trillones de sinapsis) Por la capacidad de organizarse, construir reglas y aprender de la experiencia
Introduccin
Emulando entonces el funcionamiento del cerebro construiremos redes neuronales artificiales interconectando elementos de procesamiento ms bsicos como las neuronas.
Hopfield network
Kohonen network
Para entender las redes neuronales artificiales es necesario entender y modelar las unidades ms bsicas o neuronas artificiales
Introduccin
Introduccin
Dendritas:
Para recibir el estmulo o establecer las conexiones sinpticas
Pesos sinpticos:
Cada dendrita tendr un peso
wj
w1 w2
wm
Axn:
Para enviar la respuesta
Ncleo:
Para procesar la informacin Introduccin a las Redes Neuronales Artificiales
( x1 , x 2 , , x m )
Cada entrada del vector corresponde a un estmulo o variable en particular de la cual se tiene cierta cantidad de observaciones o valores. Cuando se recibe el estmulo, cada entrada de este es multiplicada por el correspondiente peso sinptico de la dendrita que recibe dicho valor, y luego cada uno de estos resultados se suman.
x1
x2
w1
w2
w m xm = wj xj 1x 1 +w 2 x2 + + w
j=1
xm
wm
Este valor se considera como el estmulo que recibe la neurona
Introduccin a las Redes Neuronales Artificiales
m wj x j + b = X tW + b j= 1
x1
x2
w1
w2
( X tW + b)
xm
wm
En conclusin, los parmetros del modelo de una neurona son: La funcin de transferencia
El parmetro de sesgo
Este puede ser considerado como un peso sinptico w 0 = b asociado a una dendrita que recibe siempre el estmulo x0 = 1
m m wj x j + b = wj x j = X tW j=1 j= 0
1 x X = 1 xm
b w W = 1 wm
La funcin de activacin
La funcin de activacin se utiliza para limitar el rango de valores de la respuesta de la neurona. Generalmente los rangos de valores se limitan a [0,1] o [-1,1], sin embargo otros rangos son posibles de acuerdo a la aplicacin o problema a resolver. Existen diversas funciones de activacin y la decisin entre una u otra depender nuevamente de la aplicacin o problema a resolver. Existen funciones de activacin comnmente utilizadas y con las cuales se han obtenido resultados satisfactorios en diversas aplicaciones.
La funcin de activacin
1 si x 0 (x) = 0 si x < 0
La respuesta de la neurona es entonces 1 o 0. Estos valores se pueden asociar a verdadero o falso y esta condicin depender de si
X tW b
X tW < b
Generalmente se utiliza para establecer criterios de clasificacin. Por ejemplo, 1=Elemento tipo A, 0=Elemento tipo B
En matlab la funcin se denomina hard-limit function Introduccin a las Redes Neuronales Artificiales
La funcin de activacin
X tW + b 0
1 =
-1 1
0 =
-1
X tW + b 0
0 W = 1 1 1 X = x y
X tW + b = x + y
Introduccin a las Redes Neuronales Artificiales
La funcin de activacin
Ejemplo:
0 1 estmulo X = 1 0
sesgo
b = 1
( 1) = 0
La funcin de activacin
La funcin signo
Esta funcin est definida como
1 si x < 0 ( x ) = 0 si x = 0 1 si x > 0
La respuesta de la neurona es entonces -1, 0 o 1.
La funcin de activacin
X tW + b > 0
1 = -1 =
-1
0 =
X tW + b < 0
-1
X tW + b = 0 X tW + b = x + y
Introduccin a las Redes Neuronales Artificiales
La funcin de activacin
Ejemplo:
0 1 estmulo X = 1 0
sesgo
b = 1
( 1) = 1
La funcin de activacin
La funcin logstica
Esta funcin est definida como
(x ) =
1 1 + exp
( x )
x R, > 0
Es una de las funciones ms utilizadas en la construccin de redes neuronales Es continua a valores en [0, 1] e infinitamente diferenciable Es la versin continua de la funcin umbral y se utiliza en problemas de aproximacin
=3 =1 = 0.3
La funcin de activacin
Ejemplo:
0 1 estmulo X = 1 0
sesgo
b = 1
(1)
La funcin de activacin
( x ) = tanh( x / 2) =
1 exp ( x ) 1 + exp ( x )
x R, > 0
Es la versin continua de la funcin signo y se usa en problemas de aproximacin Es importante por sus propiedades analticas Es continua a valores en [-1, 1] e infinitamente diferenciable
=3 =1 = 0.3
La funcin de activacin
Ejemplo:
0 1 estmulo X = 1 0
sesgo
b = 1
La funcin de activacin
La funcin Lineal
Esta funcin est definida como
(x ) = x
No limita la respuesta de la neurona
xR
3 2 1 1 2 3
La funcin de activacin
Una regresin lineal simple puede ser vista como la respuesta de una neurona con funcin de activacin lineal
1 X = x
1
b
b W = a
X tW = ax+ b
( X tW ) = ax + b
La funcin de activacin
si x 0 0 ( x ) = x si 0 x 1 1 si x 1
En matlab la funcin se denomina satlin (saturating linear) Introduccin a las Redes Neuronales Artificiales
La funcin de activacin
si x 1 1 ( x ) = x si 1 x 1 1 si x 1
-1
-1
En matlab la funcin se denomina satlins (symmetric saturating linear Introduccin a las Redes Neuronales Artificiales
La funcin de activacin
Estmulo
w1
w2
wm
Recordemos que los pesos sinpticos sirven para guardar el conocimiento adquirido. En analoga con el funcionamiento del cerebro, los valores de los pesos sinpticos se obtienen mediante un proceso de aprendizaje. Este proceso de aprendizaje puede ser dividido en: Paradigmas de aprendizaje y algoritmos de entrenamiento. Paradigmas de aprendizaje Corresponden a la manera en que la red neuronal interacta o se relaciona con el ambiente en el cual opera. Bsicamente existen 2 tipos de paradigmas: Aprendizaje supervisado (Supervised learning) Aprendizaje no supervisado (Non supervised learning)
Algoritmos de entrenamiento Son tcnicas matemticas o heursticas bien establecidas a travs de los cuales se obtienen los valores de los pesos sinpticos y el parmetro de sesgo. Estos algoritmos NO modifican la funcin de activacin elegida para el modelo de red neuronal que se entrena. Lo que hacen es modificar los pesos sinpticos utilizando el valor anterior de este mas un factor de correccin
nuevo
=W
viejo
+ W
y se diferencian uno de otro en la forma en que dicha correccin es obtenida Existen una amplia variedad de algoritmos de entrenamiento cada cual con sus fortalezas y debilidades. Distintos paradigmas de aprendizaje junto con distintos algoritmos de entrenamiento producen diversas redes neuronales
Introduccin a las Redes Neuronales Artificiales
Existen muchos algoritmos de entrenamiento, algunos de los cuales se mencionan aqui: Error correction learning or delta rule: es un aprendizaje supervisado, en donde se usa el error obtenido en la presentacin del estmulo para determinar el factor de correccin. Competitive learning: las neuronas compiten entre si para hacerse activas estableciendo. Solo una se activa a la vez (especializacin). Hebbian learning: correlaciona la actividad pre y post sinptica (si ambas neuronas se activan se fortalece la conexin y se debilita en caso contrario). Aqu el factor de correccin es multiplicativo entre la actividad pre y post sinptica. Memory Based learning: la red almacena data ya procesada en memoria. Un nuevo patrn es procesado segn su cercana (en sentido euclideo) a un patrn en memoria.
Introduccin a las Redes Neuronales Artificiales
x1
x2
wk 1
Neuron
wk 2
Yk =k (wkj xj )
xm
wkm
= Constante de aprendizaje
ek = dk Yk =
Error cometido
Hebbian learning or activity product rule Es el postulado de entrenamiento ms antiguo y se basa en consideraciones desarrolladas por Hebb, D.O (1949) en su libro The organization of behavior: A neuropsychological theory El postulado de Hebb establece bsicamente que: Cuando dos neuronas conectadas (sinpsis) se activan simultneamente, la relacin entre estas se fortalece. En caso contrario, la relacin se debilita o es eliminada. La formulacin matemtica apropiada es establecer entonces la correlacin entre el estimulo de entrada y la respuesta a dicho estmulo y utilizar esta informacin para actualizar el valor de los pesos sinpticos
xj
w kj
Yk
Neuron
Competitive Learning En este tipo de algoritmos se establece un mecanismo de competencia entre las neuronas y la respuesta de la red ante un determinado estmulo proviene exclusivamente de la neurona ganadora
Wj (t +1) = Wj (t ) + (t ) [ X (t ) Wj (t ) ]
w kj
X (t )
Es esta caracterstica la que hace que este tipo de algoritmos sean apropiados para descubrir patrones en un conjunto de datos y que por lo tanto sean usados para clasificacin
Memory based learning En este tipo de entrenamiento las experiencias pasadas estn almacenadas en la memoria de ejemplos que han sido clasificados correctamente.
En este tipo de entrenamiento un nuevo patrn de entrada es comparado con k patrones cercanos (concepto de vecindad) y luego es asignado la clasificacin ms frecuente en la vecindad. Las RBF utilizan este tipo de postulado en su entrenamiento, al igual que las redes SOM Distancias Euclidea : ||x-y|| Producto interno : xt*y ||x-y|| x y xTy
Introduccin a las Redes Neuronales Artificiales
Arquitecturas
Arquitecturas
Una capa, feedforward
Multicapa feedforward
Redes recurrentes
Problemas
Qu tipos de problemas se pueden resolver? Asociacin de patrones: escritura. La red es presentada con muchos ejemplos de un patron hasta guardar el patron, luego al ser presentado una versin con ruido esta es capaz de reconocer el patrn. Clasificacin: una la red es entrenada con ejemplos de clasificacin conocida. Aproximacin de funciones. Identificacin, problemas inversos. Control: se conoce una seal de referencia y el objetivo es ajustar los parmetros libres para seguir la salida deseada. Filtro: son tiles en predicciones.