Académique Documents
Professionnel Documents
Culture Documents
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
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.
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
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
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
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
Analoga Neurobiolgica
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