Comparación de Modelos Neuronales Utilizadas en la Toma de Decisiones

Presentación del tema: "Comparación de Modelos Neuronales Utilizadas en la Toma de Decisiones"— Transcripción de la presentación:

1 Comparación de Modelos Neuronales Utilizadas en la Toma de Decisiones
Cátedra de Inteligencia Artificial Carlos M. Vicentín Darío A. Quintana Juan Carlos Insfran

2 Agenda Marco Teórico Propuesta de implementación Conclusión
Red Hopfield Red BackPropagation Propuesta de implementación Conclusión

3 Redes de Hopfield Características Monocapa Tiene n Número de neuronas
Modelo Original: Discret Hopfield Función de Activación: Escalón No son Auto-recurrentes Las salidas de las neuronas se comunican con todas las demás pero no consigo misma

4 Redes de Back Propagation
Características Redes multi-capas Propagación hacia delante Aprendizaje supervisado Auto-Adaptación de los pesos de capas intermedias En funcionamiento: Provee salidas satisfactorias a entradas que no ha visto nunca en su etapa de entrenamiento

5 Una propuesta Desarrollo de un software que de soporte a las decisiones de otorgamiento de crédito de una Empresa financiera

6 ¿Por qué usar Redes Neuronales?
No existen relaciones directas entre cada posible configuración del modelo de cliente y su correspondiente perfil. Existen ejemplos de distintos casos de asignación de créditos.

7 Detalle del Modelo de Cliente
Características Descripción Edad Importante para evaluar el resto de las características. Nacionalidad Característica necesaria a la hora de evaluar la historia de un cliente. Estado Civil Refleja el grado de responsabilidades a cargo y cultura del cliente. Personas a Cargo Implica el compromiso de un egreso patrimonial del cliente. Situación Laboral Importante para determinar el grado en que puede cancelar el crédito. Años de Antigüedad Refleja la solides del desempeño laboral del cliente, respecto a la edad actual. Situación en VERAZ Refleja el grado de endeudamiento y compromisos financieros con otras empresas. Ingreso Salarial Medida en la que el cliente puede cancelar la cuota con un ingreso mensual propio, y el grado de dependencia hacia un garante. Inmuebles Grado en que el cliente puede cancelar la deuda ante alguna irregularidad. Muebles Ídem Inmuebles, con la diferencia que éste último posee mayor liquides. Créditos Cancelados Refleja la historia financiera en la cancelación favorable de los créditos en la Empresa. Créditos Vigentes Grado de compromisos financieros respecto a las características anteriores.

8 Implementación de una Red Neuronal Hopfield
Cada característica se corresponda con una Neurona de Hopfield. Se discretizaron las características Por Ejemplo: Edad 21 a 40 años 41 a 60 años Mayor que 61 años

9 Implementación de una Red Neuronal Backpropagation
Cada característica se corresponde con una neurona de entrada (12 neuronas)

10 Herramientas de Desarrollo
Plataforma .Net Lenguaje C# XML.

11 Arquitectura del Software
Interfaz Grafica de Usuario Win Forms Lógica de Negocio Implementación de los algoritmos de ambas Redes Neuronales (Entrenamiento y Reconocimiento) Persistencia Archivos XML

12 Conclusión Hopfield BackPropagation

13 Aspectos a Considerar Aspectos Hopfield Backpropagation
Complejidad en la implantación Simple. Esto es debido al tipo de entrenamiento, una vez hecha la estructura de datos correspondiente solo resta por encontrar una buena configuración de patrones de entrenamiento. Compleja, ya que se requiere un tiempo considerable debido a la metodología prueba y error para la determinación de la cantidad de capas ocultas, números de neuronas en las mismas y valor de los factores de aprendizaje y momento. Recursos computacionales Mínimos. Todo el procesamiento en Hopfield se resume a cálculos matriciales. Altos, esto es respecto a la fase de entrenamiento, la cual requiere n iteraciones hasta que la red converja. Una vez entrenada la red, el funcionamiento (reconocimiento) puede ejecutarse con recursos computacionales mínimos. Rendimiento Según los experimentos realizados, Hopfield cuenta con un rendimiento favorable de tan solo el 50%. Ante los mismos patrones de pruebas la BPN presento un rendimiento favorable del 100%.

14 ¿ Preguntas ? carlosvicentin@yahoo.com.ar darioquintana@gmail.com