Unidad V Aplicaciones con Técnicas de IA.

5.2 Redes Neuronales (RN).

“INTELIGENCIA ARTIFICIAL”

Ingeniería en Sistemas Computacionales

FECHA DE ENTREGA

Tuxtepec, Oax. martes, 12 de mayo de 2015

PRESENTA:

Chalate Jorge Humberto

8° Semestre Grupo “A”

S.E.P. D.G.E.S.T. S.N.E.S.T.

INSTITUTO TECNOLÓGICO de Tuxtepec

M.S.C. TOMÁS TORRES RAMÍREZ

5.2 REDES NEURONALES (RN).5.2.1. Conceptos Básicos.

5.2.2. Clasificación.

5.2.3. Desarrollos actuales y aplicaciones.

INTRODUCCIÓN.Desde el principio de la humanidad se soñó con el desarrollo de máquinas quepuedan imitar la capacidad de aprendizaje del hombre. Actualmente es un desafíoen el que pone todas sus miradas una parte de la comunidad científica.Las redes neuronales son otra forma de emular otra de las características propiasde los humanos.

5.2 REDES NEURONALES (RN).

Es un sistema compuesto por un gran número de elementos básicos (ArtificialNeurons), agrupados en capas (Layers) y que se encuentran altamenteinterconectados (Synapses);Esta estructura posee varias entradas y salidas, las cuales serán entrenadas parareaccionar (valores O), de una manera deseada, a los estímulos de entrada (valoresI).Estos sistemas emulan, de una cierta manera, al cerebro humano. Requierenaprender a comportarse (Learning) y alguien debe encargarse de enseñarles oentrenarles (Training), en base a un conocimiento previo del entorno del problema.

5.2 REDES NEURONALES (RN).

El cerebro humano contiene aproximadamente 12 billones de células nerviosas oneuronas. Cada neurona tiene de 5600 a 60000 conexiones dendríticasprovenientes de otras neuronas, mientras que en el sistema nervioso hay 1014sinapsis; teniendo cada neurona más de 1000 a la entrada y a la salida.

Es importante destacar que aunque el tiempo de conmutación de la neurona es casiun millón de veces menor que las computadoras actuales, ellas tienen unaconectividad miles de veces superior que las actuales supercomputadoras.

5.2.1. CONCEPTOS BÁSICOS.

Las neuronas y las conexiones entre ella, llamadas sinapsis, son la clave para elprocesado de la información.

Neurona Biológica.

5.2.1. CONCEPTOS BÁSICOS.

La mayoría de neuronas tienen una estructura parecida a la de un árbol llamadasdendritas que reciben las señales de entrada que vienen de otras neuronas a travésde las sinapsis.

Red de Neuronas.

5.2.1. CONCEPTOS BÁSICOS.

¿Qué entendemos por Red Neuronal Artificial?Las Redes Neuronales Artificiales (RNA) son sistemas paralelos para elprocesamiento de la información, inspirados en el modo en el que las redes deneuronas biológicas del cerebro procesan esta.Es decir que se han intentado plasmar los aspectos esenciales de una neurona reala la hora de diseñar una neurona “artificial”.

5.2.1. CONCEPTOS BÁSICOS.

Es de prever que dichas RNAs tengan características similares a las del cerebro:• Sean robustas y tolerantes a fallos.• Sean flexibles.• Puedan trabajar con información borrosa, incompleta, probabilística, con ruido o

inconsistente.• Sean altamente paralelas.

5.2.1. CONCEPTOS BÁSICOS.

La Neurona Artificial.Si se tienen N neuronas, podemos ordenarlas arbitrariamente y designarlas comounidades. Su trabajo es simple y único, y consiste en recibir las entradas de lascélulas vecinas y calcular un valor de salida, el cual es enviado a todas las célulasrestantes.

Neurona Artificial.

5.2.1. CONCEPTOS BÁSICOS.

El criterio más habitual para clasificar las redes neuronales es el tipo de aprendizajeque se utilice.La clasificación general sería la siguiente:

• Aprendizaje Supervisado.• Aprendizaje No Supervisado.

Todos estos métodos de aprendizaje, necesitan unas reglas de entrenamientoespecíficas para cada uno de ellos.

5.2.2. CLASIFICACIÓN.

Aprendizaje Supervisado.En el aprendizaje supervisado (aprender con un maestro), la adaptación sucedecuando el sistema compara directamente la salida que proporciona la red con lasalida que se desearía obtener de dicha red.

Existen tres tipos básicos: por corrección de error, por refuerzo y estocástico.

5.2.2. CLASIFICACIÓN.

Aprendizaje No Supervisado.La capacidad de clasificación de la red neuronal depende del valor de los pesossinápticos, que pueden ser preestablecidos o entrenados adaptativamente mediantemecanismos de aprendizaje.

5.2.2. CLASIFICACIÓN.

Aprendizaje Híbrido.Es una mezcla de los anteriores.Unas capas de la red tienen un aprendizaje supervisado y otras capas de la redtienen un aprendizaje de tipo no supervisado.

5.2.2. CLASIFICACIÓN.

Aprendizaje Reforzado.Es un aprendizaje con características del supervisado y con características del nosupervisado. No se proporciona una salida deseada, pero sí que se le indica a la reden cierta medida el error que comete, aunque es un error global.

5.2.2. CLASIFICACIÓN.

En función del patrón de conexiones que presenta.

Red Neuronal Monocapa.Se corresponde con la red neuronal más sencilla ya que se tiene una capa deneuronas que proyectan las entradas a una capa de neuronas de salida donde serealizan los diferentes cálculos.

Red Neuronal Multicapa.Es una generalización de la anterior, existiendo un conjunto de capas intermediasentre la capa de entrada y la de salida (capas ocultas). Este tipo de red puede estartotal o parcialmente conectada.

5.2.2. CLASIFICACIÓN.

Red Neuronal Recurrente.Este tipo de red se diferencia de las anteriores en la existencia de lazos derealimentación en la red.Estos lazos pueden ser entre neuronas de diferentes capas, neuronas de la mismacapa o, entre una misma neurona. Esta estructura la hace especialmente adecuadapara estudiar la dinámica de los sistemas no lineales.

5.2.2. CLASIFICACIÓN.

Redes vs. Métodos clásicos.En muchas áreas donde existen problemas de predicción, clasificación, etc., existensoluciones que no están basadas en redes neuronales pero que dan buenosresultados, o como mínimo mejores que el no hacer nada.

Frente a este tipo de problemas, donde ya existe dicha solución “clásica”, las redespueden aportar su alta no linealidad y su gran facilidad en aportar datos adicionales,tanto numéricos, como borrosos y/o subjetivos, que en técnicas convencionales omodelos “clásicos” no son tenidos en consideración.

5.2.3. DESARROLLOS ACTUALES Y APLICACIONES.

Campos de aplicación.Las RNAs han sido aplicadas a un creciente número de problemas con unacomplejidad considerable, como puede ser el reconocimiento de patrones,clasificación de datos, predicciones, etc...Su ventaja más importante está en solucionar problemas que son demasiadocomplejos para las técnicas convencionales.

5.2.3. DESARROLLOS ACTUALES Y APLICACIONES.

Las aplicaciones de las RNAs abarcan diversas actividades de muy diferentescampos. Estos son:

• Finanzas.• Negocios.• Tratamientos de texto y proceso de formas.• Alimentación.• Energía.• Industria manufacturera.• Medicina y salud.• Ciencia e Ingeniería.• Transportes y comunicaciones.

5.2.3. DESARROLLOS ACTUALES Y APLICACIONES.

Las Redes neuronales, con su notable habilidad para deducir significados de datoscomplicados o imprecisos pueden ser usadas para extraer patrones y detectartendencias que son demasiado complejas para ser comprendidas por los humanos uotras técnicas computacionales.Una red neuronal capacitada puede ser concebida como algo que algún día lepodremos realizar preguntas como "qué pasaría si...".

Quizás el aspecto más excitante de las redes neuronales es la posibilidad de dotar aestas de conciencia.

CONCLUSIONES.

“Existirá Inteligencia Artificial cuando no seamos capacesde distinguir entre un ser humano y un programa decomputadora en una conversación a ciegas”

Alan Turing

• Caudill, M., Butler, Ch., "Understanding Neural Networks", MIT Press.• Freeman, J.A., Skapura, D.M., "Neural Networks", Ed. Addison Wesley.• Hagan, Martin T, “Neural Network Design”, PWS Publishing Company,1996.• J.R. Hilera González y V.J. Martínez “Redes Neuronales Artificiales: Fundamentos, modelos y

aplicaciones”, RA-MA, 1995.• Varios, “Aprendizaje Automático”, Edicions UPC, Barcelona, CAT, 1994.• Widrow, J., Rumelhart, D.E., Lehr, M.A., "Neural networks: Applications in industry, business

and science", ACM communications, Vol-37, 1.994.• [HEBB49] D.O Hebb. “The organization of Behaviour” John Wiley & sons, New York, 1949.• [MINS69] M. Minsky & S. Papert, “Perceptrons” MIT Press, Cambridge, MA, 1969.

BIBLIOGRAFÍA.