Descargar la presentación
La descarga está en progreso. Por favor, espere
1
Redes Neuronales Artificiales
Dr. Juan José Flores Romero División de Estudios de Posgrado Facultad de Ingeniería Eléctrica
2
Curso Redes Neuronales Artificiales
CONTENIDO Introducción Aprendizaje Perceptrones mono-nivel Perceptrones multi-nivel Otras Arquitecturas Redes Neuronales
3
Redes Neuronales Artificiales
1.- INTRODUCCION Inteligencia Artificial Redes Neuronales
4
Cerebro Humano 1011 Neuronas (procesadores) Poder desconocido
1000 – conecciones por neurona Redes Neuronales
5
Neuronas Redes Neuronales
6
Neuronas Artificiales
Súper-simplificación Analogía Metafórica Sorprendente poder de cómputo Redes Neuronales
7
A Very Brief History William James (1890): Describe (en palabras y figuras) redes distribuídas simples y el aprendizaje de Hebbian. McCulloch & Pitts (1943): Unidades binarias con barrera de activación que realizan operaciones lógicas (prueban computación universal!). Hebb (1949): Formulación de una regla fisiologica (local) de aprendizaje. Rosenblatt (1958): El Perceptrón—la primera máquina real que aprende. Widrow & Hoff (1960): ADALINE y la regla Widrow-Hoff de aprendizaje supervisado. Minsky & Papert (1969): Las limitaciones del perceptrón—el “Invierno Neuronal” v.d.Malsburg (1973): Mapas Auto-organizables. Grossberg (1980): Theoría de la Resonancia Adaptiva. Hopfield (1982/84): Redes de Atractores. Teoría de patrones de asociación y memoria. Kohonen (1982): Mapas Auto-organizables. Rumelhart, Hinton, & Williams (1986): Backpropagation Redes Neuronales
8
Características de RNAs
El estilo de procesamiento es mas bien como el de procesamiento de señales, no simbólico. La combinación de señales para producir nuevas señales contrasta con la ejecución de instrucciones almacenadas en memoria La información se almacena en un conjunto de pesos, no en un programa. Los pesos se deben adaptar cuando le mostramos ejemplos a la red. Las redes son tolerantes a ruido: pequeños cambios en la entrada no afecta drásticamente la salida de la red. Los conceptos se ven como patrones de actividad a lo largo de casi toda la red y no como el contenido de pequeños grupos de celdas de memoria. La red puede generalizar el conjunto de entrenamiento y así tratar con ejemplos no conocidos. RNA son buenas para tareas perceptuales y asociaciones. Justamente con lo que se topa la computación tradicional. Redes Neuronales
9
Arquitecturas de RNAs Perceptrones de un solo nivel Redes Neuronales
10
Arquitecturas de RNAs Perceptrones de varios niveles Redes Neuronales
11
Arquitecturas de RNAs Redes Recurrentes Redes Neuronales
12
Representación de Conocimiento
Conocimiento = Información Almacenada Modelos Tarea = Aprender un “Modelo del Mundo” Conocimiento: Del mundo (información a priori) Observaciones (ejemplos) Ejemplos: Etiquetados (respuesta deseada) Sin etiqueta Ejemplos (+ y -): Entrenamiento (Training Set) Validación (Validation Set) Prueba (Test Set) Redes Neuronales
13
Diseño de una RNA Dado un conj. de Ejemplos
Seleccionar una arquitectura adecuada: Tipo de conexión # neuronas/capa Entrenar con TS Validar con VS Probar con TS Redes Neuronales
14
IA y RNAs IA -> desarrollar máquinas que realizan tareas cognitivas para las cuales los humanos son aptos. Representación IA Aprendizaje Razonamiento Redes Neuronales
15
Modelo de una Neurona Redes Neuronales
16
Bias (Sesgo) Redes Neuronales
17
Funciones de Activación
Redes Neuronales
18
RNAs como Gráficos Dirigidos
Redes Neuronales
19
Problema 1. Redes Neuronales
20
Problema 2. Redes Neuronales
21
Problema 3. Redes Neuronales
22
Problema 4. Redes Neuronales
23
Problema 5. Redes Neuronales
Presentaciones similares
© 2024 SlidePlayer.es Inc.
All rights reserved.