21018058-redesneuronales

8/8/2019 21018058-RedesNeuronales

1/52


2/52

A finales del siglo XIX se logr una mayor claridad sobre eltrabajo del cerebro debido a los trabajos de Ramn y Cajalen Espaa y Sherrington en Inglaterra.

RAMON Y CAJAL
http://images.google.com.mx/imgres?imgurl=http://www.kaskarrabias.com/torrellas/graficos/2007012564santiago_ramon_y_cajal_infe.jpg&imgrefurl=http://www.kaskarrabias.com/torrellas/anuncios.html&usg=__QE97Wqa6ghcn2_lAn8g9ED4vVdM=&h=380&w=227&sz=22&hl=es&start=25&um=1&tbnid=xzsvb2XBRBXIgM:&tbnh=123&tbnw=73&prev=/images?q=santiago+ramon+y+cajal&ndsp=18&hl=es&sa=N&start=18&um=1http://images.google.com.mx/imgres?imgurl=http://www.historiadelamedicina.org/sher.jpg&imgrefurl=http://www.historiadelamedicina.org/sherrington.html&usg=__Si_5xObAF8NNJNGFUMHIuXtsnP0=&h=192&w=135&sz=6&hl=es&start=11&um=1&tbnid=JVNl4V59TUxSgM:&tbnh=103&tbnw=72&prev=/images?q=Charles+Scott+Sherrington&gbv=2&hl=es&lr=lang_es&sa=N&um=1http://images.google.com.mx/imgres?imgurl=http://www.kaskarrabias.com/torrellas/graficos/2007012564santiago_ramon_y_cajal_infe.jpg&imgrefurl=http://www.kaskarrabias.com/torrellas/anuncios.html&usg=__QE97Wqa6ghcn2_lAn8g9ED4vVdM=&h=380&w=227&sz=22&hl=es&start=25&um=1&tbnid=xzsvb2XBRBXIgM:&tbnh=123&tbnw=73&prev=/images?q=santiago+ramon+y+cajal&ndsp=18&hl=es&sa=N&start=18&um=1


3/52

La neurona se subdivid en tres partes:1.el cuerpo de la neurona,2.ramas de extensin llamadas dendritas para recibir las entradas, y3.un axn que lleva la salida de la neurona a las dendritas de otras neuronas.

LA NEURONAMcCulloch & Pitts [1943] definieron la neurona como un dispositivo binario convarias entradas y salidas.


4/52

Redes neuronales

Sistemas de procesado de la informacin que hacenuso de algunos de los principios que organizan la estructuradel cerebro humano.


5/52

1943 - Warren McCulloch & Walter Pitts

Teoria de Redes NeuronalesFormal McCulloch-Pitts.


6/52

1949 - Donald Hebb Escribi un libro titulado

La organizacin de laconducta.


7/52

1954 - Marvin Minsky Escribi una tesis de

doctorado tituladaTheory of Neural-

Analog ReinforcementSystems and itsApplication to theBrain-Model Problem"


8/52

1956- John Von Neumann

Invencin de la

maquina de VonNeumann


9/52

1958 - Frank Rosenblatt

El perceptrn fue laprimera practicade red neuronalartificial


10/52

1960 - Bernard Wildrow y Marcian Hoff

ADALINE(ADAptive

LINer Elements) MADALINE(Multiple

ADAptive LINer)


11/52

1969 - 1981 Las Redes Nuronales CausanPolemica


12/52

1969 - Marvin Minsky y Seymour Papert

Publican un libro que

presenta laslimitaciones deADALINE Perceptron


13/52

1982 - John Hopfield

Modelo de Hopfield


14/52


15/52

1986 Primera Conferencia RN


16/52

1986 - Rumelhart, Hinton yWilliams

Back-Propagation

Algorthm


17/52

Finales 90- a la fecha


18/52


19/52

VISTA DESDE EL CEREBRO


20/52

Las neuronas y las conexiones entre ellas (sinpsis) constituyen la clave para el procesado de la

informacin. Observe la figura:


21/52

Cambios asociativos de las fuerzas

sinpticas durante el aprendizaje


22/52

Comunicacin entre neuronas


23/52

Proceso qumico de una sinpsis


24/52


25/52


26/52

Funciones de las Neuronas Artificiales.

Funcin de propagacin o ponderacin Funcin de activacin

Salida


27/52


Dentro de la funcin de activacin estn:

Lineal

Sigmoidal

Hiperblicas o tangenciales

Escaln


28/52


Ejemplo de una neurona artificial


29/52


30/52

Unin Lineal


31/52

Unin de Todos los Nodos


32/52

Predeterminado:


33/52

Forma de Conexin de las Capas:


34/52

Red Neuronal Artificial


35/52

CLASIFICACIN SEGN SU ESTRUCTURA DELA RED

Redesneuronales por

capas


36/52


Redes NeuronalesRecurrentes


37/52


Red Neuronal

FeedForward


38/52

CLASIFICACIN DE REDES NEURONALESRESPECTO AL APRENDIZAJE

Aprendizaje

supervisado en RedesNeuronales


39/52


Aprendizaje por Componentes Principales

El aprendizaje por componentes principales se basa en hallar caractersticasprincipales a (componentes) que son comunes a muchos patrones de entrada paraello un pequeo nmero de neuronas coopera en la representacin del patrn deentrada.

Aprendizaje competitivo

En el aprendizaje competitivo, las neuronas pugnan entre s, para representar a unaclase o patrn de entrada.

La neurona seleccionada es aquella cuyos pesos incidentes se asemejan ms al patrnde entrada. El aprendizaje consiste en reforzar las conexiones de la unidad ganadora ydebilitar las otras, para que los pesos de la unidad ganadora se asemejen cada vez msal patrn de entrada


40/52


Aprendizaje reforzado

La base de este aprendizaje es muy parecida alaprendizaje supervisado pero la informacin queproporcionamos a la red es mnima se limita a indicar

si la respuesta de la red es correcta o incorrecta.

Este tipo de aprendizaje se basa en la nocin decondicionamiento por refuerzo, esto es se aprendenlas conductas reforzadas positivamente y las

conductas castigadas o reforzadas negativamente. Ennuestro mundo esto se traduce en premiar los pesossinpticos cuando se acierta la salida y penalizarloscuando no se acierta.


41/52


42/52

EL PERCEPTRON SIMPLE Y EL PERCEPTRON MULTICAPA

El Perceptrn simple desarrollada en 1957por el psiclogo Frank Rosenblatt.
http://www.ieee.org/portal/cms_docs/about/awards/bios/2006Rosenblatt.jpg


43/52

EL PERCEPTRON SIMPLEEl perceptrn es una red de alimentacin directa, esto es la informacin fluye

desde la capa de entrada hacia la capa de salida

Capa de Neuronas

Sensores

Capa de Sinapsis que

une ambas capas

Capa de neuronas de

salida

Y1

Y2

X3

X2

X1


44/52

EL PERCEPTRON MULTICAPAPuede resolver problemas que no son linealmente separables


45/52

RED DE HOLFIELD

John J. Hopfield 1982
http://images.google.com.mx/imgres?imgurl=http://www.consejoculturalmundial.org/imagenes/med-sci-JohnJHopfield.jpg&imgrefurl=http://www.consejoculturalmundial.org/winners-science-johnj.php&usg=__xLgpjhLcDpBpfvI5oU-1qAzISBY=&h=177&w=183&sz=15&hl=es&start=8&um=1&tbnid=ndIZWQcFsu4wYM:&tbnh=99&tbnw=102&prev=/images?q=John+Hopfield+1980&gbv=2&hl=es&lr=lang_es&um=1


46/52

RED DE HOLFIELDEs una red monocapa

valores(-1,1) o (0,1)


47/52

RED COMPETITIVADesarrolladas por Rumelhart y Zipser en 1985

Usualmente son redes bicapaAdmite valores binarios (0,1)

Capa de

Neuronas

Sensores

Capa de Sinapsis

que une ambas

capas

Capa de neuronas

de salida

Y1

Y2

X3

X2

X1


48/52

RED DE KOHONENRed no supervisada70s


49/52

Procesamiento

Reconocimiento Filtrado


50/52

Aplicaciones

EmpresaReconocimiento de caracteres escritos.

Identificacin de candidatos para posiciones especficas.

Optimizacin de plazas y horarios en lneas de vuelo.

Prediccin de Stocks

MedicinaDeteccin de tumores cancergenos

Diagnstico y tratamiento a partir de sntomas


51/52

Aplicaciones

Manufacturacin

Robots automatizados y sistemas de control (visin artificial ysensores de presin, temperatura, gas, etc.)

Control de produccin en lneas de proceso.

Inspeccin de calidad.

Filtrado de seales.

EconomaConcesin de crditos

Deteccin de posibles fraudes en tarjetas de crdito

Determinacin de la posibilidad de quiebra de un banco


52/52

Bibliografa:

Inteligencia Artificial e Ingeniera del ConocimientoAutor: Gonzalo Pajares Martinsanz, Matilde SantosPeasEditorial: Alfaomega

Optimizacin, Heurstica y Redes NeuronalesAutor: Adenso Daz, Fred Gloverf, Hassan M.Editorial: Paraninfo

http://www.redes-neuronales.netfirms.com/

21018058-redesneuronales

Documents