La descarga está en progreso. Por favor, espere

La descarga está en progreso. Por favor, espere

Introducción a las Redes Neuronales Mg. Samuel Oporto Díaz DESARROLLO DE SOLUCIONES INTELIGENTES.

Copias: 1
Introducción a las Redes Neuronales y Aplicaciones Cursos Libres de Verano Mg. Samuel Oporto Díaz Lima – Enero Centros de Tecnología.

Presentaciones similares


Presentación del tema: "Introducción a las Redes Neuronales Mg. Samuel Oporto Díaz DESARROLLO DE SOLUCIONES INTELIGENTES."— Transcripción de la presentación:

1 Introducción a las Redes Neuronales Mg. Samuel Oporto Díaz DESARROLLO DE SOLUCIONES INTELIGENTES

2 Mapa Conceptual del Curso Sistemas Inteligentes Reconocimiento de Patrones Agentes Inteligentes Visión Artificial Redes neuronales

3 Tabla de Contenido Neuronas Naturales Neuronas Artificiales Clasificación de las Redes Neuronales Aplicaciones

4 Mapa Conceptual de la Sesión Neuronas Naturales Neuronas Artificiales Aprendizaje Reconocimiento de Patrones Arquitectura de las redes neuronales Aplicaciones No Recurrentes Recurrentes Aprendizaje supervisado Aprendizaje no supervisado Red Perceptron Red de retro-propagación Método de Trabajo

5 Objetivo de la Sesión Exponer los aspectos básicos de las redes neuronales. Exponer los conceptos acerca de las redes neuronales. Exponer los conceptos del aprendizaje natural y automático. Exponer los conceptos de reconocimiento de patrones. Plantear el modelo de redes neuronales artificiales. Exponer las arquitecturas de las redes neuronales.

6 NEURONAS NATURALES

7 El Cerebro Humano Gran velocidad de proceso Trata gran cantidad de información –Los sentidos –Memoria almacenada Capacidad de tratar situaciones nuevas Capacidad de aprendizaje Almacenamiento redundante. No binario, no estable y no síncrono. Poder desconocido Neuronas ( procesadores ) 1000 – conexiones por neurona Capacidad basada en las conexiones. Cada neurona es muy compleja.

8 La Neurona Dendritas de entradas Un axón de salida Sinapsis de conexión sinapsis por neurona Comunicación mediante Potenciales de Acción (PA) Generación de conexiones. Consolidación de conexiones. dendrita neurona núcleo axón nódulo de Ravier envoltura de mielina célula de schwann axón terminal

9 La Neurona

10 Conexiones Neuronales Cuerpo Dendritas Axon Señal Sinapsis (Información)

11 Sinapsis Impulso eléctrico que viaja por el axón Liberación de neurotransmisores Apertura/cierre de canales iónicos Integración de entradas en soma Si se supera umbral de disparo se genera un PA Variación potencial en dendrita

12 Los Potenciales de Acción Es una onda de descarga eléctrica que viaja a lo largo de la membrana de la neurona. Se utilizan para llevar información entre neuronas. Se generan en las células y en las neuronas. Periodo refractario de segundos entre PAs

13 Los Potenciales de Acción

14 NEURONAS ARTIFICIALES W ij 1 W ij 2 u1u1 u2u2 y1y1 y2y2 W ij 3

15 Inspiración Biológica ¿Qué modelar? Inclinación a adquirir conocimiento desde la experiencia Conocimiento almacenado en conexiones sinápticas Gran plasticidad neuronal y tolerancia a fallos (muerte neuronal) Comportamiento altamente no-lineal

16 Red Neuronal Artificial (RNA) Es un sistema de procesamiento de información que tiene propiedades inspiradas en 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 representando la sinapsis. –Cada neurona aplica una función de activación a su entrada de red (suma de entradas pesadas) para determinar su salida, representando la generación de potenciales de acción.

17 Modelo Neuronal net u = X i W iu Y u = f (net u ) Y u = f ( Xi W iu ) Elemento Procesador net u XiXi W iu YuYu

18 Modelado Neuronal Entradas (X) Salida (Y) Pesos sinápticos (W) Función suma (net) Función de activación (f) Funcionamiento en modo aprendizaje o ejecución n n k k 1 1 u u X1 Xk Xn W1u Wku Wnu Yu net u = X i W iu Y u = f (net u ) Y u = f ( Xi Wiu )

19 Neurona Natural vs. Artificial Neurona = Unidad de procesamiento Dendritas= entradas (X) Axón= salidas (Y) Conexiones sinápticas= Conexiones con pesos (W) Efectividad sináptica= Peso sináptico (W ij ) Excitación / Inhibición= Pesos W ij (+) ó W ij (-) Potencial= Valores de entradas o salidas Combinado de PAs= Función de propagación (Σ) Potencial de acción= Función de transferencia (f)

20 Función de Propagación Permite obtener el valor del potencial post-sinaptico (net) a partir de las entradas (X) y los pesos (W) Es posible utilizar otro tipos de función de propagación, tales como mínimo, máximo, mayoría, producto, etc. Función de Transferencia. Permite obtener la salida (Y) del elemento procesador ante un estímulo (net). En el modelo más simple la f obtiene la salida Y comparando la entrada net con un umbral. Si net > umbral señal. Si net < umbral sin señal. Función de Transferencia net u = X i W iu Y u = f (net u )

21 Ejercicio 7 Dado la siguiente red neuronal de 1 capa, determine la salida para los siguientes registros de datos: n1n1 n2n2 n3n3 X1X1 X2X2 Y X nxk = x x Y 1xk =

22 Ejercicio 7

23 CLASIFICACIÓN DE LA REDES NEURONALES

24 Redes no recurrentes. Propagación hacia delante o acíclicas. Las señales van de la capa de entrada a la salida sin ciclos. –Monocapa. perceptrón, Adaline. –Multicapa. perceptrón multicapa. Redes recurrentes. Presentan al menos un ciclo cerrado de activación neuronal. –Elman, Hopfield, –Máquina de Bolzman. Topología En función del patrón de conexiones que presenta. Aprendizaje SupervisadoAprendizaje no Supervisado

25 Tipo de Aprendizaje Si necesita o no un conjunto de entrenamiento supervisado Aprendizaje supervisado: necesitan datos clasificado –perceptrón simple, red Adaline, perceptrón multicapa y memoria asociativa bidireccional. Aprendizaje no supervisado o autoorganizado: no necesitan de tal conjunto previo. –Memorias asociativas, redes de Hopfield, máquina de Bolzman y máquina de Cauchy, redes de aprendizaje competitivo, redes de Kohonen, redes de resonancia adaptativa (ART) Redes híbridas: son un enfoque mixto en el que se utiliza una función de mejora para facilitar la convergencia. –Redes de base radial.

26 Redes analógicas: procesan datos de entrada con valores continuos y habitualmente acotados. –Hopfield, Kohonen y las redes de aprendizaje competitivo. Redes discretas: procesan datos de entrada de naturaleza discreta habitualmente valores lógicos booleanos. –Máquinas de Bolzman y Cauchy y red discreta de Hopfield. Tipo de Entrada rango 1rango 2 rango 3

27 Algoritmos de Aprendizaje Algoritmos de aprendizaje más comunes: –Perceptrón multicapa o Backpropagation (BPN) Aprendizajes supervizados bajo corrección de error –Mapas Auto-organizados (SOM) Aprendizajes competitivo no supervizados W ij (t+1) = W ij (t) - η J W ij (t) W v (t +1) = W v (t) + Θ (v, t) α(t)(D(t) - Wv(t)),

28 APLICACIONES

29 Aplicaciones Se usan para el reconocimiento de patrones. Problemas donde más importante es el patrón que los datos exactos. Aplicaciones: 1.Clasificación. 2.Predicción 3.Clustering (Agrupamiento) 4.Aproximación de curvas

30 1. Clasificación Clasifica objetos en un número finito de clases, dado sus propiedades. Busca una función de mapeo que permita separar la clase 1 de la clase 2 y esta de la clase 3… El número de clases es finito. Árboles de decisión. Reglas de Asociación. Redes Neuronales. Clasificador Bayesiano. Razonamiento basado en casos

31 2. Predicción Intenta determinar la función que mapea un conjunto de variables de entrada en una (o más) variables de salida. Es básicamente numérica. Está basada en supuestos estadísticos. Ejemplos: –Monitoreo la reserva de plazas en empresas de aviación. –Predicciones financieras a corto plazo

32 3. Clustering (Clasificación no supervisada) Intenta agrupar una serie de objetos en grupos. Cada objeto es representado por un vector de atributos n- dimensional. Los objetos que forman cada grupo deben ser disimilares. La similaridad es medida del grado de proximidad. Luego cada grupo es etiquetado. K-means (agrupamiento exclusivo) Fuzzy C-means (agrupamiento con traslape) Angulo de distribución mínima Método de autoorganización (SOM) Razonamiento Adaptativo

33 4. Aproximación de curvas Reconocer el patrón de curvas entregadas como una secuencia de puntos.

34 Financial Stock Market Prediction Credit Worthiness Credit Rating Bankruptcy Prediction Property Appraisal Fraud Detection Price Forecasts Economic Indicator Forecasts Medical Medical Diagnosis Detection and Evaluation of Medical Phenomena Patient's Length of Stay Forecasts Treatment Cost Estimation Industrial Process Control Quality Control Temperature and Force Prediction Science Chemical Compound Identification Physical System Modeling Polymer Identification Recognizing Genes Botanical Classification Signal Processing: Neural Filtering Biological Systems Analysis Ground Level Ozone Prognosis Odor Analysis and Identification Educational Teaching Neural Networks Neural Network Research College Application Screening Predict Student Performance Data Mining Energy Electrical Load Forecasting Energy Demand Forecasting Short and Long-Term Load Estimation Predicting Gas/Coal Index Prices Power Control Systems Hydro Dam Monitoring Otras Aplicaciones Prediction Classification Change and Deviation Detection Knowledge Discovery Response Modeling Time Series Analysis Sales and Marketing Sales Forecasting Targeted Marketing Service Usage Forecasting Retail Margins Forecasting Operational Analysis Retail Inventories Optimization Scheduling Optimization Managerial Decision Making Cash Flow Forecasting HR Management Employee Selection and Hiring Employee Retention Staff Scheduling Personnel Profiling

35 Aplicaciones ¿Qué tipo de problemas puede resolver una RN? 1.Se requiere tener respuestas en tiempo real. 2.Se trata de predecir el futuro. Todo problema donde se requiere aprender para luego actuar en situaciones parecidas. ¿Qué tipo de problemas puede no resolver una RN? 1.No se dispone de datos históricos. 2.Explicar lo que hace un sistema sin fuentes. 3.Procesar datos más rápidamente. Todo problema que puede ser resuelto usando sistemas de información o procedimiento de BD transaccionales

36 Referencias Pattern Classication. R. O.Duda,P. E. Hart, and D.G.Stork. John Wiley & Sons, 2nd ed., Pattern Recognition and Machine Learning, C. M. Bishop, Springer, (An additional useful book)

37 PREGUNTAS

38 Mg. Samuel Oporto Díaz


Descargar ppt "Introducción a las Redes Neuronales Mg. Samuel Oporto Díaz DESARROLLO DE SOLUCIONES INTELIGENTES."

Presentaciones similares


Anuncios Google