Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Redesneur Simplificada
Redesneur Simplificada
Introduccin
Motivacin
Arquitectura
Leyes de Aprendizaje
Aplicaciones
DILEMA
1 cerebro=1/10 calculadora de
CALCULO
Aritmtica
bolsillo
Visin 1 cerebro=1000 supercomputadores
CPU
CPU MEM
MEM E/S
E/S E/S
E/S
Propiedades:
Eliminacin del cuello de botella
Inteligencia artificial llevada al lmite
Indice
Motivacin
Arquitectura
Leyes de Aprendizaje
Aplicaciones
Neurona Artificial
Ley de Propagacin
neti = Wij I j Ley de Activacin
j a (t + 1) = F (a (t ), net1 (t ), net 2 (t ),...)
Funcin de Salida
o = f (a )
Patrn de Conectividad
Ley de Aprendizaje
Entorno wij (t + 1) = g ( wij (t ), neti (t ), a (t ), o(t ))
Funcin de activacin
(s)
1
1
Funcin sigmoidal: (x) = __________
1 + e -x
Red neuronal
salidas
Topologas:
neuronas Monocapa
Multicapa
Motivacin
Arquitectura
Clasificacin
Leyes de Aprendizaje
Aplicaciones
Aprendizaje
El conocimiento es obtenido a partir de la
experiencia y almacenado en los pesos
Tipos de aprendizajes:
Preprogramadas
Ley de Hebbs
Aprendizaje competitivo
Aprendizaje supervisado
La red extrae y copia la estructura interna del
conocimiento del entorno
Leyes de Aprendizaje
dW
o = f (W T I ) = W& = () I ()W
dt
Motivacin
Arquitectura
Clasificacin
Leyes de Aprendizaje
Aplicaciones
Propiedades de las RN
Procesamiento de un gran conjunto de datos
Baja densidad de informacin
Robustez ante fallo en estructura
Robustez ante inconsistencia en los datos de
entrada
Datos y reglas de procesamiento confundidos en
las conexiones
Procesamiento altamente paralelo
Capacidad de Autoorganizacin. Adaptabilidad
Cuando usar Redes Neuronales?
Cuando se quiere desarrollar un modelo
(funcional, clasificador, prediccin de serie
temporal,...)
Ejemplos
Finanzas: Modelos de mercado
Ingeniera: Modelado de procesos y control
adaptativo
Medicina: Diagnosis
Cuando usar Redes Neuronales?
B
Recta de Decisin B
Perceptrn
Aprendizaje Supervisado: Regla
d (t ), o(t ) { 1,1}
dwi
= [d (t ) o(t )]ii (t ) 0 i n 1
dt
1
Indice
Perceptrn
Regla delta
Perceptrn Multicapa
Retropropagacin
Ejemplos
Perceptrn Multicapa
Regiones de Clases Regiones de
Estructura Problema XOR Decisin Generales
Decisin Complejas
Una capa A B
Semiespacios
A
limitados por B
hiperplanos B A
Capa de OR
Salida
oi = f (neti )
AND 1
1
f ( x) =
Capas 1 + ex 0
Ocultas
HIPERPLANOS
Capa de 1
1 e x
Entrada f ( x) =
1 + e x
-1
Indice
Perceptrn
Regla delta
Perceptrn Multicapa
Retropropagacin
Ejemplos
Perceptrn Multicapa
Retropropagacin
Capa de OR
Salida (Regla generalizada)
p wij (t + 1) = j ii capa i previa a j
AND
f j(net pj )(d j o j ) Capa de Salida
j = f (net ) w Capas Ocultas
Capas pj k ij
j k
Ocultas
HIPERPLANOS
Capa de
Entrada
Perceptrn Multicapa
Retropropagacin: Demostracin
1
E Ep =
2
Error Cuadrtico Mdio (d pj o pj )
p 2 p j
Primer Trmino
E p
Definamos pj (3) Sustituyendo (2) y (3)en (1) p w ji = pj o pj
net pj
Primer Trmino
E
Para neurona de salida. Dado que E p = 1 (d pj o pj ) 2 p = (d pj o pj )
2 j o pj
pj = f (net pj )(d pj o pj )
Perceptrn Multicapa
Para neurona oculta.
E p E p net pk E p E p
= = ki pi
w o = wkj = pk wkj
o pj k net pk o pj k net pk o pj i k net pk k
net j
1 e
Particularizando o pj = opj = f (net j ) = = o pj (1 o pj )
1+ e
net j
(1 + e ) net j 2