Professional Documents
Culture Documents
Practica Redes Neuronales Artificiales
Practica Redes Neuronales Artificiales
Objetivo
Aplicar los conceptos relacionados con las Redes Neuronales Artificiales (RNA)
como uno de los paradigmas utilizados en el aprendizaje automático o aprendizaje
de máquina (Machine Learning).
Fundamento teórico
IBM (2021) presenta la siguiente definición:
Las redes neuronales artificiales son modelos simples del funcionamiento del
sistema nervioso. Las unidades básicas son las neuronas, que generalmente
se organizan en capas. Una red neuronal es un modelo simplificado que
emula el modo en que el cerebro humano procesa la información: Funciona
por el trabajo simultáneo de un número elevado de unidades de
procesamiento interconectadas que parecen versiones abstractas de
neuronas.
Las neuronas biológicas tienen como elementos principales: las dendritas donde
entran las señales, el cuerpo o soma donde se procesan y la salida constituida por
el axón, la red se forma por la interconexión de las entradas de unas neuronas con
las salidas de otras lo que se conoce como sinapsis.
En el inicio los pesos y sesgos son aleatorios lo que produce predicciones que están
lejos de los resultados esperados. La red va aprendiendo mediante un proceso en
el que la red es entrenada. Se le presentan ejemplos de los que se sabe el resultado,
las respuestas obtenidas se comparan con los resultados que se conocen. Los
datos obtenidos de ello sirven para modificar los pesos y los sesgos. Durante el
entrenamiento la red mejora su precisión y una vez entrenada se le pueden
presentar nuevos ejemplos en los que no se sabe el resultado (IBM, 2021).
Requerimientos
Lenguaje Phyton o Google Colab (https://colab.research.google.com)
Librería TensorFlow
Librería NumPy
Framework Keras
Procedimiento
Aplicaremos las redes neuronales en el problema de predecir la temperatura en
grados Fahrenheit a partir de una cantidad en grados centígrados. Para ello,
utilizaremos una serie de datos de entrada y de resultados esperados, con los
cuáles se realizará el entrenamiento de la red neuronal. A continuación, se presenta
el código que deberá programarse en lenguaje Phyton y se utilizarán además las
librerías TensorFlow, NumPy y el framework Keras.
Actividad 1. Programar el siguiente código considerando una red con una capa
de entrada y una de salida, ambas con 1 neurona (Figura 4).
Teclear en +código para ir agregando código a cada celda e ir dando click para
compilar.
“Importar las librerías a utilizar tensorflow para IA y numpy para trabajar arreglos
numéricos”
import tensorflow as tf
import numpy as np
“Diseñar modelo de red neuronal, con el framework Keras definir entradas y salidas.
Se define el modelo que las conecta, para redes sencillas, el secuencial”.
capa = tf.keras.layers.Dense(units=1, input_shape=[1])
modelo = tf.keras.Sequential([capa])
“Realizar la predicción”
print("Hagamos una predicción!!!!")
resultado = modelo.predict([50.00])
print("EL resultado es" + str (resultado) + "fahrenheit!")
“Importar las librerías a utilizar tensorflow para IA y numpy para trabajar arreglos
numéricos”
import tensorflow as tf
import numpy as np
“Diseñar modelo de red neuronal, con el framework Keras definir entradas y salidas.
Se define el modelo que las conecta, para redes sencillas, el secuencial”.
oculta1 = tf.keras.layers.Dense(units=3, input_shape=[1])
oculta2 = tf.keras.layers.Dense(units=3)
salida = tf.keras.layers.Dense(units=1)
modelo = tf.keras.Sequential([oculta1, oculta2, salida])
“Realizar la predicción”
print("Hagamos una predicción!!!!")
resultado = modelo.predict([50.00])
print("EL resultado es" + str (resultado) + "fahrenheit!")
Resultados y conclusiones
Referencias
Amaya, L. (s.f.). Redes NEURALES - curso- Fundamentos - luisamayateacher.
Google Sites.
https://sites.google.com/site/luisamayateacher/redes-neurales---curso
Del Brío, B. M., & Sanz, A. (2006). Redes neuronales Y sistemas borrosos (3a ed.).
Editorial Ra-Ma.