Beruflich Dokumente
Kultur Dokumente
FORMACIN ACADEMICA
TEORA GENERAL DE LOS SISTEMAS
PRESENTADO POR:
DOCENTE
DIEGO CASTILLO
Las hiptesis de Hebb, se sintetizan en la regla de aprendizaje del hebb, que sigue
siendo usada en los actuales modelos. Esta Regla nos dice que los cambios en
los pesos de las sinapsis se basan en la interaccin entre las neuronas pre y
postsinapsitcas.
La primera conferencia sobre IA en la cual se discuti sobre la capacidad de las
computadoras para simular el aprendizaje fue en 1956 en Dartmouth. A partir de
ah investigadores han desarrollado distintos tipos de redes neuronales que cito a
continuacin:
1959 Widrow Teora sobre la adaptacin neuronal y el Adaline (Adaptative Linear
Neuron) y el Madaline (Multiple Adaline). Es la primera aplicacin de las redes a
problemas reales: filtros adaptativos para eliminar ecos en las lneas telefnicas.
1962, Rosemblatt El Perceptrn es un identificador de patrones pticos binarios,
y salida binaria. Dio lugar a regla de aprendizaje delta, que permita emplear
seales continuas de entrada y salida.
1969, Minsky y Papert una seria crtica del Perceptrn que dada su naturaleza
lineal tenia bastantes limitaciones, provoc una cada en picado de las
investigaciones y una poca gris para las redes neuronales.
1977, Anderson Los Modelos de memorias asociativas. Investiga el
autoasociador lineal brain-state-in-a-box
Aos 80, Rumelhart, McClelland & Hinton crean el grupo PDP (Parallel
Distributed Processing). Como resultado de los trabajos de este grupo salieron los
manuales con ms influencia desde el trabajo descorazonador de Minsky y papera
1982, Hopfield elabora un modelo de red consistente en unidades de proceso
interconectadas que alcanzan mnimos energticos, aplicando los principios de
estabilidad desarrollados por Grossberg.
1984, Kohonen Mapas de Kohonen, Este investigador fines desarroll redes
basadas en aprendizaje competitivo, con una idea nueva basada en la biologa:
----Las unidades de procesos fsicamente adyacentes aprendern a representar
patrones de entrada similares, as las neuronas de salida adyacentes identifican
patrones similares.
1987, Grossberg El modelo ART (Adaptative Resonance Theory), estudia los
principios de la estabilidad de redes neuronales.
1986, Hinton & Sejnowski, la mquina de Boltzmann, una red que usa la
probabilidad para encontrar mnimos totales.
1987, Kosko los modelos BAM (Bi-directional Associative Memory.)
DEFINICION
Las redes neuronales (tambin conocidos como sistemas conexionistas) son un
enfoque computacional, que se basa en una gran coleccin de unidades neurales
(tambin conocido como neuronas artificiales), para modelar libremente la forma
en que un cerebro biolgico resuelve problemas con grandes grupos de neuronas
biolgicas conectados por los axones. Cada unidad neuronal est conectada con
otras, y los enlaces se pueden aplicar en su efecto sobre el estado de activacin
de unidades neuronales conectadas. Cada individuo de la unidad neuronal puede
tener una funcin de suma, que combina conjuntamente los valores de todas las
entradas. Puede haber una funcin umbral o funcin de limitacin en cada
conexin y en la propia unidad: de tal manera que la seal debe superar el lmite
antes de la propagacin a otras neuronas. Estos sistemas son auto-aprendizaje y
formacin, en lugar de programar de forma explcita, sobresalen en las zonas
donde la solucin o funcin de deteccin es difcil de expresar en un programa de
ordenador tradicional. Las redes neuronales suelen consistir en varias capas o un
diseo de cubo, y la ruta de la seal atraviesa de adelante hacia atrs.
Propagacin hacia atrs es donde se utiliza la estimulacin hacia adelante o en el
"frente" para restablecer los pesos de las unidades neuronales y esto a veces se
realiza en combinacin con una formacin en la que se conoce el resultado
correcto. Las redes modernas son un poco ms libres en el sentido de que fluye
en trminos de estimulacin e inhibicin con conexiones que interactan de una
manera mucho ms catica y compleja. Redes neuronales dinmicas son lo ms
avanzadas en que pueden dinmicamente, formar nuevas conexiones e incluso
nuevas unidades neuronales. El objetivo de la red neuronal es resolver los
problemas de la misma manera que el cerebro humano, aunque varias redes
neuronales son ms abstractas. Proyectos de redes neurales modernas suelen
trabajar con unos pocos miles a unos pocos millones de unidades neuronales y
millones de conexiones, que sigue siendo varios rdenes de magnitud menos
complejo que el cerebro humano y ms cercano a la potencia de clculo de un
gusano.
Para Eduardo Montoya, las redes neuronales pueden ser aplicadas en cualquier
tipo de problema, en el cual la solucin sea una combinacin de variables. Son
herramientas que aprenden por repeticin. De acuerdo con Hernn Carvajal la
red neuronal artificial es una herramienta para la ingeniera geotcnica.
Con esta informacin el modelo entrenado dar el valor del factor de seguridad
clsico: cuando el valor es menor que 1 la ladera es inestable y cuando es mayor
que 1 es estable. El geotecnista siempre quiere que esos valores sean muy
superiores a 1, de tal forma que la situacin de seguridad pueda
garantizarse, comenta Hernn Carvajal.
Los profesores consideran que cuando el modelo est funcionando puede ser
aplicado a cualquier tamao de rea si se tienen los datos correspondientes a la
zona, puesto que entre ms detallada la informacin, ms preciso ser el
resultado del factor de seguridad. Los ejercicios computacionales iniciales se
realizaron en Brasilia. Por su parte, el municipio de Medelln cuenta con la
informacin cartogrfica y topogrfica adecuada para aplicarse en este modelo.
Neurona Artificial
Finanzas
Prediccin de ndices
Deteccin de fraudes
Negocios
Marketing
Venta cruzada
Campanas de venta
Reconocimiento de grficos
Alimentacin
Desarrollo de productos
Control de calidad
Energa
Industria manufacturera
Control de procesos
Control de calidad
Control de robots
Medicina y salud
Ayuda al diagnstico
Anlisis de imgenes
Desarrollo de medicamentos
Distribucin de recursos
Ciencia e Ingeniera
Ingeniera Qumica
Ingeniera Elctrica
Climatologa
Transportes i comunicaciones
Optimizacin de rutas
EUROINNOVA FORMACIN
UNIVERSIDAD CES
Neurologa Clnica
Medelln, Colombia
Presencial
Duracin: 4 Aos
Costo: 2.340 Euros - $ 7.377.515 Cop
Conclusiones