+

REDES NEURONALES

Rocío Romero Zaliz

rocio@decsai.ugr.es

MASTER DE ESTRUCTURAS
Optimización y
Computación Inteligente
+
REDES NEURONALES
INTRODUCCIÓN

2
+
Redes Neuronales

■ Se inspiran en el cerebro humano,

intentando modelar la estructura y
funcionamiento del sistema nervioso.
+
Neurona artificial

■ Perceptron: una neurona artificial

simple

b
x1 w1 n
x2 w2
∑
…
Y Y= (wi * xi) + b
wn
xn
i=1
+
Perceptrón

■ Neurona con umbral

b
x1 w1
x2 w2 Z
Y
… wn
xn

n
1 si Y ≥ 0
∑
Z= (wi * xi) + b Y=
0 sino
i=1
+
Perceptrón

■ http://www.netlogoweb.org/launch#http://www.netlogoweb.org/assets/modelslib/
Sample%20Models/Computer%20Science/Artificial%20Neural%20Net%20-
%20Perceptron.nlogo
+
Perceptrón

■ Funciones de activación
n

∑
Z= (wi * xi) + b
i=1

1
1 si Y ≥ 0 Z si Y ≥ 0 Y=
Y= Y= 1 + e −Z
0 sino 0 sino
+
¿Cómo se entrenan?

■ Se le presentan varios ejemplos distintas

■ Se ajustan los pesos wi dependiendo de si se ha clasificado
cada ejemplo correctamente o no
■ Se continúa hasta que los pesos no se ven modificados o se
alcanza un número máximo de épocas
+
¿Cómo se entrenan?

■ Si la salida de la red coincide con la etiqueta de ese

ejemplo, entonces no se hace nada
■ Si la salida de la red NO coincide con la etiqueta de ese
ejemplo:
■ La salida es 0: se suma el vector de entrada al vector de
pesos
■ La salida es 1: se resta el vector de entrada al vector de
pesos
+
¿Cómo se entrenan?
+
Perceptrón

■ http://www.netlogoweb.org/launch#http://www.netlogoweb.org/assets/modelslib/
Sample%20Models/Computer%20Science/Artificial%20Neural%20Net%20-
%20Perceptron.nlogo
+
Perceptrón

■ http://www.netlogoweb.org/launch#http://www.netlogoweb.org/assets/modelslib/
Sample%20Models/Computer%20Science/Artificial%20Neural%20Net%20-
%20Perceptron.nlogo
+
Redes multicapa

■ Más de una capa de neuronas b1

w11
■ Capa de entrada x1
w12
wh1
■ Capa oculta x2 w1n
b2 Y
w22 w21
■ Capa de salida …
wh2
xn w2n
+
Redes multicapa

■ http://www.netlogoweb.org/launch#http://www.netlogoweb.org/assets/modelslib/
Sample%20Models/Computer%20Science/Artificial%20Neural%20Net%20-
%20Multilayer.nlogo
+
Redes multicapa

■ Los pesos correspondientes a b1

las neuronas en la capa oculta w11
x1
(whi) equivale a aprender w12
wh1
nuevas características x2 w1n
b2 Y
w22 w21
…
wh2
xn w2n
+
Backpropagation
+
Backpropagation
+
Backpropagation

■ Con η suficientemente pequeña, nos iremos acercando

poco a poco a la solución
■ Si usamos un η muy grande aprenderá mucho más rápido
pero puede que no llegue a la mejor solución
+
Modo de entrenamiento

■ ¿Cuándo ajustamos los pesos?

■ Después de cada ejemplo
■ Después de procesar todo el conjunto de entrenamiento
■ Después de una muestra del conjunto de entrenamiento
+
Redes multicapa

■ http://www.netlogoweb.org/launch#http://www.netlogoweb.org/assets/modelslib/
Sample%20Models/Computer%20Science/Artificial%20Neural%20Net%20-
%20Multilayer.nlogo
+
Tipos de Redes Neuronales
Artificiales
+
Tipos de redes neuronales artificiales

■ Redes neuronales convolutivas

■ Redes neuronales recurrentes
■ Autoencoders
■ Transformers
■ Redes generativas adversarias

■ Y una larga lista de etcéteras…

+
Redes neuronales convolutivas

Dense

ANN

Convolution
Pooling
Input

Layer Layer Layer

i1
32 filters

i2
… …
5x5

…
4x4

i800
+
Redes neuronales convolutivas
 +
Redes neuronales recurrentes

https://www.researchgate.net/publication/
315762548_Relaciones_Neuronales_Para_Determinar_la_Atenuacion_del_Valor_de_la_Aceleracion_Maxima_e
n_Superficie_de_Sitios_en_Roca_Para_Zonas_de_Subduccion
+
Redes neuronales recurrentes
+
Autoencoders

https://datasmarts.net/es/autoencoders/
+
Autoencoders
 +
Transformers

https://themachinelearners.com/transformer/
+
Transformers
+
Redes generativas adversarias

https://www.xataka.com/inteligencia-artificial/conceptos-inteligencia-artificial-que-gans-redes-
generativas-antagonicas
+
Redes generativas adversarias
+
¡Gracias por vuestra atención!
¿Preguntas? ¿Comentarios?