Está en la página 1de 4

-presentacion

Hola a todos, mi nombre es Luis Enrique Riascos soy estudiantes de Ingenieria de sistemas
de la universidad del pacifico del curso de Inteligencia artificial, a continuación, les abre un
resumen sobre las redes neuronales bajo el formato pechakucha

-inspiracion biológica

Cerebro: – Gran velocidad de proceso – Tratamiento de grandes cantidades de información


procedentes de:

• Los sentidos

• Memoria almacenada

– Capacidad de tratar situaciones nuevas

– Capacidad de aprendizaje

-de la neurona biologica a la artifcial

-Neurona biológica.

Una neurona es una célula viva que consta de un cuerpo celular más o menos esférico de 5
a 10 micras de diámetro, del que sale una rama principal el axón, y varias ramas más cortas
denominadas dendritas. el axón puede producir ramas en torno a su punto de arranque

-Neurona artificial

Neurona Artificial:

– Grupo de entradas (x)

– Pesos sinápticos (w)

– Función suma (net)

– Función de activación (act)

– Una única salida (y)

– Funcionamiento en modo aprendizaje o ejecución

-Una red neuronal artificial (RNA) es un sistema de procesamiento de información que tiene ciertas
aptitudes en común con las redes neuronales biológicas:

– El procesamiento de información

– Las señales son transferidas a través de enlaces de conexión.

– Cada conexión tiene un peso asociado, el cual, típicamente, multiplica a la señal


transmitida.
-arquitectura de redes neuronales

La arquitectura de una red neuronal artificial es la forma como se organizan las neuronas
en su interior y está estrechamente ligada al algoritmo de aprendizaje usado para entrenar
la red. Dependiendo del número de capas, definimos las redes como monocapa y multicapa;
y si tomamos como elemento de clasificación la forma como fluye la información, definimos
las redes como Feedforward y Recurrentes.

-monocapa

En las redes monocapa, se establecen conexiones entre las neuronas que pertenecen a la
única capa que constituye la red. Las redes monocapas se utilizan generalmente en tareas
relacionadas con lo que se conoce como autoasociación (regenerar información de entrada
que se presenta a la red de forma incompleta o distorsionada).

-multicapa

Las redes multicapas son aquellas que disponen de un conjunto de neuronas agrupadas en
varios (2, 3, etc.) niveles o capas. En estos casos, una forma para distinguir la capa a la que
pertenece una neurona, consistiría en fijarse en el origen de las señales que recibe a la
entrada y el destino de la señal de salida.

-aprendizaje de las redes neuronales

El concepto de aprendizaje lo asociamos normalmente, en nuestra vida cotidiana, al proceso


de formación que llevamos a cabo en las aulas de clase, Otro punto de vista, es mirar el
aprendizaje como un proceso que nos permite apropiar un conocimiento, alguna habilidad,
construir actitudes o valores, gracias al estudio, la experiencia o la enseñanza

El aprendizaje está asociado a:

– Estimulación de la RN por el entorno

– Cambios en la RN debido a estimulación

– Nueva forma de responder debido a cambios de la estructura interna de la RN

-Aprendizaje supervisado

Dentro de las redes neuronales encontramos 4 paradigmas el primero es el aprendizaje


supervisado,

– en este Se presentan pares de patrones de entrada y salida deseada

– Pasos: • Fijar pesos aleatorios las conexiones

• Seleccionar par de entrenamiento

• Presentar patrón de entrada y calcular salida

• Calcular error o discrepancia con la salida deseada


• Aplicar regla de aprendizaje – Dudosa plausibilidad biológica:

• Requiere propagar información hacia atrás

• Requiere de instructor

-El siguiente paradigma es el Aprendizaje no supervisado:

– en este Se presentan sólo patrones de entrada

– Basado en la redundancia en las entradas

– Aprendizaje extrae de los patrones:

• Familiaridad con patrones típicos o promedios del pasado

• Análisis de las Componentes Principales

• sus Prototipos, son correspondientes a las categorias existentes

• Mapa de Características

– Grandes plausibilidades biológicas

-red neuronal perceptrón

El Perceptrón, desarrollado por Rosenblatt (1958), consiste en una neurona procesadora,


con sus elementos de entrada, sumador, activador y de salida. a la cual llegan señales de
entrada xi, i = 1, 2,...,n cada una con una a través de una línea con conductividad o peso
asociado wi.

-red neuronal adeline

La Adaline es un modelo de neurona desarrollado por Bernard Widrow y Marcian E.


Hoff(Widrow & Hoff 1960). Como la neurona de esta red tiene una función de activación
lineal, el valor de salida será igual al valor de la entrada neta que la neurona esté recibiendo.

Es importante recalcar que la red tipo ADALINE puede tener más de una neurona en su
capa de procesamiento, dando origen a un sistema con N entradas y M salidas

-percetron multicapa

Es capaz de actuar como un aproximador universal de funciones: una red backpropagation


conteniendo al menos una capa oculta con suficientes unidades no lineales puede
aproximar cualquier tipo de función o relación continua entre un grupo de variables de
entrada y salida. Esta propiedad convierte a las redes perceptrón multicapa en herramientas
de propósito general, flexibles y no lineales

-arquitectura perceprtron multicapa


Un perceptrón multicapa está compuesto por una capa de entrada, una capa de salida y una
o más capas ocultas; aunque se ha demostrado que para la mayoría de problemas bastará
con una sola capa oculta

-algoritmo backpropagation

El método emplea un ciclo propagación de dos fases. Una vez aplicado un patrón a la entrada
de la red, este se propaga desde la primera capa a través de las capas siguientes de la red, hasta
generar una salida. La señal de salida se compara con la salida deseada y se calcula una señal de
error para cada una de las salidas.

Aplicaciones potenciales

- Procesamiento de señales.

Para este problema se han desarrollado enfoques basados en filtros y ecualizadores de


canales y la aplicación de estimación estadística para conformar un estimado óptimo de la
señal deseada.

Procesamiento y análisis de imágenes.

El procesamiento de imágenes es un campo muy promisorio de aplicaciones de las Redes


Neuronales, en donde la imagen digitalizada original o bien preprocesada se utiliza como
entrada de una red, obteniéndose como salida una clasificación e identificación de la
imagen o de segmentos de ella.

-Análisis y generación de lenguaje natural.

En cuanto el análisis y el lenguaje natural se están empleando Redes Neuronales para


analizar un vocablo hablado, identificando sus parámetros fonéticos, con el fin de asociarlo
con la palabra escrita correspondiente,

-conclusion

Aun con todas las investigaciones realizadas y con la tecnología existente, sigue sin
entenderse el funcionamiento del cerebro, el cual es altamente complejo, la redes
neuronales son una tecnología computacional emergente que puede utilizarse en un gran
numero de variedades de aplicaciones; estas redes tienen en común la búsqueda y
reconocimiento de patrones complejos que pueden clasificarse a partir de valores parciales

También podría gustarte