Redes Neuronales

Artificiales

Semana 01
Facultad de Ingeniera de Sistemas

Introduccin
El cerebro humano es el sistema de clculo ms complejo que conoce el
hombre. El ordenador y el hombre realizan bien diferentes clases de tareas;
as la operacin de reconocer el rostro de una persona resulta una tarea
relativamente sencilla para el hombre y difcil para el ordenador.
La capacidad del cerebro humano de pensar, recordar y resolver
problemas ha inspirado a muchos cientficos intentar o procurar modelar
en el ordenador el funcionamiento del cerebro humano.

Definicin
Una red neuronal es un sistema de procesadores paralelos
conectados entre s en forma de grafo dirigido. Esquemticamente
cada elemento de procesamiento (neuronas) de la red se representa
como un nodo. Estas conexiones establecen una estructura jerrquica
que tratan de emular la fisiologa del cerebro en busca nuevos
modelos de procesamiento para solucionar problemas concretos del
mundo real.

Resea histrica
En 1943, el neurobilogo Warren McCulloch, y el estadstico Walter
Pitss, publicaron el artculo "A logical calculus of Ideas Imminent in
Nervous Activity". Este artculo constituy la base y el inicio del
desarrollo en diferentes campos como son los Ordenadores Digitales
(John Von Neuman), la Inteligencia Artificial (Marvin Minsky con los
Sistemas Expertos) y el funcionamiento del ojo (Frank Rosenblatt).
En 1957, Frank Rosenblatt public el mayor trabajo de investigacin
en computacin neuronal realizado hasta esas fechas. Su trabajo
consista en el desarrollo de un elemento llamado "Perceptrn".
En 1982 John Hopfield con la publicacin del artculo Hopfield
Modelo Crossbar Associative Network, junto con la invencin del
algoritmo Backpropagation.

Modelos de Redes Neuronales

Componentes
Los elementos bsicos de una RNA son los siguientes:

Neuronas de entrada (capa de entrada).

Neuronas de salida (capa de salida).

Neuronas intermedias (capas ocultas)

Conjunto de conexiones entre las neuronas

Caractersticas
Las RNA al margen de parecerse al cerebro presentan una serie de caractersticas propias
del cerebro, por ejemplo las RNA aprenden de la experiencia, generalizan de ejemplos
previos a ejemplos nuevos y abstraen las caractersticas principales de una serie de datos.

Aprender
Adquirir el conocimiento de una cosa por medio del estudio , ejercicio o experiencia .La
RNA pueden cambiar su comportamiento en funcin del entorno. Se les muestra un
conjunto de entradas y ellas mismas se ajustan a producir unas salidas consistentes.
Generalizar

Extender o ampliar una cosa. Las RNA generalizan automticamente debido a su propia
estructura y naturaleza. Estas redes pueden ofrecer , dentro de una margen, respuestas
correctas a entradas que presentan pequeas variaciones debido a los efectos de ruido o
distorsin.
Abstraer

Aislar mentalmente o considerar por separado las cualidades de un objeto. Algunas RNA
son capaces de abstraer la esencia de un conjunto de entradas que aparentemente no
presentan aspectos comunes o relativos.

Reglas de Aprendizaje
Un algoritmo de aprendizaje es un mtodo adaptable por medio del cual un
RNA se auto organiza, implementando un comportamiento deseado. Dando
un conjunto de muestras para la RNA, el algoritmo de aprendizaje reconfigura
iterativamente los parmetros de la red hasta obtener una respuesta deseada.
Un paso de correccin es ejecutado iterativamente hasta que la red aprende
a producir la respuesta deseada.
Esencialmente, un algoritmo de aprendizaje es un ciclo cerrado de
presentacin de ejemplos y correcciones de los parmetros de la red.

Los algoritmos se dividen en dos diferentes tipos:

1.

Supervisados

2.

No-Supervisados

Aprendizaje Supervisado
Es un mtodo en el cual se selecciona un conjunto de muestra del sistema
a asimilar para introducirlas a la red neuronal. La salida calculada por la
red es cotejada contra la salida esperada para calcular la diferencia entre
ellas. Tal medida se denomina error. Los pesos de la RNA son corregidos de
acuerdo a la magnitud del error y al criterio utilizado por el algoritmo de
aprendizaje.

Aprendizaje No-Supervisado
El aprendizaje no-supervisado se utiliza cuando se tiene un conjunto de
entradas para el cual se desconoce la salida que debe ser producida por
la red neuronal. En tal caso la RN trata de aprender a distinguir las
entradas que se le proporcionan en grupos(clster); as las neuronas de la
RN se tienen
que organizar de tal suerte que, cada vez que se
proporciona algn tipo de entrada cada una de estas se activa si dicha
entrada pertenece al grupo que distinguen.

Inteligencia Artificial VS Redes Neuronales

Aplicaciones
Modelacin financiera y econmica.
Perfiles de mercado y clientes.
Aplicaciones mdicas.
Gerencia del conocimiento y descubrimiento de datos.
Optimizacin de procesos industriales y control de calidad.
Investigacin cientfica.

Aplicaciones:

Reconocimiento
Facial

Robtica