REDES NEURONALES

Una red neuronal artificial es una herramienta diseada para

emular la forma en que el cerebro humano funciona

Cmo funciona el cerebro humano ?

Cmo aprende el ser humano ?

Dnde se guarda el conocimiento ?

Por qu es tan eficiente el cerebro humano ?

El cerebro humano est compuesto por una gran cantidad de elementos
bsicos denominados neuronas

Bsicamente las neuronas estn formadas por:

Un cuerpo central o Ncleo

Un mecanismo de conexin con

otras neuronas (sinapsis):

Axn y dendritas
Los estmulos recibidos en el cerebro son
transmitidos entre las neuronas mediante las
conexiones sinpticas.

Cuando una neurona es estimulada libera una

pequea cantidad de un componente qumico
(neurotransmisor). Este viaja a travs del axn
hasta llegar a las dendritas de otras neuronas en las
cuales el proceso se repite.

Este proceso sirve para incrementar o

disminuir la relacin entre las neuronas
involucradas en el.

As, ante un determinado estmulo ciertas

neuronas se activan y otras se inhiben
 Ejemplo

Respuesta
Estmulo 1

Estmulo 2
Respuesta
Mediante un proceso de aprendizaje se logran establecer los
niveles correctos de activacin-inhibicin de las neuronas

Cuando este proceso se completa entonces ante determinados

estmulos sabemos como responder y aprendemos

El conocimiento adquirido est entonces en los niveles de

relacin entre las neuronas logrados durante el proceso de
aprendizaje

El cerebro es entrenado por repeticin de estmulos !

Ejemplo: Los nios !

 Cmo puede ser el cerebro tan eficiente ?

Por la enorme cantidad de neuronas (aprox. 100 billones) y

la manera en que estn interconectadas (aprox. 60 trillones
de sinapsis)

Por la capacidad de organizarse, construir reglas y aprender

de la experiencia

Qu es y cmo construir una red neuronal artificial?

Emulando entonces el funcionamiento del cerebro construiremos
redes neuronales artificiales interconectando elementos de
procesamiento ms bsicos como las neuronas.

Feedforward neural network Kohonen network

Hopfield network

Para entender las redes neuronales artificiales es necesario

entender y modelar las unidades ms bsicas o neuronas
artificiales
MODELO DE UNA
NEURONA
Dendritas: Pesos sinpticos:
Para recibir el estmulo o Cada dendrita tendr un peso wj
establecer las conexiones
sinpticas para guardar el conocimiento adquirido

w1

w2

Axn:
wm Para enviar la
respuesta

Ncleo:
Para procesar la
informacin
 Excepto en las tareas basadas en el calculo aritmetico simple, actualmente, el cerebro
humano es superior a cualquier computador:
Reconocimiento de imagenes,
Interpretacion de sonidos,
En general en tareas de percepcion, etc.
Ningun algoritmo conocido es capaz de emular de manera flexible estas funciones.

Caracteristicas del cerebro:

Robusto. Su funcionamiento no se ve alterado ante fallos de pequefia importancia.
Flexible. Se adapta con facilidad a un entorno cambiante.
Puede tratar con informacion ambigua o incompleta.
Pequefio, compacto y consume poca potencia.
 Las Redes Neuronales surgen como un intento de desarrollar sistemas que emulen las
caracteristicas del cerebro, para conseguir su sofisticada capacidad de procesamiento
de informacion.
Sistemas convencionales de Inteligencia Artificial frente a las Redes Neuronales:
Los sistemas convencionales de IA pretenden modelar las funciones de la mente humana
con independencia de la estructura fsica en el que esta basada (cerebro).
Para las redes neuronales la inteligencia surge de la interaccion de millones de celulas
nerviosas que componen el cerebro.
La pretension de las Redes Neuronales es sintetizar un sistema que realice la estructura
neuronal del cerebro y desarrolle un equivalente algoritmico de los procesos de
reconocimiento y aprendizaje. (Realidad, imitacion de las capacidades del cerebro).
Definicion:
Una red neuronal es una estructura de procesamiento de informacion paralela y distribuida,
que intenta emular las funciones computacionales elementales de la red nerviosa del
cerebro humano, en base a la interconexion de multitud de elementos de procesamiento,
cada uno de los cuales presenta un comportamiento completamente local.
 Descripcin del Sistema Nervioso
El cerebro humano tiene un numero de neuronas del orden de 1011 (cien mil millones).
Estructura basica de una neurona.

Axon
Dendritas Soma

Funcionamiento:
Cada celula se enlaza con otras celulas a traves de las ramificaciones de su axon.
El enlace se realiza mediante las uniones sinapticas o sinapsis.
El efecto en la celula receptora es la elevacion o disminucion de un potencial electrico
dentro del soma. Cuando este potencial alcanza un cierto umbral, la celula emite a su vez
un pulso de intensidad y duracion determinadas.
La velocidad de propagacion de las sefales en el sistema nervioso es un millon de
veces menor que en un computador.
Cada neurona esta conectada a entre 1.000 y 10.000 neuronas El grado de
conectividad del cerebro es muchisimo mayor que el del mas grande de los
supercomputadores actuales.
 Aprendizaje de una Red Neuronal
Diferencia sustancial entre los modos de desarrollo de una red neuronal y una
aplicacion de software:
La Red No Se Programa Sino Que Se Entrena
En un computador, el procesamiento de datos se basa en la ejecucion de un programa,
que no es sino una lista ordenada de instrucciones que realiza un cierto algoritmo.
Redes neuronales: Solucion para problemas complejos dificilmente programables.
Multitud de elementos muy simples interconectados.
Procesamiento no lineal.
Se denomina aprendizaje o entrenamiento de la red al ajuste de los pesos sinapticos,
que determina el grado de conexion entre las neuronas de la red.
Se distinguen dos tipos de aprendizaje:
Supervisado: Tipico de las redes concebidas para el ajuste de datos o la clasificacion de
items etiquetados.
No-Supervisado:Redes en las que los datos no tienen a priori ninguna clasificacion.
El numero de capas y neuronas de la red se realiza tras una serie de ensayos y
observando sus resultados.
 Tipos Bsicos de Redes Neuronales
Redes Unidireccionales (Feedforward Networks)
Usadas para transformar un conjunto de datos especificado en otro tambien especificado.
El aprendizaje es supervisado y tiene lugar a traves de un proceso de ajuste de los pesos
sinapticos de las neuronas de la red.
Su arquitectura tipica es de una red multicapa.
Prototitpo: Perceptron multicapa.
Redes Recurrentes (Feedback Networks)
Concebidas para almacenar eficientemente informacion.
La red funciona como un sistema dinamico cuyos puntos de equilibrio representan los
registros almacenados.
Su arquitectura tipica es la de una red monocapa con una gran realimentacion.
Prototipo: Red de Hopfield.
Redes Auto-Organizadas (Self-Organizing Networks)
Uso: Estructurar la informacion que se presenta a la red en conjuntos a priori desconocidos.
El entrenamiento es mediante un aprendizaje no supervisado denominado competitivo.
Cada neurona tiene un cierto grado de conexion con neuronas colaterales.
 Inspiracin biolgica
Entender el cerebro y emular su potencia

Cerebro:
Gran velocidad de proceso
Tratamiento de grandes cantidades de informacin
procedentes de:
Los sentidos
Memoria almacenada
Capacidad de tratar situaciones nuevas
Capacidad de aprendizaje
 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.
Laurene Fausett
 DILEMA
Aritmtica 1 cerebro=1/10 calculadora de
CALCULO

bolsillo
Visin 1 cerebro=1000 supercomputadores

Datos cerebro mucho peor

MEMORIA

Direccionada por cerebro mucho mejor

contenido
Arquitectura Von Newman
BUS
BUS

CPU
CPU MEM
MEM E/S
E/S E/S
E/S

Unico nodo de procesamiento (800Mhz)

Bus deMdatos:
Bus deem oriaCuello
datos:
Cuello pasiva(Secuencialidad)
de Botella de Botella
(Secuencialidad)
Baja conectividad
 Cerebro

1010 neuronas (10ms)

104 dendritas
1014 pesos de conexin
Los pesos almacenan y
procesan
 Definicin
Computacin neuronal:
Computacin
Computacinen en redes
redes masivas
masivas paralelas
paralelas de
de
procesadores
procesadoressimples
simplesyy nonolineales,
lineales,que
que
almacenan
almacenan todo
todosu
sucontenido
contenidoenenlos
lospesos
pesos
de
deconexin
conexin

Propiedades:
Eliminacin del cuello de botella
Inteligencia artificial llevada al lmite
 Propiedades de las RN
Procesamiento de un gran conjunto de datos
Baja densidad de informacin
Robustez ante fallo en estructura
Robustez ante inconsistencia en los datos de
entrada
Datos y reglas de procesamiento confundidos en
las conexiones
Procesamiento altamente paralelo
Capacidad de Autoorganizacin. Adaptabilidad
Cuando usar Redes Neuronales?
Cuando se quiere desarrollar un modelo
(funcional, clasificador, prediccin de serie
temporal,...)
Ejemplos
Finanzas: Modelos de mercado
Ingeniera: Modelado de procesos y control
adaptativo
Medicina: Diagnosis
Cuando usar Redes Neuronales?

En anlisis de datos con baja densidad de

informacin
Ejemplos:
Reconocimiento de imgenes
Reconocimiento de firmas
Anlisis de encuestas
Prediccin meteorolgica