Professional Documents
Culture Documents
Redes neuronales
Aprendizaje artificial
Prerrequisito
Identificacin de caractersticas comunes de un determinado objeto. Ejemplo: - Silla: tiene espaldar, tiene patas,etc. - Huella dactilar: lneas rugosas (crestas) , core, delta, etc.
Temas:
Prembulo Concepto. Objetivos de la red. Funciones de propagacin . Modelo biolgico de la neurona. Usos de redes neuronales. Trabajo Grupal. Trabajo de investigacin.
Prembulo
Un
nio en clase le decimos que vea varias veces las diferentes sillas y le decimos que eso es una silla, como ya identific sus caractersticas del objeto entonces cuando llegue a su casa y vea algo similar dir: ese es una silla.
ENTONCES APRENDI
Concepto
Las
redes neuronales consisten en una simulacin de las propiedades observadas en los sistemas neuronales biolgicos a travs de modelos matemticos recreados mediante mecanismos artificiales (como un circuito integrado, un ordenador o un conjunto de vlvulas). Inicios en el siglo XIX con SANTIAGO RAMN Y CAJAL.
Objetivos
Conseguir
que las mquinas den respuestas similares a las que es capaz de dar el cerebro que se caracterizan por su generalizacin y su robustez, en el proceso de aprendizaje.
Tener en cuenta
Una red neuronal lo que trata es de imitar el comportamiento mecnico ( biolgico) de la neurona y en su conjunto. El comportamiento del conjunto de neuronas se les llama redes neuronales , y si es plasmado en un modelo artificial , entonces se le llamara redes neuronales artificiales. Las soluciones que puede dar una red neuronal biologica.
Funcin de activacin:
Reajuste de pesos: wij (t) = wij(t-1)+2 e (Ti) xj ; donde: wij (t) = peso nuevo wij (t-1) = peso actual e = factor de aprendizaje Ti = salida deseada. xj = entrada actual.
Definicin de funciones
Funcin de propagacin.
Ex citatoria: El valor nuevo a procesar es positivo. Inhibitoria: El valor nuevo a procesar es negativo.
Funcin de activacin: Modifica el anterior, tenemos: Escalonada, gaussiana, sigmoidea, tangente hiperblica , etc. Funcin de transferencia: De acuerdo a la funcin que valor te va a dar, tal como sigmoidea te da [0,1] o la tangente
La manera de propagacin de una red neuronal es: 1) Recibe los patrones de entrada a la neurona. 2) Inicialmente se genera los pesos de manera aleatoria [0,1] para cada una de las dendritas. 3) Se suman de manera Y = Xi*Wi ; i=1.. n
dendritas. 4) Este valor Y se evala con la funcin de transferencia y respecto a ello se ve si es excitatoria o inhibitoria con respecto al factor de aprendizaje. 5) El valor de salida de esta funcin viene a
5.1.- Si es que el valor obtenido en la funcin de transferencia no es el deseado, entonces se deben reajustar sus pesos. Ejemplo: En una tabla lgica AND.
X1 1 X2 1 X1 AND X2 1
1
0 0
0
1 0
0
0 0
X1 1
1
X2 0
0
X1 AND X2 0
0
Obtenido 0
1
Deseada ( T ) 0
0 reajustar pesos
Hay que tomar en cuenta que tiene una caracterstica de uso para cada tipo de red neuronal. Los que tenemos:
Perceptor: Valido para resolver problemas de tipo lineal en coordenadas booleanas. Kohonen: Resaltante para diferenciar formas, tal como figura geomtrica, tipos de huellas dactilares, etc. Neocognitron: Resaltante para el reconocimiento de caracteres
Entre otros tenemos el modelo SOM (SelfOrganizing Maps) (Mapas auto organizados):
Modelo presentado por Teuvo Kohonen, entre otras utilidades tenemos como diferenciar figuras geomtricas, tipos de huellas dactilares. Caracterizndose por no tener un gua para su proceso de aprendizaje ejecutndose de manera autnoma. Caso contrario para el BackPropagation que necesita tener un gua para su proceso de aprendizaje.
? preguntas