reconocimiento de imágenes utilizando redes neuronales artificiales
Introducción a las Redes Neuronales Artificiales
-
Upload
biblioteca-epm -
Category
Technology
-
view
6.128 -
download
5
description
Transcript of Introducción a las Redes Neuronales Artificiales
Introducción a las Redes
Neuronales Artificiales
Alejandro Peña P., PhD.
Patricio García Baéz, PhD.
Grupo de Investigación en Inteligencia
Computacional y Robótica (GICR)
Escuela de Ingeniería de Antioquia
Introducción a las Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Contenido
Redes Neuronales e IA.
Inspiración Biológica.
Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía
Redes Neuronales en la Inteligencia Artificial
Las Redes Neuronales aparecieron de la mano de la Inteligencia
Artificial en sus inicios como:
• Sistemas formales de reglas y manipulación simbólica.
• Rama más conocida de la Inteligencia Artificial.
Las Redes Neuronales aparecieron en la Inteligencia
Computacional (Softcomputing) como:
• Sistemas Inspirados en las redes neuronales
biológicas.
• Métodos Inductivos: aprendizaje a partir de ejemplos.
Ambas tratan de resolver problemas no algorítmicos a partir de la
experiencia almacenada como conocimiento.
Introducción a las Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Contenido
Redes Neuronales e IA.
Inspiración Biológica.
Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía
Inspiración Biológica
«Entender el cerebro y emular su comportamiento»
El cerebro presenta las siguientes ventajas que son deseables
para los sistemas computacionales:
• Gran velocidad de procesamiento.
• Tratamiento de grandes cantidad de información provenientes
de los sentidos y de la memoria almacenada.
• Se adapta a nuevos ambientes por aprendizaje.
• Es robusto y tolerante a fallas.
• Es compacto y consume poca energía.
• Es altamente paralelo.
• Capacidad de aprendizaje.
Introducción a las Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Contenido
Redes Neuronales e IA.
Inspiración Biológica.
Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía
Inspiración Biológica
La neurona biológica posee
las siguientes características:
• Árbol dendrítico de
entradas.
• Un Axón de salida.
• Sobre de 10^4 sinapsis.
• Comunicación mediante
potenciales de Acción
(PA).
• Período refractario de 10
^(-3) segundos entre PA’s.
Introducción a las Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Contenido
Redes Neuronales e IA.
Inspiración Biológica.
Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía
Inspiración Biológica
La transmisión de información entre neuronas se hace de las
siguiente manera:
• Impulso eléctrico viaja por el axón.
• Liberación de neurotransmisores.
• Apertura/Cierre de canales iónicos.
• Variación potencial en dendrita.
• Integración de entradas en el soma.
• Si se supera un umbral de disparo, se genera un PA.
Introducción a las Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Contenido
Redes Neuronales e IA.
Inspiración Biológica.
Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía
Inspiración Biológica
Las redes neuronales en el cerebro
se ubican:
• Paquetes de 10^10 a 10^11
neuronas.
• 10^14 sinapsis.
• Organización por capas.
• Organización por niveles.
• Sistema Nervioso Central.
• Circuitos entre regiones.
• Circuitos locales.
• Neuronales.
• Arboles dendríticos.
• Microcircuitos neuronales.
• Sinapsis.
• Canales Iónicos.
• Moléculas.
Introducción a las Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Contenido
Redes Neuronales e IA.
Inspiración Biológica.
Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía
Inspiración Biológica
Características Sistema Nervioso
Central (SNC):
• Inclinación a adquirir
conocimiento desde la
experiencia.
• Conocimiento almacenado en
conexiones sinápticas.
• Gran plasticidad neuronal.
• Comportamiento altamente no-
lineal.
• Alta tolerancia a fallos.
• Apto para reconocimiento,
percepción y control.
Introducción a las Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Contenido
Redes Neuronales e IA.
Inspiración Biológica.
Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía
Modelado Neuronal
Una red neuronal artificial (RNA) es un sistema de
procesamiento de información que tiene ciertas aptitudes en
común con las redes neuronales biológicas:
• El procesamiento de información ocurre en muchos
elementos simples llamados neuronas.
• Las señales son transferidas entre neuronas a través de
enlaces de conexión.
• Cada conexión tiene un peso asociado, el cual, típicamente,
multiplica a la señal trasmitida.
• Cada neurona aplica una función de activación (usualmente
no lineal) a su entrada de red (suma de entradas pesadas)
para determinar su salida.
Laurene Fausett
Introducción a las Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Contenido
Redes Neuronales e IA.
Inspiración Biológica.
Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía
Modelado Neuronal
El modelado neuronal, posee los siguientes enfoques:
1. Computacional:
• Modelos eficientes, potentes y simples.
• Áreas de aprendizaje inductivo y reconocimiento de
patrones.
2. Cognitivo:
• Interesado por capacidades cognitivas de los
modelos.
• Centrados en la representación del conocimiento.
3. Biocognitivo:
• Premisa la plausibilidad biológica.
4. Psicofisiológico:
• Mecanismos naturales de proceso cognitivos reales.
Introducción a las Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Contenido
Redes Neuronales e IA.
Inspiración Biológica.
Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía
Neurona Natural vs Neurona Artificial
• Neurona=Unidad de Procesamiento.
• Conexiones Sinápticas=Conexiones o Pesos.
• Efectividad Sináptica=Peso Sináptico.
• Exitatorio/Inhibitorio=Pesos(+ ó -).
• Efecto combinado de sinapsis = Función suma.
• Activación->Radio disparo = Función activación ->salida.
Introducción a las Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Contenido
Redes Neuronales e IA.
Inspiración Biológica.
Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía
Neurona ArtificialIntroducción a las
Redes Neuronales y sus Aplicaciones
Alejandro Peña P.
Contenido
Redes Neuronales e IA.
Inspiración Biológica.
Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía
Neurona Artificial
Dependiendo del problema a resolver, la función de activación
toma diferentes formas de la siguiente manera:
Esta función se utiliza cuando se requiere la
toma de decisiones en V ò F, o se quieren
procesar imágenes en B ò N.
Estas funciones permiten establecer valores
de pertenencia entre un intervalo de V ò F o
B ò N.
Las funciones gaussianas, permiten la
clasificación de patrones de acuerdo con
características fundamentales de los
mismos.
Introducción a las Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Contenido
Redes Neuronales e IA.
Inspiración Biológica.
Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía
Arquitecturas Neuronales
Las redes neuronales tienen las siguientes arquitecturas:
• Según la cantidad de
neuronas.
1. Número de entradas
2. Número de Neuronas
Intermedias.
3. Número de Neuronas
de Salida.
• Según conectividad:
1. Feedforward
2. Redes recurrentes.
3. Estructuras Enrejadas.
Introducción a las Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Contenido
Redes Neuronales e IA.
Inspiración Biológica.
Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía
Métodos de Aprendizaje
• Aprendizaje:
• Estimulación de las Redes Neuronales.
• Cambios internos debido a la estimulación.
• Nueva forma de responder a los cambios de la estructura
interna.
• Paradigmas de Aprendizaje.
• Aprendizaje Supervisado.
• Aprendizaje por Reforzamiento.
• Aprendizaje Auto-Organizado (No Supervisado).
• Precalculado o prefijado.
Introducción a las Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Contenido
Redes Neuronales e IA.
Inspiración Biológica.
Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía
Implementación
Fases para el desarrollo de un modelo neuronal
Introducción a las Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Contenido
Redes Neuronales e IA.
Inspiración Biológica.
Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía
Ventajas del Modelado Neuronal
Dentro de las ventajas que presentan el modelado neuronal
frente a otro tipo de modelamiento tenemos:
• Generalización.
• Estructura altamente
paralela.
• No Linealidad.
• Mapeo Entrada-Salida.
• Adaptabilidad.
• Respuesta Graduada.
• Manejo de Información
Contextual.
• Tolerancia a Fallos.
• Implementación VLSI.
• Uniformidad en el Análisis y
Diseño.
• Estabilidad en el
Aprendizaje.
• Analogía y Neurobiología.
Introducción a las Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Contenido
Redes Neuronales e IA.
Inspiración Biológica.
Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía
Áreas de Trabajo
De acuerdo con lo anterior, las redes neuronales pueden
solucionar problemas en diferentes áreas del conocimiento:
Procesamiento de Señales
Análisis de Datos
Reconocimiento de Patrones
Control
Inteligencia Artificial
Aplicaciones
Implementaciones
Arquitectura y Teoría de
Redes Neuronales.
Desarrollo de aplicaciones con
paralelismo implícito
Construcción de modelos
neuronales.
Validación de
funcionamiento de
arquitecturas neuronales
Informática
Sicología
Matemáticas Física
Introducción a las Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Contenido
Redes Neuronales e IA.
Inspiración Biológica.
Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía
Aplicaciones
Los modelos neuronales tienen la potencialidad para la
solución de problemas en áreas como:
• Asociación de Datos.
• Clasificación de Patrones.
• Pronóstico y Predicción.
• Control de Procesos Industriales.
• Aproximación.
• Optimización.
De manera general, las redes
neuronales son aplicables en
áreas de conocimiento en las
cuales:
• Es difícil describir el
conocimiento /forma de
resolverlos.
• Se dispone de una gran
cantidad de datos.
Introducción a las Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Contenido
Redes Neuronales e IA.
Inspiración Biológica.
Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía
Aplicaciones de las Redes Neuronales
Neurosimuladores.
Los neurosimuladores se pueden clasificar en:
• Software: Estas aplicaciones son flexibles y económicas,
debido a su facilidad de implementación.
• Hardware: Estas aplicaciones resultan ser muy eficientes,
debido a que el poder de su funcionamiento esta en los
pesos de sus conexiones.
De acuerdo con su desarrollo, el neurosoftware posee:
• Programación directa.
• Librerías específicas de libre distribución.
• Entornos de desarrollo amigables.
De acuerdo con lo anterior,
estas aplicaciones dan al
usuario:
• Facilidad de uso.
• Potencia.
• Eficiencia.
• Extensibilidad.
Introducción a las Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Contenido
Redes Neuronales e IA.
Inspiración Biológica.
Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía
Problemas de Asociación.
• NETalk (Sejnowski &
Rosemberg)
• Genera gonemas a
partir de textos
escritos.
• Permite el
reconocimiento lectura
de algunas
palabras de un texto.
• Tratamiento de imágenes.
• Reconocimiento de
placas de automoviles.
• Tratamiento del ruido
en imágenes
• Restitución.
• Compresión de imágenes.
Introducción a las Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Contenido
Redes Neuronales e IA.
Inspiración Biológica.
Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía
Problemas de Clasificación de Patrones.
Conteo de Células
• Clasificación de
glóbulos blancos
Inspección Visual
• Procesos de producción
repetitivos y alta
velocidad.
Reconocimiento del Iris
• Para autenticación en
seguridad.
Introducción a las Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Contenido
Redes Neuronales e IA.
Inspiración Biológica.
Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía
Problemas de Pronóstico y Predicción..
NeuralStocks.
• Pronóstico de Acciones.
• Pronóstico y Predicción Hidrológica para reservas en
embalses y períodos de lluvias.
Introducción a las Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Contenido
Redes Neuronales e IA.
Inspiración Biológica.
Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía
Problemas de Robótica.
• Manipulación de piezas a alta velocidad.
• Cinemática Inversa y Análisis de Esfuerzos.
• Navegación automática en espacios cerrados.
• Planeación de trayectorias.
Introducción a las Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Contenido
Redes Neuronales e IA.
Inspiración Biológica.
Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía
Problemas de Interpolación y Optimización
• Aproximación de funciones.
• Problemas de Optimización de Rutas en Sistemas de
Información Geográfica (SIG).
Introducción a las Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Contenido
Redes Neuronales e IA.
Inspiración Biológica.
Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía
Problemas en Astrofísica/Astronomía
• Identificación y caracterización de Objetos como Galaxias
y Fuentes de Rayos Gama.
• Eliminación de ruido en imágenes satelitales.
• Búsqueda de cúmulos de galaxias.
• Análisis de datos recogidos por instrumentos de nueva
generación como:
• Telescopios de neutrinos.
• Telescopios de rayos gamma.
• Interferómetros de ondas gravitacionales.
Introducción a las Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Contenido
Redes Neuronales e IA.
Inspiración Biológica.
Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía
Desarrollo de Biochips.
• Circuito electrónico híbrido entre estructuras naturales y
artificiales.
• Se conoce en el mundo científico como NeuroChip o
microcircuito neuronal.
• Se utilizaron neuronas de caracol y chips de silicio.
• Se logró establecer conexiones artificiales entre dichos
elementos.
• Colocaron diminutos generadores entre las neuronas para
crear cambios de voltaje para accionar un interruptor.
• Se abre el camino a la neurocomputación.
Introducción a las Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Contenido
Redes Neuronales e IA.
Inspiración Biológica.
Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía
Futuro de las Redes Neuronales Artificiales.
El futuro de la redes neuronales esta enmarcado en dos
grandes líneas de investigación:
• Identificación de características de los organismos vivos.
• Evolución, Computación Colectiva, Manejo del
Conocimiento.
• Computación Neuronal, Neurocomputación, Natural
Computing (SoftComputing).
• Solución de la Escalabilidad del Aprendizaje.
• Cómo determinar parámetros erróneos en el
aprendizaje?
• Cómo aumentar la complejidad de los modelos
neuronales con plataformas computacionales
existentes?
• Incorporación de conceptos fundamentales en el
funcionamiento del cerebro.
Introducción a las Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Contenido
Redes Neuronales e IA.
Inspiración Biológica.
Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía
Bibliografía
ISAZI, P. Redes de Neuronas Artificiales.
Ed. Prentice Hall Latinoamérica, Primera Edición, México, 2.002
HILERA GONZÁLEZ, José Ramón; MARTÍNEZ, Víctor José.
Redes neuronales artificiales: fundamentos, modelos y
aplicaciones. España: Rama, 1995. 390 p.
García, B. Patricio, Introducción a las Redes Neuronales y su
Aplicación a la Investigación en Astrofísica Universidad de Gran
Canarias, España, 2009
Introducción a las Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Contenido
Redes Neuronales e IA.
Inspiración Biológica.
Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía
Muchas Gracias
Introducción a las Redes Neuronales y
sus Aplicaciones
Alejandro Peña P.
Contenido
Redes Neuronales e IA.
Inspiración Biológica.
Modelado Neuronal.
Neurona Natural vs.
Neurona Artificial
Neurona Artificial
Arquitecturas Neuronales.
Métodos de Aprendizaje
Implementación
Ventajas
Áreas de Trabajo
Implementación y
Aplicaciones
Ventajas del modelado
neuronal
Aplicaciones
Desarrollo de Biochips
Futuro de las RNA
Bibliografía