Académique Documents
Professionnel Documents
Culture Documents
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?