REDES NEURONALES(I.A)

CAMILO ENRIQUE VARON GOMEZ

CC. 1013601823

REDES NEURONALESLas Redes Neuronales aparecieron de la mano de la Inteligencia Artificial en sus inicios como:

• Sistemas formales de reglas y manipulación simbólica.

• Rama más conocida de la Inteligencia Artificial.

Las Redes Neuronales aparecieron en la Inteligencia Computacional (Softcomputing) como:

• Sistemas Inspirados en las redes neuronales

biológicas.

• Métodos Inductivos: aprendizaje a partir de ejemplos

INSPIRACION BIOLOGICALa neurona biológica posee

las siguientes características:

• Árbol dendrítico de entradas.

• Un Axón de salida.

• Sobre de 10^4 sinapsis.

• Comunicación mediante potenciales de Acción (PA).

• Período refractario de 10 ^(-3)

segundos entre PA’s.

INSPIRACION BIOLOGICALa transmisión de información entre neuronas se hace de las siguiente manera:

• Impulso eléctrico viaja por el axón.

• Liberación de neurotransmisores.

• Apertura/Cierre de canales iónicos.

• Variación potencial en dendrita.

• Integración de entradas en el soma.

• Si se supera un umbral de disparo, se genera un PA.

REDES NEURONALESLas redes neuronales en el cerebro se ubican:

• Paquetes de 10^10 a 10^11

neuronas.

• 10^14 sinapsis.

• Organización por capas.

• Organización por niveles.

• Sistema Nervioso Central.

• Circuitos entre regiones.

• Circuitos locales.

• Neuronales.

• Arboles dendríticos.

• Microcircuitos neuronales.

• Sinapsis.

• Canales Iónicos.

• Moléculas.

RED NEURONAL ARTIFICIALUna red neuronal artificial (RNA) es

un sistema de

procesamiento de información que tiene ciertas aptitudes en común con las redes neuronales biológicas:

• El procesamiento de información ocurre en muchos elementos simples llamados neuronas.

• Las señales son transferidas entre neuronas a través de enlaces de conexión.

• Cada conexión tiene un peso asociado, el cual, típicamente, multiplica a la señal trasmitida.

• Cada neurona aplica una función de activación (usualmente no lineal) a su entrada de red (suma de entradas pesadas) para determinar su salida.

MODELADO NEURONALEl modelado neuronal, posee los siguientes enfoques:

1. Computacional:

• Modelos eficientes, potentes y simples.

• Áreas de aprendizaje inductivo y reconocimiento de patrones.

2. Cognitivo:

• Interesado por capacidades cognitivas de los modelos.

• Centrados en la representación del conocimiento.

3. Biocognitivo:

• Premisa la plausibilidad biológica.

4. Psicofisiológico:

• Mecanismos naturales de proceso cognitivos reales

NEURONA ARTIFICIALLa estructura de una neurona artificial esta compuesta de los siguientes elementos:

Conjunto de entradas(Xi). Conjunto de pesos

sinápticos (W j,i). Función que representa el

núcleo. Función de activación o de

salida de información. Valor de salida.

NEURONA ARTIFICIALDependiendo del problema a resolver, la función de activación toma diferentes formas de la siguiente manera.

Esta función se utiliza cuando se requiere la toma de decisiones en V ò F, o se quieren procesar imágenes en B ò N.

Estas funciones permiten establecer valores de pertenencia entre un intervalo de V ò F o B ò N.

Las funciones gaussianas, permiten la clasificación de patrones de acuerdo con características fundamentales de los mismos.

ARQUITECTURAS NEURONALES

Las redes neuronales tienen las siguientes arquitecturas:

• Según la cantidad de neuronas.

1. Número de entradas

2. Número de Neuronas Intermedias.

3. Número de Neuronas de Salida.

• Según conectividad:

1. Feedforward

2. Redes recurrentes.

3. Estructuras Enrejadas