Curso

Tpicos de Anlisis de datos

Prof: Richard F. Fernndez Vsquez
rffv.uni@gmail.com
UNIVERSIDAD NACIONAL DE INGENIERA

Facultad de Ingeniera Econmica, Estadstica y Ciencias Sociales
Escuela Profesional de Ingeniera Estadstica
REDES NEURONALES ARTIFICIALES
(RNAS)
1. INTELIGENCIA ARTIFICIAL
1. Inteligencia Artificial (IA)
Es una ciencia que intenta la creacin de programas
para mquinas que imiten el comportamiento y la
comprensin humana, que sea capaz de aprender,
reconocer y pensar.
Deben de ser capaces de simular
caractersticas que son
comnmente asociadas con la
inteligencia de la conducta
humana.

Usa una serie de tcnicas.
1. Inteligencia Artificial (IA)
Tcnicas de la IA

Sistemas Basados en Conocimiento.
Visin Computacional.
Procesamiento de Voz y Lenguaje Natural.
Lgica Difusa.
Redes Neuronales.
Computacin Evolutiva.
Sistemas Multiagente.
Robtica.
Aprendizaje Mecnico.
Tcnicas Heursticas (recocido simulado).
1. Inteligencia Artificial (IA)
2. REDES NEURONALES BIOLGICAS
2. Las Redes Neuronales Biolgicas
Se estima que el cerebro
humano est compuesto por
ms de cien mil millones de
neuronas interconectadas de
forma variable y compleja.

Procesa todo tipo de
informacin del mundo real.

Neuronas
Cmo funciona?
Color
Sabor
Olor
Sonido
Tersura
informacin
acciones
2. Las Redes Neuronales Biolgicas
Unidad de Procesamiento: La Neurona
Cuerpo
Dendritas
Axn
Seal
Sinapsis
(Informacin)
2. Las Redes Neuronales Biolgicas
Sinapsis
Regin donde las neuronas entran en contacto.
Los impulsos son transmitidos desde el axn
de una neurona hacia las dendritas de otra
neurona.
Efecto excitatorio: estimula la accin de la
neurona.
Efecto inhibitorio: efecto contrario.
axn
dendrita
2. Las Redes Neuronales Biolgicas
Las Redes Neuronales Biolgicas

Las transmisin de una seal de una neurona a otra en la
sinapsis es un proceso qumico altamente complejo.
Procesa todo tipo de informacin del mundo real.
Las teoras actuales sobre el aprendizaje nos dicen que su
efecto en el cerebro resulta de la modificacin de las
conexiones o sinapsis entre neuronas, lo que unido al
procesamiento de informacin de la neurona determinan el
mecanismo bsico de la memoria.

2. Las Redes Neuronales Biolgicas
3. REDES NEURONALES ARTIFICIALES
(RNAS)
Introduccin

Modelo matemtico inspirado en el funcionamientos de las
neuronas biolgicas.

Conformado por varias unidades de procesamiento
(neuronas) interligadas por conexiones (sinapsis).

Eficiente donde los mtodos tradicionales son considerados
inadecuados.

El aprendizaje se logra en la actualizacin de esos pesos.
3. Las Redes Neuronales Artificiales
Introduccin

ANN: Artificial Neural Networks

Las RNAs son el resultado de lo intentos por reproducir
mediante computadoras el funcionamiento del cerebro
humano.
La propiedad del cerebro humano ms buscada en las RNAs es
la capacidad de aprender de la experiencia y generalizar a
partir de ella.
Han pasado a ser una buena herramienta para comprender y
poder predecir un complejo sistema de variables que estn
interrelacionados.
3. Las Redes Neuronales Artificiales
Qu me aportan las RNAs?

No necesito linealidad.

No necesito cumplimiento de hiptesis iniciales (Normalidad,
independencia, etc).


Pero no lo resuelven siempre todo
Costo computacional, no es rentable
3. Las Redes Neuronales Artificiales
3. Las Redes Neuronales Artificiales
Se basan en el siguiente modelo:

La informacin se procesa en elementos simples llamados
neuronas (nodos).
Las seales o inputs, xi, i=1,2,,n se transmiten entre las
neuronas a travs de conexiones.
Cada conexin tiene asociado un peso wij que representa la
intensidad de la seal recibida correspondiente al input i en la
neurona j.
3. Las Redes Neuronales Artificiales
Se basan en el siguiente modelo:

El aprendizaje se realiza mediante el ajuste de los pesos que
ponderan las conexiones entra las neuronas que componen la
red.
El algoritmo de aprendizaje es el mtodo por el que se
obtienen los ajustes ptimos evitando tener que supervisar
todo el proceso. Este mtodo consta de una serie de pasos
sencillos e iterativos.

3. Las Redes Neuronales Artificiales
Se basan en el siguiente modelo:

Cada neurona j suma todas las seales recibidas, la sumatoria
wij*xi procedentes de otras neuronas y las transforma
mediante una funcin de activacin f, para determinar la
seal de salida output que transmite a otras neuronas, donde
el proceso se repite. Tras la interaccin de las neuronas que
componen la red, la seal o respuesta se transmite al exterior.
Elemento Procesador (RNA)
n
k
1
u
.
.
.
.
.
.
X1
Xk
Xn
W1u
Wku
Wnu
Entrada Neta u = Xi Wiu

n
i 1
Yu = f (Entrada Neta u )
Yu = f ( Xi Wiu )

n
i 1
Yu
3. Las Redes Neuronales Artificiales
Funcin de Transferencia
n
k
1
u
.
.
.
.
.
.
X1
Xk
Xn
W1u
Wku
Wnu
Entrada Neta u = Xi Wiu

n
i 1
Yu = f (Entrada Neta u )
Funcin de Activacin o Transferencia
Yu = f ( Xi Wiu )

n
i 1
Yu
3. Las Redes Neuronales Artificiales
Conexiones

Semejantes a la sinapsis.
Las unidades son conectadas a travs de conexiones.
Conexiones poseen valores asociados (pesos).
Tipos de conexiones:
excitatorias w
ij
> 0
inhibitorias w
ij
< 0
inexistentes w
ij
= 0
wij
3. Las Redes Neuronales Artificiales
3. Las Redes Neuronales Artificiales
Para procesar la informacin, las neuronas se organizan en
capas:

Capa de entrada: transmite las variables input utilizadas.
Capa de salida: presenta el output final.
Capas ocultas: se encuentran entre la capa de entrada y de
salida y son las que procesan la informacin.

Arquitectura: Perceptrn Multicapa
Capas Ocultas
Capa de Salida
Capa de
Entrada
Neurona Oculta
3. Las Redes Neuronales Artificiales
Qu son las Redes Neuronales Artificiales?
3. Las Redes Neuronales Artificiales
Qu es una Red Neuronal Artificial?

Conjunto de procesadores sencillos, organizados en capas y
altamente interconectados, que son capaces de aprender y
generalizar la relacin desconocida entre variables a partir de
ejemplos reales.
El objetivo de la red es aprender a asociar un vector input X, a
un vector output Y, a partir de la interaccin entre las
neuronas, W. Esto es dada la funcin de activacin f, la red es
entrenada para buscar una matriz de pesos W.
Con las funciones suma y transferencia se obtienen las salidas
correspondientes a cada neurona.

3. Las Redes Neuronales Artificiales
Cada nodo individual es un modelo que relaciona un nmero
de inputs hacia un output.
La estructura de un nodo es una combinacin lineal seguido
por una transformacin.
3. Las Redes Neuronales Artificiales
Modelo de neurona artificial inspirada en una neurona biolgica
Neuronas intermedias
Neuronas de
salida
Neuronas de
Entrada
Conexiones
Arquitectura RNA
3. Las Redes Neuronales Artificiales
Aprendizaje
El aprendizaje consiste en mejorar los coeficientes de la
red hasta minimizar la FUNCIN DE ERROR dada por:
J = 1 / 2 (Y
k -
y
k
)
2
Wij = Wij - J

Wij

Ratio de Aprendizaje
3. Las Redes Neuronales Artificiales
ENTRADA

OCULTA SALIDA

10
+
11
A+

12
B+
13
C

1
+

2
X1+

3
X2
COMBINACION
ACTIVACION
tanh(
1
+

2
X1+

3
X2)
=A

4
+

5
X1+

6
X2 tanh(
4
+

5
X1+

6
X2)
=B

7
+

8
X1+

9
X2
tanh(
7
+

8
X1+

9
X2)
=C

COMBINACION
COMBINACION ACTIVACION
COMBINACION ACTIVACION
X1
X2
Cmo Funcionan?
PROB
FRAUDE
3. Las Redes Neuronales Artificiales
Aplicaciones en Marketing

Segmentacin y deteccin de pblico objetivo.
Investigacin y modelizacin del comportamiento del
consumidor.
Previsin de ventas.
Toma de decisiones en marketing (lanzamientos de productos,
etc)
Modelos de respuesta publicitaria.
3. Las Redes Neuronales Artificiales
Preguntas?