Redes Neuronales

Introduccion
Ver Silabo
Objetivo de Curso

Hacer que el estudiante sea capaz de analizar y

desarrollar sistemas inteligentes basados en
Redes Neuronales Artificiales (RNA), que sea
capaz de aplicarse en la resolución del
problemas identificado en los sectores de
servicios, ciencia y tecnología
Empecemos…
¿Qué es la inteligencia artificial?

Subdiciplina de la informática, que

busca la creación de maquinas que
puedan imitar comportamientos
inteligentes, estos comportamientos
pueden ser:
 Conducir
 analizar patrones
 Reconocer patrones
 Ganar juegos, etc.
Comportamientos inteligentes como
subcategorías de la IA
• Robotica
• Lenguaje Una cosa es programar una maquina para
que pueda moverse y otra muy diferentes
• Vision es programarla para que aprenda a
moverse.
• Voz.

¿Y la capacidad de aprender?
Machine Learning. (aprendizaje automático)
• Rama de la Inteligencia Artificial, que busca como dotar a las
maquinas de capacidad de aprendizaje.
La generalización del conocimiento a partir de un conjunto de
experiencias.
 Google Douplex

¿Qué es la Prueba de Turing?

Redes Neuronales
 Introducción
• El cerebro humano es el sistema de cálculo más complejo
que conoce el hombre. El ordenador y el hombre realizan
bien diferentes clases de tareas; así la operación de
reconocer el rostro de una persona resulta una tarea
relativamente sencilla para el hombre y difícil para el
ordenador, mientras que la contabilidad de una empresa
es tarea costosa para un experto contable y una sencilla
rutina para un ordenador básico.

• La capacidad del cerebro humano de pensar, recordar y

resolver problemas ha inspirado a muchos científicos
intentar o procurar modelar en el ordenador el
funcionamiento del cerebro humano.
Neurona Biológica
• Una neurona biológica posee soma o cuerpo, axón, dendritas, y las
terminales sinápticas, el axón alcanza un largo típico de centímetros y
o metros, y las sinapsis son mas tupidas y numerosas
Neurona Biológica
• Las neuronas son mas lenta (milisegundos) que las compuertas de
silicio (nanosegundos); pero se compensa por ser masivamente
interconectada, se estima que hay 1010 neuronas 6x1013 conexiones
sinápticas
Definición
• Una red neuronal es un sistema de procesadores paralelos
conectados entre sí en forma de grafo dirigido.
Esquemáticamente cada elemento de procesamiento
(neuronas) de la red se representa como un nodo. Estas
conexiones establecen una estructura jerárquica que
tratan de emular la fisiología del cerebro en busca nuevos
modelos de procesamiento para solucionar problemas
concretos del mundo real.
Definición
Función de activación
• La función de activación se aplica a las señales de salida procesada
por las neuronas ( ) determinar el valor final de la salida. Su
propósito es escalar la salida en el rango (0,1) o rango (-1,+1)
Funciones de activación que se aplican en
redes neuronales

La mas utilizada es la Sigmoidea por ser

derivable
Elementos
• Un conjunto de sinapsis o ligas de conexión, las
cuales son caracterizadas por un peso o potencia
propios a cada conexión.
• Una función suma que se encarga de sumar los
productos de las señales de entrada por los pesos
de las sinapsis que llegan a la neurona.
• La función de activación o transferencia, se
encarga de determinar el nuevo estado de
actividad de la neurona con base a la actividad
actual de la red, condicionado de este modo la
amplitud de una neurona.
Reseña histórica
• En 1943, el neurobiólogo Warren McCulloch, y el estadístico Walter Pitss, publicaron el
artículo "A logical calculus of Ideas Imminent in Nervous Activity". Este artículo
constituyó 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 1950, Alan Turing crea el “Test de Turing” para determinar si una máquina era
realmente inteligente. Para pasar el test, una máquina tenía que ser capaz de engañar
a un humano haciéndole creer que era humana en lugar de un computador.
• En 1957, Frank Rosenblatt publicó el mayor trabajo de investigación en computación
neuronal realizado hasta esas fechas. Su trabajo consistía en el desarrollo de un
elemento llamado "Perceptron".
• En 1982 John Hopfield con la publicación del artículo Hopfield Modelo Crossbar
Associative Network, junto con la invención del algoritmo Backpropagation.
Elementos
Clasificación
• Perceptrón
• Adaline
• Perceptrón multicapa
• Memorias asociativas
• Máquina de Boltzmann
• Máquina de Cauchy
• Propagación hacia atrás (backpropagation)
• Redes de Elman
• Redes de Hopfield
• Red de contrapropagación
• Redes de neuronas de base radial
• Redes de neuronas de aprendizaje competitivo
• Mapas Auto organizados (RNA) (Redes de Kohonen)
• Crecimiento dinámico de células
• Gas Neuronal Creciente
• Redes ART (Adaptative Resonance Theory)
Reglas de Aprendizaje
• Un algoritmo de aprendizaje es un método 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
parámetros de la red hasta obtener una respuesta deseada. Un
paso de corrección es ejecutado iterativamente hasta que la red
aprende a producir la respuesta deseada.
• Esencialmente, un algoritmo de aprendizaje es un ciclo cerrado de
presentación de ejemplos y correcciones de los parámetros de la
red.
• Los algoritmos se dividen en dos diferentes tipos:
• Supervisados
• No-Supervisados
Aprendizaje Supervisado
• Es un método 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(clúster); así las neuronas de la RN se tienen
que organizar de tal suerte que, cada vez que se
proporciona algún tipo de entrada cada una de estas
se activa si dicha entrada pertenece al grupo que
distinguen.
Aplicaciones
• Modelación financiera y económica.
• Perfiles de mercado y clientes.
• Aplicaciones médicas.
• Reconocimiento facial
• Gerencia del conocimiento y “descubrimiento de
datos”.
• Optimización de procesos industriales y control de
calidad.
• Investigación científica.
• Robótica