INTELIGENCIA ARTIFICIAL Y

REDES NEURONALES
Teora Aplicacin
y Simulacin

Ing.Tonny Jimnez M
Docente: rea de Inteligencia art
Universidad popular del Csar
 La IA- RNA aplicadas
a la Ingenieria

Definiciones De Inteligencia
Algunas teoras la considera como la diferente capacidad de
adaptacin que poseen lo individuos
Saber resolver problemas de la manera ms satisfactoria posible
La capacidad de adaptar el pensamiento a necesidades del
momento presente
Capacidad de procesar racionalmente la informacin
 La IA- RNA aplicadas
a la Ingenieria

Inteligencia Artificial
La IA es una rama de la ciencia de computacin que comprende
el estudio y creacin de sistemas computarizados que
manifiestan cierta forma de inteligencia: sistemas que aprenden
nuevos conceptos y tareas, sistemas que pueden razonar y
derivar conclusiones tiles acerca del mundo que nos rodea
La IA es una ciencia que trata de la comprensin de la
inteligencia y del diseo de mquinas inteligentes
La IA es el estudio de las computaciones que permiten percibir,
razonar y actuar
 La IA- RNA aplicadas
a la Ingenieria

Inteligencia artificial (IA)

Definiciones
reas que utilizan recursos de IA
Lenguaje natural
Robotica
Diagnstico (Sistemas expertos, representacin del
conocimiento)
Prediccin (algoritmos genticos y redes neuronales)
Educacin (sistemas tutoriales inteligentes)
 La IA- RNA aplicadas
a la Ingenieria

Contextualizacin del problema:

Pocos conceptos son tan polmicos como el de

inteligencia. Desde los primeros estudios
cientficos sobre la inteligencia, iniciados por
Galton, las controversias entre las distintas teoras
de la inteligencia han ido aumentando. Aun hoy en
da existen psiclogos para los que el trmino
inteligencia es una palabra vaca de significado
psquico
 La IA- RNA aplicadas
a la Ingenieria

PUEDE PENSAR UNA MAQUINA?

Esta pregunta tan simple plantea unos problemas tan
grandes que, posiblemente, nunca se llegue a un acuerdo
completo entre las distintas respuestas que se proponen.

SE PUEDE PRODUCIR ARTIFICIALMENTE LA

INTELIGENCIA HUMANA?
Del ser humano se afirma su inteligencia porque posee
intuicin, inspiracin, capacidad de organizar cadenas lgicas
de pensamiento, sentimientos y expresin lingistica, entre
otras cosas
 La IA- RNA aplicadas
a la Ingenieria

Se fundamenta y manifiesta
la inteligencia de la siguiente forma:
Percepcin
Asociacin
Memoria
Imaginacin O Creatividad
Razn
Conciencia
 La IA- RNA aplicadas
a la Ingenieria

Factores que moldean la inteligencia artificial

en un computador
Conocimientos generales
Procesamiento visual
Uso del lenguaje
Capacidad para tomar decisiones

Soluciones por experiencia

 La IA- RNA aplicadas
a la Ingenieria

Para estosexisten
Actualmente, tipos de aplicacin
sistemas se utiliza
capaces de ejecutar
tareas hasta ahora imposibles para los ordenadores, como
una tecnologa llamada de
reconocer el habla, reconocer modelos de imgenes o
clasificar objetos o redes neuronales (RN)
documentos.

Ej.: Reconocimiento de voz

Reconocimiento de huellas digitales o iris de los ojos
Aplicaciones de predicciones
Reconocimiento de formas
 La IA- RNA aplicadas
a la Ingenieria

Con la cual podemos realizar:

Procesamiento de imgenes y de voz

Reconocimiento de patrones
Planeamiento
Interfaces adaptivas para sistemas Hombre/mquina
Prediccin
Control y optimizacin
Filtrado de seales
 La IA- RNA aplicadas
a la Ingenieria
Y qu son las redes neuronales?

Son sistemas computacionales, de implementacin en

hardware o software, que imitan las habilidades
computacionales del sistema nervioso biolgico, usando
un gran nmero de simples neuronas artificiales
interconectadas.
 La IA- RNA aplicadas
a la Ingenieria

El futuro de las redes neuronales

Las redes neuronales alcanzan cada vez mayor auge,
teniendo multitud de aplicaciones en campos
diversos y dando soluciones sencillas a problemas
cuya resolucin resulta complicada cuando se
emplean mquinas algortmicas
 La IA- RNA aplicadas
a la Ingenieria
Breve historia:

Esta rea de investigacin comenz en 1943 cuando el

neurofsico McCulloch y el matemtico Walter Pitts
propusieron una estructura artificial anloga a la neurona
biolgica
 La IA- RNA aplicadas
a la Ingenieria
Neurona Biolgica
El cerebro humano contiene aproximadamente 12 billones de
clulas nerviosas o neuronas. Cada neurona tiene de 5600 a
60000 conexiones dendrticas provenientes de otras neuronas
mientras que en el sistema nervioso hay 1014 sinapsis;
teniendo cada neurona ms de 1000 a la entrada y a la salida

Dendritas

Soma Axn
 La IA- RNA aplicadas
a la Ingenieria

La conexin entre el axn de una neurona y la dendrita

de otra se llama sinapsis

sipnasis
LAS REDES NEURONALES
ARTIFICIALES

NEURONAS NATURALES NEURONAS ARTIFICIALES

 La IA- RNA aplicadas
a la Ingenieria

Una neurona artificial

Una red neuronal artificial (RNA, en castellano, y ANN, en
ingles) puede definirse Como un modelo artificial basado en la
conexin de varios procesadores elementales (neuronas
artificiales) para que conjuntamente realicen una funcin comn
 La IA- RNA aplicadas
a la Ingenieria

Caractersticas de las RNA

Paralelismo masivo

Tolerancia a fallos y procesamiento y/o memoria distribuidos

Aprendizaje mediante ejemplos, organizacin propia

Adaptabilidad

Facilidad de simulacin y construccin

 ASPECTOS GENERALES

Una red neuronal es un conjunto

organizado de neuronas artificiales
Fase de entrenamiento dinmica de
aprendizaje. Es de especial inters el
aprendizaje supervisado
Procesamiento de nuevos casos
dinmica de computacin
Ventaja para el anlisis: Alta
tolerancia al ruido ocasionado por
datos correlacionados, incompletos o
errneos, como los que se manejan en
la Ciencia Econmica
 La IA- RNA aplicadas
a la Ingenieria

La Neurona Artificial
Si se tienen N neuronas, podemos
ordenarlas arbitrariamente y designarlas
como unidades. Su trabajo es simple y
Patrones nico, y consiste en recibir las entradas de
las clulas vecinas y calcular un valor de
salida, el cual es enviado a todas las
clulas restantes Salida
 MODELIZACIN DE UNA NEURONA
ARTIFICIAL
Una neurona artificial es la composicin de dos funciones
matemticas:
Funcin de estado: funcin lineal de las variables de entrada de
la neurona, ponderadas por unos coeficientes
Funcin de transferencia o regla de activacin: proporciona la
respuesta de la neurona ante el estmulo determinado por la
funcin anterior
FUNCIN ESCALN F LINEAL POR INTERVALOS
FUNCIN LINEAL SIMPLE FUNCIN SIGMOIDAL

FUNCIN SIGMOIDAL:
Se calcula mediante la expresin:
f(x)=1/(1+e-2x/T)
Permite asimilar los modelos
estadsticos a casos particulares de
neuronas artificiales
 La IA- RNA aplicadas
a la Ingenieria

Conexiones Entre Neuronas

Las conexiones que unen a las neuronas
que forman una red neuronal artificial,
tienen asociado un peso, que es el que hace
que la red adquiera conocimiento.
Consideremos yi como el valor de salida de
una neurona i en un instante dado. Una
neurona recibe un conjunto de seales que
le dan informacin del estado de activacin
de todas las neuronas con las que se
encuentra conectada
 La IA- RNA aplicadas
a la Ingenieria

Regla de Aprendizaje
Al igual que el funcionamiento de una red depende del numero de
neuronas de las que disponga y de como estn conectadas entre si,
cada modelo dispone de sus propias tcnicas de aprendizaje. En el
caso de las redes neuronales artificiales, se puede considerar que
el conocimiento se encuentra en los pesos de las conexiones entre
neuronas
 La IA- RNA aplicadas
a la Ingenieria

Clasificacin de las redes neuronales

 La IA- RNA aplicadas
a la Ingenieria

Mtodos de aprendizaje. Clasificacin

general, la clasificacin general sera la
siguiente:
Aprendizaje Supervisado.
Basadas en la decisin.
De Aproximacin/Optimizacin.
Aprendizaje No Supervisado.
Entrenamiento Competitivo
Redes asociativas de pesos fijos
 La IA- RNA aplicadas
a la Ingenieria

Aprendizaje supervisado
En el aprendizaje supervisado (aprender con un maestro), la
adaptacin sucede cuando el sistema compara directamente la salida
que proporciona la red con la salida que se deseara obtener de dicha
red
Modificacin de pesos

( m1)
w ij w w
( m)
ij
( m)
ij
Redes neuronales artificiales:
aprendizaje supervisado

Ejemplo de entrenamiento
Aprender las entradas:

Entrada = {1,1} deber producir la salida = {1}

Entrada = {0,0} deber producir la salida = {0}
Pesos iniciales: {-1,-1}
Constante de aprendizaje: {1}
Redes neuronales artificiales:
aprendizaje supervisado

Funcin de transferencia: rampa

Si el resultado de la suma < 0,
entonces la salida = 0
Si el resultado de la suma >= 0 y <= 1,
entonces la salida = entrada
Si el resultado > 1,
entonces la salida = 1
Redes neuronales artificiales:
aprendizaje supervisado

Presentamos el primer objeto...

Usando la funcin suma tenemos:

1*-1 + 1*-1 = -2
Aplicando este resultado, la funcin
T: 0
Redes neuronales artificiales:
aprendizaje supervisado

Recordemos que:
Entrada = {1,1} debera producir la salida =
{1}

De momento, la salida obtenida fue = {0}

Por tanto, hace falta un ajuste sinptico

 Redes neuronales artificiales:
aprendizaje supervisado
Se aplica la regla Delta: Constante = 1
Error = salida esperada - salida obtenida
Ajuste para el peso 1 Peso nuevo = Peso antiguo +
( Error * Entrada * Constante)
Error = 1- 0 = 1
Peso nuevo = -1 + (1 * 1 * 1) = 0

Ajuste para el peso 2

Error = 1 - 0 = 1
Peso nuevo = -1 + (1 * 1 * 1) = 0
Redes neuronales artificiales:
aprendizaje supervisado

El primer objeto se presenta

nuevamente

Usando la funcin suma tenemos:

1*0 + 1*0 = 0
Aplicando este resultado, la funcin T:
1
Redes neuronales artificiales:
aprendizaje supervisado
Conclusiones:

1. Si presentamos nuevamente el segundo

objeto, verificaremos que el resultado
calculado es el esperado

2. Se considera, entonces, que la red ha

aprendido
 La IA- RNA aplicadas
a la Ingenieria

Modelos No Supervisados
Para los modelos de entrenamiento No Supervisado, el conjunto de
datos de entrenamiento consiste slo en los patrones de entrada.
Por lo tanto, la red es entrenada sin el beneficio de un maestro. La
red aprende a adaptarse basada en las experiencias recogidas de
los patrones de entrenamiento anteriores
Distancia Euclidiana

d xi , x j xi k x j k
2

k
 Redes neuronales artificiales:
aprendizaje no supervisado

RN SOM - Teuvo Kohonen

Despus de entrenada, datos similares presentados a la red

Cuando un estimularn
dato se presenta a la la
siempre red, solamente
misma resulta activada
neurona.
una neurona
Por lodel conjunto
tanto es una de
redsalida; porpara
indicada lo tanto, lo que se hace
establecer
es una clasificacin
relaciones, desconocidas previamente, entre datos.
 La IA- RNA aplicadas
a la Ingenieria

Por lo tanto:

Las redes de nodos adaptables que mediante un

proceso de aprendizaje a partir de ejemplos o datos
histricos, almacenan experiencia y poseen
capacidad de generalizacin.

EJEMPLOS...
 La IA- RNA aplicadas
a la Ingenieria

Una neurona artificial Representacin de un

objeto
que ha de ser aprendido
 La IA- RNA aplicadas
a la Ingenieria

Funcionamento de una red neuronal:

Primero la red aprende y

clasifica
y
despus podemos utilizarla
con otros ejemplos
 La IA- RNA aplicadas
a la Ingenieria

Modelos de Redes Neuronales

La red tipo Perceptrn fue inventada por el
Perceptron siclogo Frank Rosenblatt en el ao 1957
Un Perceptrn unicapa no es ms que un conjunto de neuronas no
unidas entre s, de manera que cada una de las entradas del
sistema se conectan a cada neurona, produciendo cada una de
ellas su salida individual
 La IA- RNA aplicadas
a la Ingenieria

El Perceptrn multicapa
Como su nombre indica, se trata de un unos cuantos (dos o tres)
perceptrones unicapa conectados en cascada
Para poder hacer aprender cosas a un Perceptrn de este tipo, se
implement el algoritmo de BackPropagation, que tal como su
nombre indica tiene la funcin de ir propagando los errores
producidos en la capa de salida hacia atrs
 La IA- RNA aplicadas
a la Ingenieria

Campos de aplicacin
Las RNA han sido aplicadas a un creciente numero de problemas
con una complejidad considerable, como puede ser el
reconocimiento de patrones, clasificacin de datos, predicciones,
etc.. Su ventaja ms importante est en solucionar problemas que
son demasiado complejos para las tcnicas convencionales
 La IA- RNA aplicadas
a la Ingenieria

Finanzas
Prediccin de ndices
Deteccin de fraudes
Riesgo crediticio, clasificacin
Prediccin de la rentabilidad de acciones
Negocios
Marketing
Venta cruzada
Campanas de venta
Tratamientos de texto y proceso de formas
Reconocimiento de caracteres impresos mecnicamente.
Reconocimiento de grficos
Reconocimiento de caracteres escritos a mano.
Reconocimiento de escritura manual cursiva.
Alimentacin
Anlisis de olor y aroma
Perfilamiento de clientes en funcin de la compra
Desarrollo de productos
Control de calidad
 La IA- RNA aplicadas
a la Ingenieria

Energa
Prediccin del consumo elctrico
Distribucin recursos hidrulicos para la produccin elctrica
Prediccin consumo de gas ciudad
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
Anlisis de datos i clasificacin
Ingeniera Qumica
Ingeniera Elctrica
Climatologa
Transportes i comunicaciones
Optimizacin de rutas
Optimizacin en la distribucin de recursos
 La IA- RNA aplicadas
a la Ingenieria

Diferencias entre programas tradicionales y RN:

Un programa tradicional es un conjunto de
instrucciones que representan objetos del mundo real que
codifican el conocimiento; ejecutar siempre lo que est
codificado en las instrucciones.
En una RN ningn conocimiento est codificado; es
necesario ensear presentando ejemplos. Bsicamente, el
conocimiento, al ser enseado, se almacena en forma de
pesos (valores) que darn a la red el comportamiento
deseado.
La IA- RNA aplicadas
a la Ingenieria

FIN