Académique Documents
Professionnel Documents
Culture Documents
PERO .......
¿Pero .....?
resultado deseado?
Introducción
LA EXPERIENCIA
Estudio del cerebro humano desde el punto de vista
de la computación
Cerebro Computador
Velocidad de = 10-2 seg. (100 Hz) =10-9 seg. (1000
Proceso MHz)
Estilo de Paralelo Secuencial
Procesamiento
# de Procesadores 10 11 - 1014 Pocos
Conexiones 10,000 por Pocas
procesador
Almacenamiento del Distribuido Direcciones fijas
conocimiento
Tolerancia a fallos Amplia Nula
Tipo de control del Auto organizado Centralizado
proceso
Introducción
La IA busca descubrir y describir aspectos de la inteligencia humana que
pueden ser simulados mediante máquinas.
Los sistemas neuronales toman las características esenciales de la estructura
neuronal del cerebro para emularlo en parte.
La Neurona biológica
Elementos Básicos
E S
N A
T L
R I
A D
D A
A S
S Parte
algorítmica
Aprendizaje adaptativo:
Capacidad de aprender a realizar tareas basadas en un entrenamiento o
en una experiencia inicial.
Una red neuronal no necesita un algoritmo para resolver su
problema, ya que puede generar su propia distribución de los
pesos de los enlaces mediante el aprendizaje.
Características
Auto organización:
Pueden crear su propia organización o representación de la información
que reciben mediante una etapa de aprendizaje.
Da lugar a la generalización: Para entradas poco claras o incompletas
Características
Tolerancia a fallos:
Estando la información distribuida por las sinapsis de la red, si una
sinapsis se daña solamente perdemos una pequeña parte de la
información.
Características
Procesamiento Paralelo:
Los cómputos neuronales pueden ser realizados en paralelo
Para esto se diseñan y fabrican máquinas con hardware especial para
obtener esta capacidad.
Elementos Básicos
Tipos de Neuronas
E I1 O1 S
N A
T L
R I2 O2 I
A . . . . . . D
D .
. . . . . . A
. . . . .
A S
S Im Om
Elementos de la neurona i:
Netj yi wji
i
Una regla de activación determina el nuevo
estado de activación aj (t+1) de la neurona,
teniendo en cuenta la entrada total
calculada y el anterior estado de activación
aj (t).
La Neurona Artificial
Neurona Uh
yh
Neurona Uj
wjh
Neurona Ui
F(aj(t), Netj) fj(aj(t+1))
yi Netj = = yj
wji
. aj (t+1) yj
.
. wjg
.
Neurona Ug
yg
APRENDIZAJE
dwij /dt = 0
APRENDIZAJE
Reglas de Aprendizaje:
Supervisado
No supervisado o autoorganizado
Aprendizaje Supervisado
y1
1
.
. wj1
.
yi wji
i yj
. wjn
.
. yn
Unidad Uj
n
Aprendizaje Supervisado por
Corrección de Error
P N
1
Errorglobal
2 P k 1 j 1
( yj dj )
(k ) (k ) 2
RNA lineales
Clasificación de Patrones
Predicción y Análisis financiero
Control y Optimización
Aplicaciones militares
Aplicaciones Médicas y Biomédicas
..........................
APLICACIONES
Peso /
FATP FDTP F<1día F<7 días F<27días
edad
< 1500 gr
< 2500 gr
> 2500 gr
CASO DE ESTUDIO
Administración de Servicio de
Perinatología
Estrategia:
Planteamiento del Problema
Requerimientos del sistema
Revisión bibliográfica
Elección del modelo: MLP con
aprendizaje BP
CASO DE ESTUDIO
Administración de Servicio de
Perinatología
Estrategia:
Datos disponibles y selección de
variables relevantes
Elección del conjunto de
aprendizaje y prueba.
Preprocesamiento: Tratamiento de
los datos para adecuarlos a la red
CASO DE ESTUDIO
Administración de Servicio de
Perinatología
Estrategia:
Entrenamiento: pesos, ritmo de
aprendizaje, cantidad de neuronas
ocultas
Evaluación de resultados