Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Artificiales
Objetivo:
Conocer los diferentes tipos Redes Neuronales Artificiales
sus aplicaciones.
Introduccin
Aunque todava se ignora mucho sobre la forma en
que el cerebro aprende a procesar la informacin, se
han desarrollado modelos que tratan de mimetizar
tales habilidades; denominados redes neuronales
artificiales modelos de computacin conexionista.
La elaboracin de estos modelos supone en primer
lugar la deduccin de los rasgos o caractersticas
esenciales de las neuronas y sus conexiones, y en
segundo lugar, la implementacin del modelo en una
computadora de forma que se pueda simular.
Introduccin
Se trata te entender la forma de
funcionamiento del cerebro humano,
que es completamente distinta al
funcionamiento de un computador
digital
convencional.
El
cerebro
humano corresponde al de un sistema
altamente
complejo,
no-lineal
y
paralelo.
Inspiracin Biolgica
El cerebro consiste de un gran nmero
de elementos altamente conectados
llamadas neuronas.
dendritas
axn
Cuerpo celular
sinpsis
Inspiracin Biolgica
Neurona
s
Sonido
informacin
Conexiones
Sabo
r
Olor
Color
Movimient
o
acciones
Inspiracin Biolgica
Dendritas
Axon
Cuerpo
Seal
(Informacin)
Sinapsis
Inspiracin Biolgica
Dendritas: ramificaciones nerviosas que trasmiten
seales electroqumicas hacia el cuerpo de la clula.
Cuerpo de la clula: suma esas seales de entrada.
Axn: filamento que lleva la seal desde el cuerpo
de la clula hacia otras neuronas.
Inspiracin Biolgica
Se nace con alguna estructura neural
Se crean nuevas conexiones y otras se gastan; se
desarrollan a travs del aprendizaje propio de la
etapa de crecimiento.
La estructura neural cambia a travs de la vida.
Esos cambios consisten en reforzamiento o
debilitamiento de las junturas sinpticas.
Se forman nuevas memorias al modificar o reforzar
algunas sinapsis.
Por ejemplo, memorizar la cara de una persona
que nos presentan, consiste en alterar varias
sinpsis.
Inspiracin Biolgica
Las ANN no copian la complejidad del
cerebro.
Aunque las neuronas biolgicas son muy
lentas
comparadas
a
los
circuitos
elctricos, el cerebro biolgico es capaz de
realizar muchas tareas ms rpido que
cualquier
computador
convencional,
debido en parte a su estructura
masivamente
paralela,
donde
sus
neuronas
estn
operando
simultneamente.
Reacciones en el Cerebro
Las reacciones qumicas se generan fuera de la neurona
gracias a los neurotransmisores (glutamato, dopamina,
adrenalina, endomorfina).
Los impulsos elctricos son procesos internos en la soma
debido al desbalance de los iones (pasivo a -60 mV)
Na+ (dentro y fuera del soma)
K+ (fuera del soma)
Ca2+ (fuera del soma)
P2- (proteinas, dentro )
El desbalance entre Na+ y K+, precipita los Na+ al interior
del soma y lleva al modo activo a +50 mV. Este potencial
dispara los neurotransmisores
Cerebro
Estudios dividen la corteza cerebral en
51
reas
(comportamiento,
movimiento, Homeostasis, emociones,
memoria, aprendizaje, etc), las ms
importantes:
lbulo temporal: cualidades sonoras,
comprensin de lenguaje, memoria y
aprendizaje.
lbulo
frontal:
motora
primaria,
neuronas que controlan los msculos
del cuerpo.
lbulo parietal: neuronas relacionadas
con el tacto.
lbulo occipital: corteza visual primaria,
localizada en la parte posterior.
Cerebro
La respuesta se conduce a
travs de la mdula espinal a
los msculos
El cerebro ha crecido desde el
hipotlamo que es el asiento
de las funciones ms bsicas
Cerebro vs Computador
Almacenamiento: Ms
neuronas que bits aunque la
evolucin computacional es
vertiginosa (mucho mayor que
la evolucin de cerebro).
Velocidad: Computador orden
de los seg Cerebro del orden
de los mseg, pero el cerebro
es masivamente paralelo yen
definitiva el cerebro es 1010
veces ms rpido.
Cerebro vs Computador
Tolerancia a fallas: Una neurona
natural daada afecta de manera
marginal el comportamiento del
cerebro. Cualquier mnimo error
altera todo el procesamiento a nivel
del computador.
Complejidad de ejecucin: El cerebro
realiza tareas muy complejas que son
sencillas al humano pero difciles
para cualquier computador.
Procesamiento:
Centralizado vs Distribuido
Computador
Cerebro
Red Neuronal
Artificial
ini =
aj
j,i
a=(wp+b)
La entrada escalar p se multiplica por el peso escalar w para formar wp, un trmino
que entra al sumador.
Otra entrada 1, que se multiplica por un sesgo (offset) b, tambin va al sumador.
La salida del sumador n, que se conoce como entrada de red va a la funcin de
transferencia f (funcin de activacin), la cual produce la salida escalar a de la
neurona.
p
Rx1
W
1xR
+
1
n
1x1
a
1x1
b
1x1
Funciones de Activacin ()
Funcin comn a todas las neuronas artificiales que
determina su activacin dado los estmulos de entrada
Arquitecturas de RNAs
Perceptrones de un
solo nivel
Arquitecturas de RNAs
Perceptrones de
varios niveles
Arquitecturas de RNAs
Redes Recurrentes
Arquitecturas de RNAs
Tipos de Aprendizaje
Supervisado:
Se presenta a la red un conjunto de patrones junto con la salida
deseada. Iterativamente se ajustan los pesos para lograr la salida
deseada.
Requiere propagar informacin hacia atrs.
Requiere de instructor.
Pasos:
Fijar pesos aleatorios las conexiones
Seleccionar par de entrenamiento
Presentar patrn de entrada y calcular salida
Calcular error o discrepancia con la salida deseada
Aplicar regla de aprendizaje
Tipos de Aprendizaje
No Supervisado o Autoorganizado:
Se presentan slo patrones de entrada
Basado en la redundancia en las entradas
La red reconoce la irregularidades del conjunto de entrada,
extrae rasgos y los agrupa por similitud (cluster).
Grandes plausibilidades biolgicas
Tipos de Aprendizaje
Hbrido:
Coexistencia de supervisado y autoorganizado.
Reforzado:
Se tiene informacin del error ms no de la salida. Con
la informacin del buen o mal comportamiento se ajusta
la red.
Ventajas de la Redes
Neuronales
Aprendizaje Adaptativo:
Ventajas de la Redes
Neuronales
Tolerancia a Fallos:
Ventajas de la Redes
Neuronales
Perceptron
Hopfield
Reconstruccin de Patrones.
SOM
Reconocimiento de patrones codificados
de datos.
ART
Reconocimiento de patrones (radar,
sonar).
Campos de aplicacin
Finanzas
Prediccin de ndices.
Deteccin de fraudes.
Riesgo crediticio, clasificacin.
Prediccin de la rentabilidad de acciones.
Negocios
Marketing.
Venta cruzada.
Campanas de venta.
Tratamiento de textos y proceso de formas
Reconocimiento de caracteres impresos
mecnicamente.
Reconocimiento de grficos.
Reconocimiento de caracteres escritos a mano.
Campos de aplicacin
Alimentacin
Anlisis de olor y aroma.
Perfilamiento de clientes en funcin de la compra.
Desarrollo de productos.
Control de CalidadPrediccin consumo de gas ciudad.
Industria manufacturera
Control de procesos.
Control de calidad.
Control de robots.
Medicina y salud
Ayuda al diagnostico.
Anlisis de Imgenes.
Desarrollo de medicamentos.
Distribucin de recursos.
Campos de aplicacin
Ciencia e Ingeniera
Anlisis de datos y clasificacin.
Ingeniera Qumica.
Ingeniera Elctrica.
Climatologa.
Transportes y Comunicaciones
Optimizacin de rutas.
Optimizacin en la distribucin de recursos.
Aplicaciones Reales
Pronunciacin: NETtalk (87), aprende a
pronunciaer texto escrito. 29 unidades de
entrada (26 letras, ms espacios, puntos,
comas, ...). 80 unidades ocultas. 1024palabras de entrenamiento y 95% de xito
en el entrenamiento, pero 78% en la
prueba.
Aplicaciones Reales
Reconocimiento de caracteres: una de las
aplicaciones ms grandes de redes neuronales
actuales (Le Cun et al. 89). Una red que lee
cdigos postales en cartas escritas a mano. El
sistema tiene un prepocesador para localizar los
nmeros, y la red los descifra. 3 capas ocultas
(768, 192 y 30 unidades cada una). No se
conectaron todas las unidades contra todas, si no
que se di un efecto de detectores de atributos,
dividiendo las unidades ocultas en grupos (un
total de 9,760 conexiones). Logra un 99% de
xito, adecuado para un sistema de correo
automtico y se ha implementado en un chip.
Aplicaciones Reales
Manejar: ALVINN (Autonomous Land Vehicle In a
Neural Network) (Pomerleau 93) es una red
neuronal que aprende a manejar un vehculo
viendo como maneja un humano. Maneja dos
vehculos equipados especialmente. Se utiliza
una camara que alimenta una rejilla de entradas
a la red. La salida (30 unidades) controla la
direccin del volante.
La red tiene 5 capas ocultas totalmente
conectadas. Despus de que gente maneja el
vehculo y se entrena al sistema (con retropropagacin, por cerca de 10 min.) el sistema
est listo para manejar. Puede manejar hasta a
70 mph por distancias de hasta 90 millas.
Instituciones y Centros
de Investigacin
MIT
UCLA
Universidad de Helsinky
Universidad Politcnica de Madrid
Texas A&M, etc.
UNI Facultad de Ciencias
Asociaciones de RNA
1987
1988
on
1991
International Conference on
Artificial Neural Networks
(ICANN).