REDES NEURONALES TEORÍA MODERNA DE LA FIRMA 2010.

Presentación del tema: "REDES NEURONALES TEORÍA MODERNA DE LA FIRMA 2010."— Transcripción de la presentación:

1 REDES NEURONALES TEORÍA MODERNA DE LA FIRMA 2010

2 Qué son ? Las redes neuronales consisten en unidades de procesamiento que intercambian datos e información. Se utilizan para reconocer patrones, incluyendo imágenes, manuscritos y secuencias de tiempo (tendencias financieras). Estas tienen la capacidad de aprender y mejorar su funcionamiento.

3 Para qué son útiles? Para aprender estrategias de solución basadas en ejemplos de comportamiento típico de patrones; estos sistemas no requieren que la tarea a ejecutar se programe, ellos generalizan y aprenden de la experiencia.

4 Ventajas de las redes neuronales
Aprendizaje Adaptativo Auto-organización Tolerancia a fallos Operación en tiempo real Fácil inserción dentro de la tecnología existente

5 - Aprendizaje Adaptativo: Capacidad de aprender a realizar tareas basadas en un entrenamiento o en una experiencia inicial. - Auto-organización: Una red neuronal puede crear su propia organización o representación de la información que recibe mediante una etapa de aprendizaje. - Tolerancia a fallos: La destrucción parcial de una red conduce a una degradación de su estructura; sin embargo, algunas capacidades de la red se pueden retener, incluso sufriendo un gran daño.

6 -Operación en tiempo real: Los cómputos neuronales pueden ser realizados en paralelo; para esto se diseñan y fabrican máquinas con hardware especial para obtener esta capacidad. -Fácil inserción dentro de la tecnología existente: Se pueden obtener chips especializados para redes neuronales que mejoran su capacidad en ciertas tareas. Ello facilitará la integración modular en los sistemas existentes.

7 Predicción - Clasificación Mapas autoorganizativos Ante el
fracaso del análisis autoorganizativos clásico de las series temporales.

8 Características de la redes neuronales:
Pesos: Los datos de entrada de las redes neuronales pueden tener pesos fijos o adaptables. Los datos que tienen pesos adaptables emplean leyes de aprendizaje para ajustar el valor de la fuerza de una interconexión con otras neuronas. Los datos que utilizan pesos fijos tendrán una tarea que deberá estar previamente definida. Los pesos serán determinados a partir de una contextualización completa del problema. Por otra parte, los pesos adaptables son esenciales si no se conoce previamente cual deberá de ser su valor correcto.

9 Tipos/Mecanismos de aprendizaje:
Aprendizaje: Proceso por el cual una red neuronal modifica sus pesos en respuesta a una información de entrada. Los cambios que se producen durante el proceso de aprendizaje se reducen a la destrucción, modificación y creación de conexión entre las neuronas. Se pueden distinguir 2 tipos de redes neuronales: Redes con aprendizaje supervisado Aprendizaje por corrección de error Aprendizaje por refuerzo Aprendizaje estocástico Redes con aprendizaje no supervisado Aprendizaje Hebbiano Aprendizaje competitivo y cooperativo

10 Redes con aprendizaje supervisado: Se caracterizan por que el proceso de aprendizaje se realiza mediante un entrenamiento controlado por un agente externo que determina la respuesta que debería generar la red a partir de una entrada determinada. Existen tres formas de llevarlo a cabo, como lo son: Aprendizaje por corrección de error: Consiste en ajustar los pesos de las conexiones de la red en función de la diferencia entre los valores deseados y los obtenidos a la salida; es decir, en función del error cometido en la salida. Aprendizaje por refuerzo: se trata de un aprendizaje supervisado, más lento que el anterior, que se basa en la idea de no disponer de un ejemplo completo del comportamiento deseado, es decir, de no indicar durante el entrenamiento exactamente la salda que se desea que proporcione la red ante una determinada entrada. Aprendizaje estocástico: Consiste básicamente en realizar cambios aleatorios en los valores de los pesos de las conexiones de la red, y evaluar su efecto a partir del objetivo deseado y de distribuciones de probabilidad.

11 Redes con aprendizaje no supervisado: No requiere influencia externa para ajustar los pesos de las conexiones entre sus neuronas. La red no recibe ninguna información por parte del entorno que le indique si a salida generada en respuesta a una determinada entrada es o no correcta; por ello, suele decirse que estas redes son capaces de autoorganizarce. Existen dos tipos de llevarlo a cabo: Aprendizaje Hebbiano: Esta regla de aprendizaje es la base de muchas otras. Pretende medir la familiaridad o extraer características de los datos de entrada. El fundamento es una suposición bastante simple: si dos neuronas toman el mismo estado simultáneamente (ambas activas o ambas inactivas), el peso de la conexión entre ambas se incrementa. Aprendizaje competitivo y cooperativo:Se orienta a la clasificación de los datos de entrada. Si el patrón de entrada se determinó que no pertenece a ninguna de las clases reconocidas anteriormente, entonces la estructura y los pesos de la red neuronal serán ajustados para reconocer la nueva clase.

12 Cómo funcionan? Cada neurona recibe impulsos procedentes de
otras neuronas a través de las dentritas, que están conectadas a las salidas de otras neuronas por puntos de contacto especiales (sinapsis). El aprendizaje resulta de la modificación de estos pesos, que unido al procesamiento de información de la neurona determinan el mecanismo básico de la memoria.

13 Funcionamiento de una red neuronal
Las redes neuronales artificiales simulan las propiedades de los sistemas neuronales biológicos a través de modelos matemáticos creados mediante mecanismos artificiales. Su objetivo es conseguir respuestas similares a las que es capaz de dar el cerebro, caracterizadas por su generalización y su robustez. Cada neurona recibe una serie de entradas por medio de interconexiones que tienen un peso específico, ya sea positivo o negativo, que serán procesadas en la capa oculta de acuerdo a los pesos y la función de activación correspondiente, para luego emitir un resultado a través de las conexiones con las neuronas de la capa siguiente.

14 Esquema

15 Niveles de la Red Neuronal
Entrada Ocultas Salidas

16 de las fuentes externas de la red.
- De entrada: es la capa que recibe directamente la información proveniente de las fuentes externas de la red. -Ocultas: son internas a la red y no tienen contacto directo con el entorno exterior. El número de niveles ocultos puede estar entre cero y un número elevado. Las neuronas de las capas ocultas pueden estar interconectadas de distintas maneras, lo que determina, junto con su número, las distintas topologías de redes neuronales. - De salidas: transfieren información de la red hacia el exterior.

17 Técnica de decisión

18 Aplicaciones -Asociación y clasificación -Regeneración de patrones
-Regeneración y generalización Optimización La predicción de precios de las acciones La selección de empresas en un proceso de contratación pública

19 Ejemplo: La predicción de precios de las acciones: Acá definimos los factores que afectan a nuestra variable, precio; entre las cuales destacamos las utilidades de las empresas, los precios de las divisas y la tasa de interés o el mismo índice de la bolsa de valores. Ahora construimos nuestra base de datos, recolectando información como los valores actuales e históricos de cada factor. Y con esto especificamos como van a ser las entradas y sus pesos, esto a partir del modelo a utilizar por el analista. Con este modelo también definimos las capas ocultas, o sea como se va a desarrollar la activación de las neuronas o el proceso de aprendizaje; aclarando que toda la arquitectura de nuestra red neuronal ya depende de cómo el analista pretenda averiguar nuestro dato de salida o el modelo de red neuronal que vaya a usar. Finalmente, al activarse nuestra neurona y desarrollar el proceso de aprendizaje obtendremos nuestro(s) dato(s) de salida.

20 Principales autores Warren McCulloch y Walter Pitts Alan Turing
Donald Hebb Frank Rosenblatt