Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Programa
Magíster en Ingeniería Informática
Enero 2005
Universidad de Santiago de Chile Departamento de Ingeniería Informática
Temario
Motivación
La neurona biológica
La neurona artificial
Aprendizaje
Redes Neuronas Artificiales
Ingeniería Neuronal
Reseña Histórica
Bibliografía
Ingeniería Neuronal Magíster en Ingeniería Informática
I . Motivación
Universidad de Santiago de Chile Departamento de Ingeniería Informática
I. Motivación
Gran facilidad de seres cognitivos para llevar a
cabo tareas como:
Reconocimiento de formas
Procesamiento de voz, imágenes, etc.
I. Motivación
Ð Por lo anterior pareció importante
comprender y emular los mecanismos
asociados al éxito de los seres cognitivos:
Paralelismoy alta conectividad
Complejidad
I. Motivación
Nuevo paradigma (no-algorítmico) para
el procesamiento de la información
(neurocomputación): de aprendizaje y
adaptación, procesamiento distribuido y
paralelo.
Nuevas herramientas (computadores más
rápidos, más baratos)
I. Motivación
Actualmente aplicaciones en todas las áreas
En aproximación: control, automatización
modelamiento, predicción, identificación
En clasificación: reconocimiento patrones,
extracción de características, cuantización
En el futuro: mayor prudencia y más apoyo
teórico. Problemas abiertos:
generalización…
Neurona Biológica
Potencial de reposo (- 60 mV)
Potencial de receptor (información exterior)
Æ depolarización Æ + 10 mV
Propagación pasiva en membrana
(amplitud y duración proporcionales a
estímulo)
Si importante Æ potencial acción
Neurona Biológica
Potencial de acción (+ 100 mV)
Tren de potenciales de frecuencia
proporcional a amplitud y duración de
potencial receptor.
Propagación activa en axón, desde cono
axónico hasta sinapsis.
Na+ adentro. Después: K+ afuera.
Neurona Biológica
Sinapsis (Ramón y Cajal, s. XIX)
Retardo en la transmisión de impulso Æ
modulación por neurotransmisores
Æplasticidad
Tipos sinapsis: axón-dendrita; axón soma;
axón-axón.
Tipos sinapsis: excitatoria, inhibitoria.
Neurona Biológica
Interconexión
1010 neuronas
Algunas neuronas con hasta 100.000
sinapsis
Neurona Biológica
Tipos de neuronas:
Producto punto
Distancia
AND de 4 entradas
Inputs
Threshold = 1.5
Outputs
Threshold = 1.5
Inputs
Threshold = 1.5
IV. Aprendizaje
IV. Aprendizaje
Regla de Hebb (1949)
Cuando una neurona i repetida y
persistentemente excita a una neurona j
algún proceso de crecimiento o metabólico
se produce en una o ambas neuronas de
modo que la eficiencia de excitación de i
sobre j aumenta.
IV. Aprendizaje
Regla de Hebb (1949)
wijnew = wijold + α xi yj
V. RNA
Ð Consisten en un conjunto de neuronas
interconectados entre sí
Ð Queda completamente caracterizado por:
Ð Número de neuronas
Ð Arquitectura de interconexión
Ð Valor de los pesos
Ð Funciones de activación y transferencia
V. RNA
Ð Las RNA pueden trabajar en dos modos:
Ð Aprendizaje: adapta sus pesos; su arquitectura; sus
funciones de activación y transferencia
Ð Reconocimiento o simulación: se usa la RNA para
procesar información
Ð Aprendizaje de RNA:
Ð Supervisado (vía ejemplos)
Ð No-Supervisado
V. RNA
V. RNA
V. RNA
Entrenamiento Supervisado No-Supervisado
Problema
Memorias Hopfield
Asociativas
Clasificación Adaline-
Predicción Perceptron
Interpolación MLP – TDNN
LVQ – RBF
Cuantización LVQ Kohonen
ART
Autoorganizada Dependiente Sw
Conocimiento Conocimiento
almacenado en almacenado en
forma adaptable memoria
localizable
Procesamiento Procesamiento
anárquico autocrático
VIII Bibliografía
R. Lippmann, 1987, An introduction to computing
with neural nets, IEEE ASP, pp. 4-22.
J. A. Freeman, D. Skapura, 1993, Redes
Neuronales, Addison-Wesley
J. Hertz, A. Krogh, R. Palmer, 1991, Introduction
to the theory of neural computation, Addison-
Wesley.
C. Bishop, 1995, Neural networks for pattern
recognition, Clarendon Press, Oxford.