Está en la página 1de 10

ESCUELA SUPERIOR POLITCNICA AGROPECUARIA DE MANAB

MANUEL FLIX LPEZ

CARRERA INFORMTICA
SEMESTRE SEXTO

PERIODO OCT/ MAR 2014

TEMA:

INTRODUCCIN A LAS REDES NEURONALES


ARTIFICIALES
AUTOR(ES):

LUISA KATERINE FARIAS CHICA

FACILITADOR:
ING. HIRAIDA SANTANA

CALCETA, DICIEMBRE 2014

INTRODUCCION
En esta seccin voy hablarles un poco sobre las Redes Neuronales Artificiales
saber cul es su objetivo en el mundo de la inteligencia artificial parte de sus
fundamentos bilgicos por ende cada una de sus partes que lo compone. Se
dice que existe algunos modelos computacionales que las neuronas siguen su
filosofa de diseo. Tambin hablaremos sobre la Neurona Artificial su
estructura bsica de la red y su aprendizaje.
A medida que va pasando las clases vamos conociendo cosas desconocidas y
que es de mucha importancia conocer porque vivimos a diario con la tecnologa
y cada da aparece un nuevo avance de ella ya que se implementa mucho lo
que son las redes neuronales.

INTRODUCCION A LAS REDES NEURONALES ARTIFICIAL


Las redes neuronales artificiales son un conjunto de tcnicas pertenecientes al
campo de la inteligencia artificial su estructura consiste de una de red formada
de nudos o neuronas tambin conexiones razn por la cual se asemejan al
cerebro de los seres humanos del cual procede su nombre.
En la inteligencia artificial se puede distinguir dos reas la primera es una se
ocupa de la construccin de sistemas con caractersticas que se puedan definir
como inteligentes. A este campo se lo denomina Inteligencia Artificial Simblica.
En este caso, se define el problema a resolver y se disea el sistema capaz de
resolverlo siguiendo esquemas prefijados por la disciplina. Los Sistemas
Expertos siguen este esquema: se introducen una serie de reglas lgicas, que
recogen el conocimiento de un experto sobre la materia, y mediante
mecanismos de inferencia parecidos a los que empleamos al razonar, se sacan
conclusiones y la otra La otra gran rea de la Inteligencia Artificial, la
Subsimblica en este caso no se realizan diseos a alto nivel de sistemas
capaces de resolver los problemas utilizando las tcnicas de la disciplina, sino
que se parte de sistemas genricos que van adaptndose y construyndose
hasta formar por s mismos un sistema capaz de resolver el problema.

FUNDAMENTOS BIOLGICOS DE LAS REDES NEURONALES


El sistema de comunicacin neuronal se compone de tres grandes partes:

RECEPTORES
Los Receptores estn situados en las clulas sensoriales que recogen
informacin del interior y exterior de los estmulos

El Sistema Nervioso
El sistema nervioso recibe informacin la elabora la almacena
parcialmente y la reenva a los rganos efectos y otras zonas.
rganos Dianos o Efectores (ejemplo: msculos y glndulas), que
reciben la informacin y la interpretan en forma de acciones motoras,
hormonales, etc.
El elemento fundamental es la neurona la funcin de la neurona es
recoger informacin, integrar un cdigo de informacin de otras
neuronas y de los receptores adems de la integracin de un cdigo de
activacin la transmisin codificada en forma de frecuencias de
impulsos, la distribucin espacial a travs del axn y la transmisin de
las neuronas subsiguientes a las clulas efectoras.
Una red neuronal es capaz de detectar relaciones complejas y no
lineales entre variables, a partir de unidades sencillas como las
neuronas, al disponer muchas de estas unidades en paralelo. Las
variables se dividen en variables de entrada y de salida, relacionadas
por algn tipo de correlacin o dependencia (no necesariamente causaefecto). Tambin es posible que la salida sea la clasificacin de las
variables de entrada en diferentes grupos.

MODELO COMPUTACIONAL
Una red viene dada por un conjunto de unidades de proceso, conexiones entre
las unidades reglas de propagacin para emitir seales a travs de conexiones
y reglas de aprendizaje para modificar los pesos de las mismas,
Existen modelos muy diversos de redes de neuronas en los cuales se siguen
filosofas de diseo, reglas de aprendizaje y funciones de construccin de las
respuestas muy distintas, una primera clasificacin se hace en funcin del
recorrido que sigue la informacin dentro de la red, y as se distinguen redes
alentada hacia adelante y redes con retro-alimentacin.

La Neurona Artificial
Es un elemento que posee un estado interno, llamado nivel de activacin, y
recibe seales que le permiten, en su caso, cambiar de estado.
Las neuronas poseen una funcin que les permite cambiar de nivel de
activacin a partir de las seales que reciben; a dicha funcin se le denomina
funcin de transicin de estado o funcin de activacin. Las seales que recibe
cada neurona pueden provenir del exterior o de las neuronas a las cuales est
conectada.

Estructura bsica de la red


La estructura bsica de interconexin entre clulas es la de la red multicapa.
Se trata de una estructura tpica de implementacin del paradigma conocido
como Retro-Propagacin. El primer nivel lo constituyen las clulas de entrada;
estas unidades reciben los valores de unos patrones representados como
vectores que sirven de entrada a la red.
Cada interconexin entre unidades de proceso acta como una ruta de
comunicacin: a travs de estas interconexiones viajan valores numricos de
una clula con otra. Estos valores son evaluados por los pesos de las
conexiones. Los pesos de las conexiones se ajustan durante la fase de
aprendizaje para producir una Rede de Neuronas Artificial fina.

Aprendizaje
Las Redes de Neuronas Artificiales son sistemas de aprendizaje basados
ejemplos. La capacidad de una red para resolver un problema estar ligada
forma fundamental al tipo de ejemplos de que dispone en el proceso
aprendizaje. Desde el punto de vista de los ejemplos, el conjunto
aprendizaje deber poseer las siguientes caractersticas:

en
de
de
de

Ser significativo. Debe haber un nmero suficiente de ejemplos. Si el


conjunto de aprendizaje es reducido, la red no ser capaz de adaptar
sus pesos de forma eficaz.

Ser representativo. Los componentes del conjunto de aprendizaje


debern ser diversos. Si un conjunto de aprendizaje tiene muchos ms
ejemplos de un tipo que el resto, la red se especializar en dicho
subconjunto de datos y no ser de aplicacin general.

El proceso general de aprendizaje consiste en ir introduciendo paulatinamente


todos los ejemplos del conjunto de aprendizaje, y modificar los pesos de las
conexiones siguiendo un determinado esquema de aprendizaje.
El criterio de convergencia depende del tipo de red utilizado o del tipo de
problema a resolver. La finalizacin del periodo de aprendizaje se puede
determinar:
Mediante un nmero fijo de ciclos. Se decide a priori cuntas veces ser
introducido todo el conjunto, y una vez superado dicho nmero se
detiene el proceso y se da por aceptada la red resultante.
Cuando el error descienda por debajo de una cantidad preestablecida.
En este caso habr que definir en primer lugar una funcin de error, bien
a nivel de patrn individual, bien a nivel de la totalidad del conjunto de
entrenamiento. Se decide a priori un valor aceptable para dicho error, y
slo es para el proceso de aprendizaje cuando la red produzca un valor
de error por debajo del prefijado.
Cuando la modificacin de los procesos sea irrelevante. En algunos
modelos se define un esquema de aprendizaje que hace que las
conexiones vayan modificndose cada vez con menor intensidad.
Dependiendo del esquema de aprendizaje y del problema a resolver, se
pueden distinguir tres tipos de esquemas de aprendizaje:
Aprendizaje supervisado. Este tipo de esquemas, los datos del conjunto
de aprendizaje tienen dos tipos de atributos: los datos propiamente
dichos y cierta informacin relativa a la solucin del problema.
Aprendizaje no supervisado. En este aprendizaje los datos del conjunto
de aprendizaje slo tienen informacin de los ejemplos, y no hay nada
que permita guiar en el proceso de aprendizaje. La red modificar los
valores de los pesos a partir de informacin interna.
Aprendizaje por refuerzo. Es una variante del aprendizaje supervisado
en el que no se dispone de informacin concreta del error cometido por
la red para cada ejemplo de aprendizaje, sino que simplemente se
determina si la salida producida para dicho patrn es o no adecuada.

El proceso consiste en modificar los pesos de la red hasta que para todos los
ejemplos del conjunto de entrenamiento, la salida producida sea lo ms posible
a la deseada.
Para poder determinar si la red produce salidas adecuadas, se divide el
conjunto de entrenamiento en dos conjuntos que se llamarn de entrenamiento
y de validacin. El conjunto de entrenamiento se utiliza para aprender los
valores de los pesos. La diferencia es que en vez de medirse el error en el
conjunto de entrenamiento, se utiliza el de validacin. De esta manera, para
medir la eficacia de la red para resolver el problema, se utilizarn datos que no
han sido utilizados para su aprendizaje. Si el error sobre el conjunto de
validacin es pequeo, entonces quedar garantizada la capacidad de
generalizacin de la red.
Para que este proceso sea eficaz los conjuntos de entrenamiento y validacin
deben tener las siguientes caractersticas:
El conjunto de validacin debe ser independiente del de aprendizaje. No
puede haber ningn tipo de sesgo en el proceso de seleccin de los
datos de validacin.
El conjunto de validacin debe cumplir las propiedades de un conjunto
de entrenamiento, descritas anteriormente.

CARACTERSTICAS DE LAS REDES DE NEURONAS ARTIFICIALES


Redes Neuronales frente a Redes de Neuronas
Artificiales.
Una de las diferencias fundamentales entre los Sistemas
Biolgicos y las Redes de Neuronas Artificiales es la complejidad
de la sinapsis. En los sistemas Biolgicos estos puntos de
interconexin tienen miles de componentes y de procesos
activos de propagacin de los impulsos electro-qumicos. En
cambio, las Redes de Neuronas Artificiales tienen conexiones
relativamente simples, en las que, por lo general, se realiza una
suma ponderada de las entradas, a la que se le aplica una
funcin de umbral, lo que hace casi ridcula la comparacin con
la complejidad de las sinapsis biolgicas.
Adems, las redes de Neuronas tiene la propiedad de poder
aprender, a partir de unas pocas presentaciones de patrones.
Por el contrario, las Redes de Neuronas Artificiales normalmente
convergen muy lentamente, y pueden necesitar de cientos o
miles de presentaciones de patrones para llegar a realizar una
generalizacin aceptable.
Redes de Neuronas Artificiales frente a Computacin
convencional
En las redes de Neuronas Artificiales, durante la fase de
aprendizaje se produce el ajuste de los parmetros asociados a
las interconexiones entre neuronas. Por tanto, la medida del
aprendizaje vendr asociada a la medida de las interconexiones
actualizadas.
Las Redes Neuronales Artificiales tambin se diferencian de las
clsicas arquitecturas paralelas. Primero, los procesadores en
una Red de Neuronas Artificiales estn masivamente
interconectados. Como resultado hay ms conexiones que
unidades de proceso, en contra de lo que ocurre en las
mquinas paralelas clsicas.
El enfoque de las Redes de Neuronas Artificiales no requiere
identificacin de problemas particulares; aun as, las Redes de
Neuronas Artificiales tienen dos grandes inconvenientes:
El tiempo de aprendizaje de la red no puede ser conocido
a priori. No se puede determinar el nmero de veces que
ser necesario introducir todo el conjunto de datos para
que la red aprenda. En muchos problemas de tiempo real
esto puede ser un inconveniente importante. Adems,
este tiempo no tiene por qu estar en relacin con el
tamao del conjunto de aprendizaje.

El diseo de una red para resolver un problema con xito


puede ser una tarea muy compleja y larga. El mtodo
comn para disear una buena red de neuronas es
mediante prueba y error.

Historia de las Redes de Neuronas Artificiales


Las primeras investigaciones en Redes Neuronales Artificiales datan de
principios del siglo XIX, con algunos de los trabajos realizador por Freud en el
perodo del psicoanlisis. La primera implementacin de Redes de Neuronas
Artificiales fue un dispositivo hidrulico descrito por Russell. Pero no fue hasta
la dcada de los 40, ya en el siglo XX, cuando el estudio de las Redes de
Neuronas Artificiales cobr una fuerza que se ha ido incrementando hasta la
actualidad, gracias al trabajo de varios cientficos brillantes y de los increbles
avances del hardware.
Warren McCulloch y Walter Pitts realizaron el primer modelo matemtico de
unas Redes de Neuronas Artificiales.
Donald Hebb desarroll posteriormente un procedimiento matemtico de
aprendizaje.
Marvin Minsky obtuvo los primero resultados prcticos de Redes Neuronales
Articiales.
Frank Rosenblatt generaliz el modelo de clulas de McColluch-Pitts
aadindole aprendizaje; llam a este modelo el Perceptron.
Bernard Widrow dise una Red Neural Artificial muy similar al Perceptron,
llamada Adaptive Linear Element o Adaline. El Adaline de dos niveles, muy
parecido al Perceptron, ajusta los pesos entre los niveles de entrada y salida en
funcin del error entre el valor esperado de salida el obtenido.

CONCLUSION
En la inteligencia artificial se conoce acerca del aprendizaje es la parte ms
importante de una Red de Neuronas Artificial y debe poseer dos caractersticas
deber ser significativo es decir que debe haber un nmero suficiente de

ejemplos, y representativo es decir, los componentes del conjunto de


aprendizaje debern ser diversos.
Con lo que aprendimos en este captulo llegamos a la conclusin que las
neurona tiene una gran importancia en la vida de la inteligencia artificial y en
nuestra vida cotidiana tambien y no tan solo de esto nos servimos si no de la
autonoma y el aprendizaje que esos temas lo vimos en los temas
anteriormente explicado.

APORTES
VENTAJAS Y LIMITACIONES DE LAS REDES NEURONALES
ARTIFICIALES
Las RNA no son la panacea que permite resolver todos los problemas, sino
que estn orientadas a un determinado tipo de tareas. Podemos destacar
cuatro caractersticas del problema o tarea que hacen aconsejable la utilizacin
de las RNA (Martn del Bro y Sanz, 1997). Por una parte, no se dispone de un
conjunto de reglas sistemticas que describan completamente el problema. En
cambio, s disponemos de muchos ejemplos o casos (condicin indispensable
para poder aplicar las RNA). Por otra parte, los datos procedentes del problema
son imprecisos, incoherentes o con ruido (como el ejemplo visto sobre el
reconocimiento de la letra E). Por ltimo, el problema es de elevada
dimensional dad, es decir, el nmero de variables de entrada es demasiado
grande como para que un modelo convencional aprenda a solucionar el
problema en un tiempo razonable. Cuando no se dan estas circunstancias
puede ser ms aconsejable optar por solucionar el problema mediante un
modelo derivado de la estadstica o la Inteligencia Artificial. Por tanto, no
debemos concebir las RNA como una alternativa, sino ms bien como un
complemento a los modelos convencionales ya establecidos. Las RNA
presentan una serie de ventajas frente a los modelos estadsticos. Una ventaja
fundamental consiste en que los modelos neuronales normalmente no parten
de restricciones respecto de los datos de partida (tipo de relacin funcional
entre variables), ni suele imponer presupuestos (como distribucin gaussiana u
otras). Por otra parte, como hemos comentado, la habilidad de las neuronas de
calcular funciones de salida no lineales capacita a la red para resolver
problemas complejos o no lineales. De este modo, en numerosas aplicaciones

se estn consiguiendo con RNA cotas de error mucho mejores que las
proporcionadas por la estadstica.

BIBLIOGRAFA
Buscema, M. (2003). A general presentation of artificial neural
networks. I. Substance Use & Misuse, 32(1), 97- 112.
Russell, S, y Norving P. 2004. Inteligencia Artificial Un Enfoque
Moderno. 2da ed. Cap. 2. Pg. 37-62.