Documentos de Académico
Documentos de Profesional
Documentos de Cultura
INTRODUCCIÓN
A LAS REDES
NEURONALES
ARTIFICIALES
(Parte 1)
Postgrado de Investigación de Operaciones
Facultad de Ingeniería
Universidad Central de Venezuela
Análisis y Procesamiento de Patrones José Luis Quintero 1
Puntos a tratar
1.Neurona biológica
2.Inteligencia artificial
3.Redes neuronales artificiales
4.El perceptrón
• 1011 Neuronas
(procesadores)
• Poder desconocido
• 1000 – 10000
conexiones por
neurona
• Capacidad basada
en las conexiones.
• Cada neurona es
muy compleja.
• Almacenamiento
redundante.
• No binario, no
estable y no
síncrono.
Neuronas
Sonido
información
Conexiones
Sabor
Olor
Color
Tersura
acciones
Dendritas
Axon
Señal
(Información)
Cuerpo
Sinapsis
axón dendrita
GENÉTICO
• El niño nace con un conjunto de conexiones
por defecto (definidas genéticamente)
EXPERIENCIA
• Nuevas conexiones se crean en el proceso de
aprendizaje.
• Las conexiones se refuerzan con la repetición.
• Las conexiones se refuerzan cuando se crean
redes de resonancia.
1.Neurona biológica
2.Inteligencia artificial
3.Redes neuronales artificiales
4.El perceptrón
• Se orienta a la
construcción de
entidades
inteligentes como a
su comprensión.
• Usa una serie de
técnicas.
Dendritas
Cuerpo
celular
Axón
Sinapsis
Celula Neuronal
Esquema
1 1 1
0.5
-1 0 0
X1 X2 X3 X4
Capa de Conexión
- Cada Neurona adquiere SOLO
Dirección de flujo información
Capa de Salida
- La salida de cada Neurona
va directamente hacia afuera de
y1 y2 la Neurona.
Ninguna Muchas
Una
X1 X2 X3 X4
• Dentro de la Red, no todas las
Neuronas están interconectadas
unas con otras.
• Las Neuronas de una capa
solamente se conectan con las de
la capa superior. (Feed-forward)
• No se permite el salto de
Neuronas.
y1 y2
1.Neurona biológica
2.Inteligencia artificial
3.Redes neuronales artificiales
4.El perceptrón
Neuronas intermedias
Neuronas de Neuronas de
entrada salida
Conexiones
Análisis y Procesamiento de Patrones José Luis Quintero
Elemento procesador
elemento
Entrada procesador Salida
Señal
y=f( ∑ Xi Wiu )
i =1
p
Entrada Neta u = ∑ Xi Wiu
i =1
Definir la
Parámetros
arquitectura
Pre-
Train Entrenamiento
procesamiento
Recolección de
W
datos Pesos
• Modelado de funciones
– Regresión
– Pronóstico Clasificación
supervisada
• Clasificación
c
– Clasificación no supervisada
Pronóstico
– Clasificación supervisada PIB (US$)
• Procesamiento de señales/imágenes
– Filtrado dinámico de señales
– Compresión de datos
Regresión
1.Neurona biológica
2.Inteligencia artificial
3.Redes neuronales artificiales
4.El perceptrón
CONFIGURACIÓN APLICACIONES
FUNCIÓN DE
RECURRENTE MULTICAPA FORTALEZAS PROBLEMAS DE INTERÉS
ACTIVACIÓN
“Nada es permanente
excepto el cambio”.
Heráclito