RED NEURONAL

Automatizacin de Procesos Administrativos 3

25/05/2012 CEI Suger Montano Byron Roberto Morales Ramos IDE 08470010 Tutor 00705 Lic. Arturo Cortez

TABLA DE CONTENIDO

Contenido
Qu es una neurona biolgica? _____________________________________________ 3 Analogas entre biolgicas y artificiales _______________________________________ 3 Cmo trabaja una neurona artifical? ________________________________________ 3
Qu es una red neuronal? ______________________________________________________ 4

Inspiracin biolgica ______________________________________________________ 4

Organizacin por niveles: _______________________________________________________ 4

Topologa _______________________________________________________________ 5 Modelado Neuronal _______________________________________________________ 5 Enfoques ________________________________________________________________ 5

Aprendizaje: __________________________________________________________________ 6 Paradigmas de aprendizaje: _____________________________________________________ 6 Aprendizaje supervisado: _______________________________________________________ 7 Aplicar regla de aprendizaje:_____________________________________________________ 7 Aprendizaje no supervisado: _____________________________________________________ 7 Algoritmos de aprendizaje ms comunes: __________________________________________ 7 Ventajas que aportan las RN _____________________________________________________ 8

INTRODUCCIN

Documento que contiene la descripcin de que significa Red Neuronal, cual es su funcin y cuando se utiliza, ampliaremos el tema y buscaremos la definicin adecuado. Buscando dejar claro cual es el concepto y que beneficios y valores agrega al ser humano a nivel empresarial.

Qu es una neurona biolgica?

La neurona biolgica: Pequeas unidades de procesamiento Composicin: o Canales de entrada: dendritas o Ncleo o Canal de salida: axn o Conexin: Sinapsis

Analogas entre biolgicas y artificiales

Neuronas Biolgicas Neuronas Conexiones sinpticas Efectividad de las sinapsis Efecto exitatorio o inhibido de una conexin Efecto combinado de las sinapsis Activacin Tasa de disparo Neuronas Artificiales Unidades de procesamiento Conexiones ponderadas Peso de las conexiones Signo del peso de una conexin Funcin de propagacin o de RED Funcin de activacin Salida

E N T R A D A S

I 1
I 2

P E S O S

N E U R O N A j

W j 1 W j2
. . .

s j

S A L I D A

f
F U N C I N D E T R A N S F E R E N C I A

O j

I n

W jn

b j

Cmo trabaja una neurona artifical?

El primer modelo fu el de McCulloch-Pitts: El resultado del clculo en una neurona consiste en realizar una suma ponderada de las entradas, seguida de la aplicacin de una funcin no-lineal.

Qu es una red neuronal?

Una red neuronal es un sistema compuesto de muchos elementos simples de proceso operando en paralelo cuya funcin est determinada por la estructura de la red, los pesos de las conexiones, y el procesado realizado en los elementos o nodos de clculo.

Redes Neuronales en la IA
Ramas de la Inteligencia Artificial en sus inicios: Simblica-deductiva Sistemas formales de reglas y manipulacin Simblica Rama ms conocida de la IA Conexionista Inspirada en las redes neuronales biolgicas Mtodos Inductivos: a partir de ejemplos

Inspiracin biolgica
Neuronas: rbol dendrtico de entradas Un axn de salida Sobre de104 sinapsis Comunicacin mediante Potenciales de Accin (PA) Periodo refractario de 10-3 segundos entre PAS. Transmisin neuronal: Impulso elctrico que viaja por el axn Liberacin de neurotransmisores Apertura/cierre de canales inicos Variacin potencial en dendrita Integracin de entradas en soma Si se supera umbral de disparo se genera un PA

Red Neuronal Biolgica:

De 1010 a 1011 neuronas 1014 sinapsis Organizacin por capas

Organizacin por niveles:

Sistema Nervioso Central (SNC) Circuitos entre regiones Circuitos locales Neuronas rboles dendrticos Microcircuitos neuronales Sinapsis

Canales inicos Molculas

Caractersticas SNC: Inclinacin a adquirir conocimiento desde la experiencia Conocimiento almacenado en conexiones sinpticas Gran plasticidad neuronal Comportamiento altamente no-lineal Alta tolerancia a fallos (muerte neuronal) Apto para reconocimiento, percepcin y control.

Topologa
Hay tres tipos: Dos tipos de redes de propagacin hacia delante o acclicas. Monocapa. Ejemplos: perceptrn, Adaline. Multicapa. Ejemplos: perceptrn multicapa. Las redes recurrentes que presentan al menos un ciclo cerrado de activacin neuronal. Ejemplos: Elman, Hopfield, mquina de Bolzman.

Modelado Neuronal
Una red neuronal artificial (RNA) es un sistema de procesamiento de informacin que tiene ciertas aptitudes en comn con las redes neuronales biolgicas: El procesamiento de informacin ocurre en muchos elementos simples llamados neuronas. Las seales son transferidas entre neuronas a travs de enlaces de conexin. Cada conexin tiene un peso asociado, el cual, tpicamente, multiplica a la seal transmitida. Cada neurona aplica una funcin de activacin (usualmente no lineal) a su entrada de red (suma de entradas pesadas) para determinar su salida.

Enfoques
Computacional: Modelos eficientes, potentes y simples reas de aprendizaje inductivo y reconocimiento de patrones Cognitivo: Interesado por capacidades cognitivas de los modelos Centrados en representacin del conocimiento Biocognitivo:

Premisa la plausibilidad biolgica Psicofisiolgico: Mecanismos naturales de procesos cognitivos reales Neurona Artificial: Grupo de entradas (x) Pesos sinpticos (w) Funcin suma (net) Funcin de activacin (act) Una nica salida (y) Funcionamiento en modo aprendizaje o ejecucin Neurona Natural vs. Artificial: Neurona = Unidad de proceso Conexiones sinpticas = Conexiones Pesadas Efectividad sinptica = Peso sinptico Exitatorio/Inhibitorio = Pesos + Efecto combinado de sinapsis = Funcin suma Activacin-> Ratio disparo = Funcin activacin -> salida Arquitecturas Neuronales: Segn e/o/s Nmero y tipo de entradas Elementos ocultos Elementos de salida Segn conectividad entre capas Feedforward (hacia adelante) Redes Recurrentes Estructuras Enrejadas (Lattice) Arquitecturas Neuronales: Segn conexin entre capas Totalmente conectados (full-conexin) Parcialmente conectados Conexin uno a uno Sincrona (actualizacin de valores) Simultnea Aleatoria Segn orden topolgico

Aprendizaje:
Estimulacin de la RN por el entorno Cambios en la RN debido a estimulacin Nueva forma de responder debido a cambios de la estructura interna de la RN

Paradigmas de aprendizaje:
Aprendizaje Supervisado Aprendizaje por Reforzamiento Aprendizaje Auto-organizado (No Supervisado) Pre calculado o prefijado

Aprendizaje supervisado:
Se presentan pares de patrones de entrada y salida deseada Pasos: Fijar pesos aleatorios las conexiones Seleccionar par de entrenamiento Presentar patrn de entrada y calcular salida Calcular error o discrepancia con la salida deseada

Aplicar regla de aprendizaje:

Dudosa plausibilidad biolgica Requiere propagar informacin hacia atrs Requiere de instructor

Aprendizaje no supervisado:
Se presentan slo patrones de entrada basado en la redundancia en las entradas Aprendizaje extrae de los patrones Familiaridad con patrones tpicos o promedios del pasado Anlisis de las Componentes Principales Clustering Prototipos, correspondientes a las categoras existentes Codificacin Mapa de Caractersticas Grandes plausibilidades biolgicas

Algoritmos de aprendizaje ms comunes:

Perceptrn multicapa o Backpropagation (BPN) Aprendizajes supervisados bajo correccin de error Mapas Auto-organizados (SOM) Aprendizajes competitivos no supervisados Extractores de caractersticas (GHA ICA) Aprendizajes hebbianos no supervisados Propiedades y Capacidades Generalizacin Estructura altamente paralela No linealidad Mapeo de Entrada-Salida Adaptabilidad Respuesta graduada Informacin Contextual Tolerancia a fallos Implementacin VLSI Uniformidad en el Anlisis y Diseo

Analoga Neurobiolgica

Ventajas que aportan las RN

Aprendizaje Adaptativo: capacidad de aprender a realizar tareas basadas en un entrenamiento o en una experiencia inicial. Auto-organizacin: una red neuronal puede crear su propia organizacin o representacin de la informacin que recibe mediante una etapa de aprendizaje. Tolerancia a fallos: la destruccin parcial de una red conduce a una degradacin de su estructura; sin embargo, algunas capacidades de la red se pueden retener, incluso sufriendo un gran dao.

CONCLUSIONES

Es un documento nos permite entender que existen dos clases de Redes Neuronales, que son Biolgicas y Artificiales, las cuales emulan un proceso o movimiento sincronizado con un objetivo y el logro de la meta. Los cual traduce con pequeas actividades y entrenamientos en ciertas actividades se pueden lograr grandes objetivos. Desde el simple pensamiento hasta realizar el movimiento y desde una maquina programando una rutina esperada.

BIBLIOGRAFA

www.universidaddecantabria.com.es www.aplicacionesempresarialesavanzadas.com.mx www.institutoastrofisicadecantabria.com.es