1/67 mg. samuel oporto díaz lima, enero 2006 redes neuronales artificiales
TRANSCRIPT
![Page 1: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/1.jpg)
11 /67/67
Mg. Samuel Oporto Díaz Lima, enero 2006
Redes Neuronales Redes Neuronales ArtificialesArtificiales
![Page 2: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/2.jpg)
22 /67/67
Tabla de Contenido
1. Objetivos
2. Inteligencia Natural
3. Inteligencia Artificial
4. Redes Neuronales
5. Aplicaciones
6. Tipos de Redes Neuronales• Redes de Nivel Simple• Redes de Nivel Múltiple
![Page 3: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/3.jpg)
33 /67/67
Objetivos
• Exponer los aspectos básicos de la inteligencia natural.• Situar la Inteligencia artificial como una disciplina
orientada a la emulación de la inteligencia natural.• Presentar a las redes neuronales como una técnica
inspirada en las neuronas naturales.• Presentar el modelo matemático de las redes
neuronales.• Exponer las redes neuronales de nivel simple y de
múltiples nivel.
![Page 4: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/4.jpg)
44 /67/67
INTELIGENCIA NATURAL
![Page 5: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/5.jpg)
55 /67/67
¿Inteligencia?
• Es la facultad que tienen las personas de conocer, analizar, comprender situaciones.
• Es un conjunto de habilidades, destrezas y experiencias sobre cierto dominio.
• Es la capacidad de resolver problemas.
¿tienen inteligencia los animales?
¿el libre albedrío es inteligencia?
¿la conciencia de si mismo es inteligencia?
![Page 6: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/6.jpg)
66 /67/67
Aspectos de la Inteligencia Natural
1. Percepción y Aprendizaje
2. Memoria y Asociación
3. Comunicación
4. Solución de problemas
5. Razonamiento
6. El pensamiento abstracto.
7. Conciencia
8. Imaginación o Creatividad
![Page 7: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/7.jpg)
77 /67/67
¿?
• ¿Donde se genera la inteligencia?• ¿Donde se almacenan los datos?• ¿Cómo se procesa la información?• ¿Cómo se inicia una nueva acción?• ¿Cómo se inicia un nuevo pensamiento?
![Page 8: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/8.jpg)
88 /67/67
Cerebro Humano
• 1011 Neuronas (procesadores)
• Poder desconocido• 1000 – 10000
conecciones por neurona
• Capacidad basada en las conexiones.
• Cada neurona es muy compleja.
• Almacenamiento redundante.
• No binario, no estable y no síncrono.
![Page 9: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/9.jpg)
99 /67/67
Neuronas
¿Cómo funciona ?
Color
Sabor
Olor
Sonido
Tersura
información
acciones
Conexiones
![Page 10: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/10.jpg)
1010 /67/67
Unidad de Procesamiento: La Neurona
Cuerpo
DendritasAxon
Señal
Sinapsis
(Información)
![Page 11: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/11.jpg)
1111 /67/67
Neurona en Reposo
![Page 12: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/12.jpg)
1212 /67/67
Potencial de acción
Na+K+
Na+K+
Na+K+Na+K+
Na+K+Na+K+
![Page 13: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/13.jpg)
1313 /67/67
Propagación del potencial de acción
![Page 14: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/14.jpg)
1414 /67/67
Sinapis
• Región donde las neuronas entran en contacto– Los impulsos son transmitidos desde el
axón de una neurona hacia las dentritas de otra neurona.
– Efecto excitatorio: estimula la acción de la neurona.
– Efecto inhibitorio: efecto contrario
axón dendrita
![Page 15: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/15.jpg)
1515 /67/67
Conexiones del Sistema Nervioso.
GENÉTICO.• El niño nace con un conjunto de conexiones por defecto
(definidas genéticamente)
EXPERIENCIA.• Nuevas conexiones se crean en el proceso de
aprendizaje.• Las conexiones se refuerzan con la repetición.• Las conexiones se refuerzan cuando se crean redes de
resonancia.
![Page 16: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/16.jpg)
1616 /67/67
• adaptabilidad • aprendizaje continuo
• distribución del procesamiento y del “almacenamiento”• alta redundancia• plasticidad (creación/modificación de sinapsis).• tolerante a fallas
• 10 a 100 billones de neuronas, cada una conectado a otras 10.000 neuronas
• Los humanos pierden prox. 1000 neuronas por dia.
Características del Sistema Nervioso
![Page 17: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/17.jpg)
1717 /67/67
Aprendizaje
Patrones de actividad.• Ésta forma de aprendizaje es la que explica la memoria de corto
plazo.
Cambios físicos y químicos en las neuronas.• En este aprendizaje se modifican las conexiones entre unidades
haciendo que grupos de neuronas se vuelvan más o menos eficientes para excitar o inhibir a otras neuronas.
• Explica la memoria de largo plazo.
Creación de nuevas conexiones.• En este aprendizaje se crean nuevas conexiones.
![Page 18: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/18.jpg)
1818 /67/67
INTELIGENCIA ARTIFICIAL
![Page 19: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/19.jpg)
1919 /67/67
Inteligencia Artificial
• Es una ciencia que intenta la creación de programas para máquinas que imiten el comportamiento y la comprensión humana, que sea capaz de aprender, reconocer y pensar.
• Se orienta a la construcción de entidades inteligentes como a su comprensión.
• Usa una serie de técnicas.
![Page 20: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/20.jpg)
2020 /67/67
Técnicas de la IA
• Sistemas Basados en Conocimiento.• Visión Computacional• Procesamiento de Voz y Lenguaje Natural• Lógica Difusa• Redes Neuronales• Computación Evolutiva• Sistemas Multiagente• Robótica• Aprendizaje Mecánico.• Técnicas Heurísticas (recocido simulado)
![Page 21: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/21.jpg)
2121 /67/67
Modelos Inspirados en la Naturaleza
• Neuronas Red Neuronal• Evolución Natural Algoritmo genético• Experiencia Sistema Experto• Razonamiento Lógica Difusa• Enfriamiento de metales Recocido Simulado• Hormigas Colonia de Hormigas
![Page 22: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/22.jpg)
2222 /67/67
REDES NEURONALES
![Page 23: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/23.jpg)
2323 /67/67
Redes Neuronales.
• Intento de producir sistemas de aprendizaje inspirados en la naturaleza (basado en modelos abstratos de cómo
pensamos y cómo funciona el cerebro)• Modelo matemático inspirado en el funcionamientos de
las neuronas biológicas• Conformado por varias unidades de procesamiento
(neuronas) interligadas por conexiones (sinapsis)• Eficiente donde los métodos tradicionales son
considerados inadecuados.• El aprendizaje se logra en la actualización de esos
pesos.
![Page 24: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/24.jpg)
2424 /67/67
Red Neuronal
Neuronas intermedias
Neuronas de salída
Neuronas de Entrada
Conexiones
Arquitectura
![Page 25: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/25.jpg)
2525 /67/67
Elemento ProcesadorEntrada / Función de Transferencia / Salida
Señal
Entrada Salida
f
elementoprocesador
![Page 26: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/26.jpg)
2626 /67/67
Elemento ProcesadorEntrada / Función de Transferencia / Salida
![Page 27: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/27.jpg)
2727 /67/67
Elemento Procesador
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
![Page 28: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/28.jpg)
2828 /67/67
Función 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 )
Función de Activación o Transferencia
Yu = f ( Xi Wiu )
n
i 1
Yu
![Page 29: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/29.jpg)
Entrada Neta u = Xi Wiu
p
i 1
y = f ( Xi Wiu )
p
i 1
Elemento Procesador
Na+K+
Na+K+
Na+K+Na+K+
Na+K+Na+K+
![Page 30: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/30.jpg)
3030 /67/67
Entrada Neta u = Xi Wiu
n
i 1y = f ( Xi Wiu )
n
i 1
Elemento Procesador
![Page 31: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/31.jpg)
3131 /67/67
Valores de entrada / salida
• Las señales de e/s de una RNA son generalmente números reales
• Estos números deben encontrarse dentro de un intervalo
• típicamente entre [0,1] o [–1,1]
• Técnica de codificación mas simples es la binaria
2 5 9 3 0 5
6 2 1 3 5 4
3 4 5 7 3 1
5 5 2 3 1 4
![Page 32: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/32.jpg)
3232 /67/67
Conexiones
• Semejantes a la sinapsis.
• Las unidades son conectadas a través de conexiones
• Codifican el conocimiento de la red– conexiones poseen valores asociados (pesos)
• Tipos de conexiones
– excitatorias wij > 0
– inhibitorias wij < 0
– inexistentes wij = 0
wij
![Page 33: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/33.jpg)
3333 /67/67
Aprendizaje
¿Cómo aprenden?
Depende del tipo de red
![Page 34: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/34.jpg)
3434 /67/67
APLICACIONES
![Page 35: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/35.jpg)
3535 /67/67
Aplicaciones
• Se usan para la clasificación y reconocimiento de patrones.
• Problemas donde es importante el patrón más que los datos exactos.
• Aplicaciones:1. Clasificación.2. Predicción3. Clustering4. Aproximación de curvas5. Optimización.6. Reconocimiento de patrones.
![Page 36: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/36.jpg)
3636 /67/67
Clasificación
![Page 37: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/37.jpg)
3737 /67/67
Predicción
![Page 38: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/38.jpg)
3838 /67/67
Clustering
![Page 39: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/39.jpg)
3939 /67/67
Aproximación de curvas
![Page 40: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/40.jpg)
4040 /67/67
Optimización
![Page 41: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/41.jpg)
4141 /67/67
TIPOS DE REDES NEURONALES
![Page 42: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/42.jpg)
4242 /67/67
Topologia o Arquitectura de RNClasificación de RN por el tipo de sus Conexiones
A) Redes Feedforward (No recurrentes) Conexiones unidireccionales:
Una Capa:Perceptron, Adaline (ADAptive LInear Neuron),
Multicapa: MLP
![Page 43: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/43.jpg)
4343 /67/67
B) Redes Feedback (recurrentes)
Presenta conexiones de Retorno
Topologia o Arquitectura de RNClasificación de RN por el tipo de sus Conexiones
![Page 44: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/44.jpg)
4444 /67/67
Tipos de Aprendizaje Artificial
Aprendizaje Supervizado
Aprendizaje No Supervizado
??
![Page 45: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/45.jpg)
4545 /67/67
Aprendizaje Supervizado
• Se logra comparando la salida de la red con la respuesta correcta ya conocida por el MAESTRO.
• La diferencia de esta comparación permite ajustar los pesos de las conexiones entre sus neuronas, para buscar una salida mas aproximada a la correcta.
• El aprendizaje se da a través de un proceso iterativo de ajuste aplicado a sus pesos sinápticos
![Page 46: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/46.jpg)
4646 /67/67
Aprendizaje No Supervizado
• No requiere influencia externa para ajustar sus pesos de las conexiones entre sus neuronas.
• No recibe ninguna información del entorno que le indique si la salida generada respecto a una determinada entrada es o no correcta.
• Por ello se dice que estas RN son capaces de Autoorganizarce.
![Page 47: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/47.jpg)
4747 /67/67
• Redes de nivel simple• Redes de Multiple nivel• Redes recurrentes
Tipos de Redes Neuronales
![Page 48: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/48.jpg)
4848 /67/67
REDES DE NIVEL SIMPLE
![Page 49: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/49.jpg)
4949 /67/67
Perceptrón
• Separa espacio con hiperplanos
y = f ( w1 u1 + w2 u2 + ... + wn un ), f(s) = { 1 si s0, 0 si s<0 }
• Puede incluir offset w0.
• Importante históricamente– estudiado muy detalladamente (Minsky y Papert ‘69)
• Es un clasificador lineal en 2 clases.– bueno si patrones linealmente separables– problema XOR
wt.u=0
u1
u2
![Page 50: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/50.jpg)
5050 /67/67
Perceptrón
![Page 51: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/51.jpg)
5151 /67/67
Perceptrón
![Page 52: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/52.jpg)
5252 /67/67
Perceptrón
![Page 53: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/53.jpg)
5353 /67/67
Perceptrón
![Page 54: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/54.jpg)
5454 /67/67
Perceptrón
![Page 55: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/55.jpg)
5555 /67/67
Adaline
• Adaptive Linear Element• Estructura:
– Como un Perceptrón pero con función lineal a la salida.
• Permite trabajar con problemas más generales que usando el perceptrón.
ippip
ppp
n
iii
xytw
ytE
wxwy
2
01
21
y=0
![Page 56: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/56.jpg)
5656 /67/67
Adaline
![Page 57: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/57.jpg)
5757 /67/67
Adaline
![Page 58: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/58.jpg)
5858 /67/67
REDES DE MÚLTIPLE NIVEL
![Page 59: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/59.jpg)
5959 /67/67
Perceptrón Multicapa
• Werbos (1972)• Red lineal• Activaciones dependen:
– entradas– activaciones de neuronas
precedentes
• Derivadas ordenadas backpropagation
1
2
3
4
57
6Wij
1 Wij2
u1
u2
y1
y2
Wij3
u1
u2
y1
y21 2 3 4 5 6 7
i
i
j
ni
kkikjijii uwxwfx
1
1 1
0
![Page 60: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/60.jpg)
6060 /67/67
Perceptrón Multicapa
w11=1 w12=1w21=1 w22=1
w31=1 w32=-1.5b1=0.5 b2=1.5 b3=0.5
![Page 61: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/61.jpg)
6161 /67/67
Retropropagación
• Procedimiento para encontrar el vector gradiente de una función error asociada a la salida de la red con respecto a los parámetros de la misma
• El nombre backpropagation surge pues el cálculo se hace en el sentido inverso de la red, propagándose desde los nodos de salida hacia los nodos de entrada
• Esto permite poder aplicar a posteriori alguno de los muchos métodos de optimización con gradiente para obtener el comportamiento deseado de la red
![Page 62: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/62.jpg)
6262 /67/67
Retropropagación
f()
entradasPesos
k = capa
sumatoria
constanteb
función detransferenciaresultado
net =ok(n)salida
calculadayk(n)
x1(n)wk1 (n)
x2(n)
x3(n)
wk2 (n)
wk3 (n)ek(n) = dk(n) – yk(n)
salidadeseadadk(n)
ek(n)
![Page 63: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/63.jpg)
6363 /67/67
Función de transferencia
![Page 64: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/64.jpg)
6464 /67/67
Aprendizaje
entrada neta a ij i
salida de i
error de la salida k
error total
regla de aprendizaje
η: velocidad de aprendizaje
![Page 65: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/65.jpg)
6565 /67/67
Regla de Aprendizaje
Si j es una unidad de salida
Si no
![Page 66: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/66.jpg)
6666 /67/67
CONCLUSIONES
• Las redes neuronales se aplican a resolver problemas de reconocimiento de patrones.
• Las redes neuronales de nivel simple, permiten reconocer patrones donde el espacio puede ser divido en dos por un hiperplano.
• Las redes neuronales de múltiple nivel pueden reconocer patrones del tipo XOR.
• El aprendizaje de la red se realiza modificando los pesos de las conexiones.
• La arquitectura de la red es la disposición de las neuronas (capas y elementos por capa)
![Page 67: 1/67 Mg. Samuel Oporto Díaz Lima, enero 2006 Redes Neuronales Artificiales](https://reader034.vdocuments.pub/reader034/viewer/2022051314/54e39fde4a7959ea5c8b5756/html5/thumbnails/67.jpg)
6767 /67/67
PREGUNTAS