Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Neuronales
Artificiales
CONTENIDO
Introducción
Aprendizaje
Perceptrones mono-nivel
Perceptrones multi-nivel
Otras Arquitecturas
Redes Neuronales 2
Redes Neuronales Artificiales
1.- INTRODUCCION
Inteligencia Artificial
Redes Neuronales 3
Cerebro Humano
1011 Neuronas
(procesadores)
Poder
desconocido
1000 – 10000
conecciones por
neurona
Redes Neuronales 4
Neuronas
Redes Neuronales 5
Neuronas Artificiales
Súper-simplificación
Analogía Metafórica
Sorprendente poder de cómputo
Redes Neuronales 6
A Very Brief History
William James (1890): Describe (en palabras y figuras) redes
distribuídas simples y el aprendizaje de Hebbian.
McCulloch & Pitts (1943): Unidades binarias con barrera de activación
que realizan operaciones lógicas (prueban computación universal!).
Hebb (1949): Formulación de una regla fisiologica (local) de
aprendizaje.
Rosenblatt (1958): El Perceptrón—la primera máquina real que
aprende.
Widrow & Hoff (1960): ADALINE y la regla Widrow-Hoff de aprendizaje
supervisado.
Minsky & Papert (1969): Las limitaciones del perceptrón—el “Invierno
Neuronal”
v.d.Malsburg (1973): Mapas Auto-organizables.
Grossberg (1980): Theoría de la Resonancia Adaptiva.
Hopfield (1982/84): Redes de Atractores. Teoría de patrones de
asociación y memoria.
Kohonen (1982): Mapas Auto-organizables.
Rumelhart, Hinton, & Williams (1986): Backpropagation
Redes Neuronales 7
Características de RNAs
El estilo de procesamiento es mas bien como el de
procesamiento de señales, no simbólico. La combinación de
señales para producir nuevas señales contrasta con la ejecución
de instrucciones almacenadas en memoria
La información se almacena en un conjunto de pesos, no en un
programa. Los pesos se deben adaptar cuando le mostramos
ejemplos a la red.
Las redes son tolerantes a ruido: pequeños cambios en la
entrada no afecta drásticamente la salida de la red.
Los conceptos se ven como patrones de actividad a lo largo de
casi toda la red y no como el contenido de pequeños grupos de
celdas de memoria.
La red puede generalizar el conjunto de entrenamiento y así
tratar con ejemplos no conocidos.
RNA son buenas para tareas perceptuales y asociaciones.
Justamente con lo que se topa la computación tradicional.
Redes Neuronales 8
Arquitecturas de RNAs
Perceptrones de un
solo nivel
Redes Neuronales 9
Arquitecturas de RNAs
Perceptrones de varios niveles
Redes Neuronales 10
Arquitecturas de RNAs
Redes Recurrentes
Redes Neuronales 11
Representación de Conocimiento
Conocimiento = Información Almacenada
+ Modelos
Tarea = Aprender un “Modelo del Mundo”
Conocimiento:
Del mundo (información a priori)
Observaciones (ejemplos)
Ejemplos:
Etiquetados (respuesta deseada)
Sin etiqueta
Ejemplos (+ y -):
Entrenamiento (Training Set)
Validación (Validation Set)
Prueba (Test Set)
Redes Neuronales 12
Diseño de una RNA
Redes Neuronales 13
IA y RNAs
IA
Aprendizaje
Razonamiento
Redes Neuronales 14
Modelo de una Neurona
Redes Neuronales 15
Bias (Sesgo)
Redes Neuronales 16
Funciones de Activación
Redes Neuronales 17
RNAs como Gráficos Dirigidos
Redes Neuronales 18
Problema 1.
Redes Neuronales 19
Problema 2.
Redes Neuronales 20
Problema 3.
Redes Neuronales 21
Problema 4.
Redes Neuronales 22
Problema 5.
Redes Neuronales 23