INTRODUCCIN A LAS

REDES NEURONALES
Definicin
Una red neuronal artificial es una herramienta diseada
para emular la forma en que el cerebro humano funciona.

Cmo funciona el cerebro humano ?
Cmo aprende el ser humano ?
Dnde se guarda el conocimiento ?
Por qu es tan eficiente el cerebro humano ?
Introduccin
El cerebro humano est compuesto por una gran cantidad
de elementos bsicos denominados neuronas
Bsicamente las neuronas
estn formadas por:
Un cuerpo central o
Ncleo
Un mecanismo de
conexin con otras
neuronas (sinapsis):
Axn y dendritas

Introduccin
Los estmulos recibidos en el cerebro son transmitidos
entre las neuronas mediante las conexiones sinpticas.
Cuando una neurona es estimulada libera una pequea
cantidad de un componente qumico (neurotransmisor).

Este viaja a travs del axn hasta llegar a las dendritas
de otras neuronas en las cuales el proceso se repite.

Este proceso sirve para incrementar o disminuir la
relacin entre las neuronas involucradas en el.

As, ante un determinado estmulo ciertas neuronas se
activan y otras se inhiben.
Introduccin
Emulando entonces el funcionamiento del cerebro
construiremos redes neuronales artificiales
interconectando elementos de procesamiento ms
bsicos como las neuronas.

Para entender las redes neuronales artificiales es
necesario entender y modelar las unidades ms bsicas
o neuronas artificiales.
Redes Neuronales Artificiales
Is a massive parallel distributed processor that has a
natural propensity for storing experimental knowledge and
making available for use (Haykin, 1994).

Cmo puede ser el cerebro tan eficiente ?

Por la enorme cantidad de neuronas (aprox. 100 billones)
y la manera en que estn interconectadas (aprox. 60
trillones de sinapsis).
Por la capacidad de organizarse, construir reglas y
aprender de la experiencia

Beneficios de usar RNA

Generalizacin: Capacidad para producir respuestas
razonables a estmulos no presentados durante su
entrenamiento.
Adaptabilidad: La red puede ser construida para adaptar
sus pesos sinpticos al medio ambiente (reentrenar).
Robusta: Por su carcter distributivo, una red maneja
muy bien daos a su estructura (ruido).
Complejidad: Puede capturar comportamiento complejo
que no es posible con mtodos tradicionales.
No-paramtrico: No hace suposiciones a priori.
El perceptrn

El Perceptrn
El perceptrn es la red neuronal ms simple que existe.






Cada Neurona precisa tantas entradas como la
dimensin del patrn de entrada.
La entrada neta se calcula como la suma ponderada de
todos los pesos.
Neurona de Una sola entrada
El Perceptrn

El perceptrn

El perceptrn
Los estmulos se consideran Vectores (
1
,
2
,

2,

)

Cuando se recibe el estmulo, cada entrada de
este es multiplicada por el correspondiente peso
sinptico de la dendrita que recibe dicho valor, y
luego cada uno de estos resultados se suman.
(Sencillo no?).



El perceptrn
A esto se le conoce como el net y est definido como:
=
1

1
+
2

2
+

+
Resumiendo

= +


El Perceptrn
El estmulo es procesado en el ncleo mediante la
operacin:




Donde es el parmetro o funcin de activacin.
b es un parmetro de sesgo mejor conocido como bias.


El Perceptrn
Funcin de Activacin
La funcin de activacin se utiliza para limitar el rango de
valores de la respuesta de la neurona.

Generalmente los rangos de valores se limitan a [0,1] o [-1,1],
sin embargo otros rangos son posibles de acuerdo a la
aplicacin o problema a resolver.

Existen diversas funciones de activacin y la decisin entre
una u otra depender nuevamente de la aplicacin o problema
a resolver.

Existen funciones de activacin comnmente utilizadas y con
las cuales se han obtenido resultados satisfactorios en
diversas aplicaciones.
Algunas funciones de Activacin
Limitador Fuerte(hardlim) o funcin escaln.

Modificacin a hardlim







Ambas son funciones agresivas, la modificacin se
realiza por que es posible que la funcin se indetermine
en 0.
Funciones de Activacin
Funcin de transferencia sigmoidal o sigmoide: Est
funcin toma los valores de entrada los cuales pueden
oscilar entre mas infinito y menos infinito y restringe la
salida a 0 y 1 de acuerdo a la siguiente expresion:
Acerca de los pesos
Recordemos que los pesos sinpticos sirven para
guardar el conocimiento adquirido.
En analoga con el funcionamiento del cerebro, los
valores de los pesos sinpticos se obtienen mediante un
proceso de aprendizaje.
Bsicamente existen 2 tipos de Aprendizaje:

Aprendizaje supervisado (Supervised learning)
Aprendizaje no supervisado (Non supervised learning)
Existen muchos algoritmos de entrenamiento, nuestros
entrenamientos de basaran en el :

Error correction learning o delta rule: es un aprendizaje
supervisado,en donde se usa el error obtenido en la
presentacin del estmulo para determinar el factor de
correccin de los pesos y del bias.
Error correction learning o delta rule
Se utiliza bajo un paradigma de entrenamiento
supervisado.La respuesta de la red neuronal se compara
con la respuesta deseada y el error cometido se utiliza
para modificar los pesos sinpticos.

=
=

Algunos autores proponen un parmetro como
factor de aprendizaje de error.

Qu tipos de problemas se pueden
resolver?
Aquellos problema que sean linealmente separables
(perceptrn simple).
Asociacin de patrones: escritura. La red es presentada
con muchos ejemplos de un patrn hasta guardar el
patrn, luego al ser presentado una versin con ruido
esta es capaz de reconocer el patrn.
Clasificacin: una la red es entrenada con ejemplos de
clasificacin conocida.