Sesin 11

Redes neuronales
Aprendizaje artificial

Ing: Huarote Zegarra Ral.

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.

Modelo biolgico de neurona

El ser humano posee aproximadam ente cien mil millones de neuronas.

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.

Comparativa del modelo biolgico con el matemtico

Ncleo Dendritas (conexin con otras neuronas Receptoras) Axn Sinapsis (conexin con otras neuronas Emisora) Proceso de sumatoria Recibe los nuevos pesos sinpticos Funcin de transferencia Sinapsis (conexin con otras neuronas)

Modelo artificial de la neurona

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

Propagacin de una red neuronal

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

Propagacin de una red neuronal

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

Tipos de redes neuronales

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

Modelos de redes neuronales

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.

Caractersticas de redes neuronales

Debemos de tener en cuanta sus capas:

Para los modelos de hoy por la complejidad de problemas que se presenta, requieren necesariamente ser multicapa. Para una capa es el Perceptron simple.

Usos de una red neuronal.

Usos desde los mas simples, hasta los mas complejos.

Para no ir tan lejos, para hacer el reconocimiento de nuestra huella dactilar ( para marcar asistencia), viene interiormente una huella dactilar. Para el reconocimiento de rostros en una escena. Para el reconocimiento de cheques, si es que es verdadero y falso tu firma. Para la identificacin de tipos de

Usos de una red neuronal.

Usos desde los mas simples, hasta los mas complejos.

Uso en el campo de la biometra.
Huellas dactilares, Retina. Rostro

Uso en el campo de la medicina

Aprendizaje de casos de enfermedades ( sntomas relacionado con una enfermedad ) Reconocimiento de una anomala. Etc.

? preguntas

Tarea de clase ( agrupados de 4)

Realizar el proceso de aprendizaje de una red neuronal perceptor simple para el caso del conector booleano and, considerar verdadero = 1 y falso = -1. Iniciar los pesos con W1 = 1.2, W2 = 1.2 y umbral = -0.4 y factor de aprendizaje =0.5 Opinar de cada uno de los casos presentados en el proceso de

Investigacin para la siguiente sesin

Realizar manualmente el proceso de aprendizaje usando red neuronal perceptrn simple para el conector booleano OR. Investigar, por que no se puede realizar con la red neuronal perceptron simple el conector lgico XOR.