Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Sesin 8
Nombres
Alumno: Brandon Alejandro Cant Aguirre
Alumno: Angel Eduardo Vargas Lpez
1479443
1496315
Investigacin
Ciudad Universitaria, San Nicols de los Garza, Nuevo Len, lunes 26 de Octubre 2015
ndice.
Introduccin
Pg. 3
Pag.4
Objetivos
Pag.5
Definicin
Pag.5
Historia
Pag.6
Pag.11
Clasificacin
Pag.14
Pag.18
Conclusiones
Pag.19
Bibliografa.
Pag.20
Introduccin.
con
otros
mtodos,
para
aquellas
tareas
de
clasificacin,
redes
de
neuronas
biolgicas que
poseen
bajas
capacidades
de
Objetivos.
Estos mtodos estn orientados a resolver problemas donde es necesario
manejar informacin masiva, imprecisa, incierta o distorsionada propia del mundo
real (tomada de decisiones, reconocimiento de formas, habla, etc.).
Algunos de estos son la lgica borrosa o difusa (fuzzylogic), las redes
neuronales artificiales, los algoritmos genticos, la teora del caos y la teora del
aprendizaje.
buscar combinaciones entre ellos, de mande que a cada aspecto de los problemas
reales que deban ser resueltos se les aplica la tcnica que resulta ms apropiada.
Definicin.
Existe actualmente una gran tendencia a establecer un nuevo campo de
la computacin que
integrara
los
diferentes mtodos de
resolucin
"ANN")
son
un paradigma de aprendizaje
y procesamiento
Historia.
En 1943, el neurobilogo Warren McCulloch, y el estadstico Walter Pitss,
publicaron el artculo "A logical calculus of Ideas Imminent in Nervous Activity".
Este artculo constituy la base y el inicio del desarrollo en diferentes campos
como son los Ordenadores Digitales (John Von Neuman), la Inteligencia Artificial
(Marvin Minsky con los Sistemas Expertos) y el funcionamiento del ojo (Frank
Rosenblatt con la famosa red llamada Perceptron).
En 1956, los pioneros de la Inteligencia Artificial, Minsky, McCarthy, Rochester,
Shanon, organizaron la primera conferencia de Inteligencia Artificial que fue
patrocinada por la Fundacin Rochester. Esta conferencia se celebr en el verano
de 1956 en la localidad inglesa de Darmouth y en muchos libros se hace
referencia al verano de este ao como la primera toma de contacto seria con las
redes neuronales artificiales. Nathaural Rochester del equipo de investigacin de
IBM present el modelo de una red neuronal que l mismo realiz y puede
considerarse como el primer software de simulacin de redes neuronales
artificiales.
En 1957, Frank Rosenblatt public el mayor trabajo de investigacin en
computacin neuronal realizado hasta esas fechas. Su trabajo consista en el
desarrollo de un elemento llamado "Perceptron". El perceptron es un sistema
clasificador de patrones que puede identificar patrones geomtricos y abstractos.
El primer perceptron era capaz de aprender algo y era robusto, de forma que su
comportamiento variaba slo si resultaban daados los componentes del sistema.
6
12
neurona a partir del estado que exista y la combinacin de las entradas con
los pesos de las conexiones.
Es importante sealar que la propiedad ms importante de las redes
neuronales artificiales es su capacidad de aprender a partir de un conjunto de
patrones de entrenamientos, es decir, es capaz de encontrar un modelo que ajuste
los datos. El proceso de aprendizaje tambin conocido como entrenamiento de la
red puede ser supervisado o no supervisado. El aprendizaje supervisado consiste
en entrenar la red a partir de un conjunto de datos o patrones de entrenamiento
compuesto por patrones de entrada y salida. El objetivo del algoritmo de
aprendizaje es ajustar los pesos de la red w de manera tal que la salida generada
por la ANN sea lo ms cercanamente posible a la verdadera salida dada una cierta
entrada.
Este aprendizaje se llama supervisado pues se conoce el patrn de salida el
cual hace el papel de supervisor de la red. En cambio en el aprendizaje no
supervisado se presenta slo un conjunto de patrones a la ANN, y el objetivo del
algoritmo de aprendizaje es ajustar los pesos de la red de manera tal que la red
encuentre alguna estructura o configuracin presente en los datos.
La arquitectura de una red neuronal es formada conectando mltiples
procesadores elementales, siendo ste un sistema adaptivo que posee un
algoritmo para ajustar sus pesos (parmetros libres) para alcanzar los
requerimientos de desempeo del problema basado en muestras representativas.
Por lo tanto podemos sealar que una ANN es un sistema de computacin
distribuida caracterizada por:
13
capacidades de procesamiento.
Una densa estructura interconectada usando enlaces ponderados.
Parmetros libres que deben ser ajustados para satisfacer
requerimientos de desempeo.
Un alto grado de paralelismo.
los
Clasificacin.
La topologa o arquitectura de una red consiste en la organizacin y disposicin
de las neuronas en la red. Las neuronas se agrupan formando capas, que pueden
tener muy distintas caractersticas. Adems las capas se organizan para formar la
estructura de la red. Se puede observar en la siguiente figura.
La jerarqua de las redes neuronales:
Donde podemos ver que las neuronas se agrupan para formar capas y las
capas se unen entre ellas formando redes neuronales. Para clasificar por la
topologa usaremos el nmero de capas en redes monocapas o redes multicapas.
Las redes monocapa son redes con una sola capa. Para unirse las
neuronas crean conexiones laterales para conectar con otras neuronas de
su capa. Las redes ms representativas son la red de Hopfield, la red
BRAIN-STATE-IN-A-BOX o memoria asociativa y las maquinas estocsticas
de Botzmann y Cauchy.
14
Entre las redes neuronales monocapa, existen algunas que permiten que
las neuronas tengan conexiones a si mismas y se denominan auto
recurrentes.
15
16
patrones.
Existe otro tipo de aprendizaje, que usa una formula hbrida, el supervisor
no ensea patrones objetivos si no que solo le dice se acierta o falla en su
respuesta ante un patrn de entrada. Es el aprendizaje reforzado.
nodos.
El algoritmo de entrenamiento, usado para encontrar los parmetros de la
red.
Arquitectura de una FANN Morfolgicamente, las FANN consisten en un
conjunto de neuronas organizadas en capas como se muestra en la figura
17
resultados
en
los
pronsticos
financieros
que
los
mtodos
convencionales.
Conclusiones.
18
Bibliografas.
19
20