Académique Documents
Professionnel Documents
Culture Documents
1. Aproximaciones (estimaciones, regresiones, etc.) 2. Clasificacin. Se caracterizan por: 1. Un estado interno: activada (1) o desactivada (0). 2. Seales de entrada 3. Funciones de activacin y transferencia. Una Red Neuronal puede trabajar en dos modos: 1. Aprendizaje 1.1. Supervisado 1.2. No supervisado 2. Simulacin
Funciones Bsicas
.
Funcin de activacin
()
Funcin de transferencia
1 0 1 0
0 1 1 0
1 1 2 0
Dado que La salida estar dada por: ( ) Para el OR con un y para el AND con un { solucionamos nuestro problema.
Nota: La funcin XOR (o exclusivo) no se puede representar mediante este mtodo porque no es linealmente separable. Ver la figura a continuacin.
XOR
Aprendizaje
Capacidad de una neurona (o red neuronal) para ajustar las conexiones (pesos) de modo de obtener una respuesta deseada o que satisfaga ciertos criterios. 1. Regla de Hebb (1949) Cuando una neurona i repetida y persistentemente excita a una neurona j algn proceso de crecimiento o metablico se produce en una o ambas neuronas de modo que la eficiencia de excitacin de i sobre j aumenta.
Las RNA pueden trabajar en dos modos: 1. Aprendizaje: adapta sus pesos; su arquitectura; sus funciones de activacin y transferencia 2. Reconocimiento o simulacin: se usa la RNA para procesar informacin Aprendizaje de RNA: 1. Supervisado (va ejemplos) 2. No-Supervisado
Supervisado Hopfield Adaline-Perceptron MLP TDNN LVQ RBF LVQ (Learning Vector Quantization)
No-Supervisado
): )
4. Entrenamiento Problemas: a. Sesgo: se debe aumentar prudentemente el nmero de neuronas en capa oculta
Mtodos a. Validacin cruzada b. Parada temprana c. Regularizacin: se trata de agregar trminos a la funcin objetivo de tal manera que al minimizarla se penalice la cantidad de parmetros que tenga el modelo. d. Poda: se trata de agregar trminos a la funcin objetivo de tal manera que al minimizarla se penalice la cantidad de parmetros que tenga el modelo. 5. Generalizacin Hay dos mtodos tpicos: a. OSA: un paso adelante b. MPO: mltiples pasos adelantes
Metodologas de modelacin
1. Modelacin terica o fundamental Se usa teora aceptada por las ciencias que subyacen el fenmeno Caractersticas: Se requiere ayuda de expertos Fcilmente generalizable Comprensin del fenmeno o proceso
2. Modelacin emprica o experimental Observaciones directas > ecuaciones Solo informacin entrada-salida Mtodos de desarrollo: algortmicos, numerosos y diversos -> identificacin Modelos lineales de orden reducido No-generalizables 3. Modelacin combinada (descriptivos) Frecuentemente utilizada La estructura se define por modelacin terica Parmetros <- experimentacin
Perceptron Mono-capa
Frank Rossenblat, 1957
Red de 3 capas, la ltima de ellas con funcin de transferencia de tipo umbral lgico diseada para tarea de clasificacin.
Luego,
B A A B B
Mtodos de optimizacin
1. Deterministas 1.1. Primer orden Trabajan con la primera derivada 1.2. Segundo orden Trabajan con la segunda derivada. Son ms lento en cada iteracin (respecto a los de primer orden), pero toman muchas menos iteraciones, lo cual a la larga los hace ms rpidos. Son ms difciles de implementar (programar) y requieren ms recursos. 2. Estocsticos