Post on 24-Jan-2016
REDES NEURONALES ARTIFICIALES
MsC. Ing. Jesús R. Rodríguez R.
Punto Fijo, Mayo 2012
REPUBLICA BOLIVARIANA DE VENEZUELAMINISTERIO DEL PODER POPULAR PARA LA DEFENSA
UNIVERSIDAD NACIONAL EXPERIMENTAL DE LAFUERZA ARMADA NACIONAL
NÚCLEO FALCÓN – EXTENSIÓN PUNTO FIJO
RESUMEN CURRICULARJESÚS R. RODRÍGUEZ R.
Ingeniero en Informática (2000) y Msc. En Ciencias de la Computación mención Inteligencia Artificial (2005) en la Universidad Centroccidental “Lisandro Alvarado ” (UCLA).
Analista de Sistemas Técnicos en PDVSA – CRP (Actualidad)Coordinador de unidades de Producción, SAIA Nacional Universidad “Fermín Toro” , 2003Miembro del personal Docente y de Investigación en el área de Inteligencia Artificial, Universidad Yacambú 2002 Coautor del trabajo “Un enfoque de Lógica Difusa para la asignación de presupuestos de capital” presentado en la LII convención anual de ASOVAC.Ponente en la Cátedra de Seminario. Con la ponencia sobre “Lógica Difusa y sus aplicaciones ” Ponente en las IV Jornadas de Investigación y Postgrado, con la ponencia “Optimización de Funciones Mediante la Utilización de Algoritmos Genéticos
Introducción
Introducción
Nuestro Cerebro (súper computadora)
Redes Neuronales Biológicas
Neurona Artificial
Súper-simplificación Analogía Metafórica Sorprendente poder de
cómputo
Redes Neuronales Artificiales
Redes Neuronales Artificiales
Redes Neuronales Artificiales
Redes Neuronales Artificiales
Topología Redes Neuronales Artificiales
Topología Redes Neuronales Artificiales
Tipos Redes Neuronales Artificiales
Características Redes Neuronales Artificiales
El estilo de procesamiento es mas bien como el de procesamiento de señales, no simbólico. La combinación de señales para producir nuevas señales contrasta con la ejecución de instrucciones almacenadas en memoria
La información se almacena en un conjunto de pesos, no en un programa. Los pesos se deben adaptar cuando le mostramos ejemplos a la red.
Las redes son tolerantes a ruido: pequeños cambios en la entrada no afecta drásticamente la salida de la red.
Los conceptos se ven como patrones de actividad a lo largo de casi toda la red y no como el contenido de pequeños grupos de celdas de memoria.
La red puede generalizar el conjunto de entrenamiento y así tratar con ejemplos no conocidos.
RNA son buenas para tareas perceptuales y asociaciones. Justamente con lo que se topa la computación tradicional.
Problemas en lo que se usa Redes Neuronales ArtificialesTres tipos de problemasa) OptimizaciónEn los problemas de optimización se trata de determinar una solución que
sea óptima. En la gestión empresarial, son decisiones de optimización encontrar los niveles adecuados de tesorería, de existencias, de producción, construir de carteras óptimas, etc.
b) ReconocimientoEn los problemas de reconocimiento se entrena una red neuronal con
inputs como sonidos, números, letras y se procede a la fase de test presentando esos mismos patrones con ruido. Este es uno de los campos más fructíferos en el desarrollo de redes neuronales y casi todos los modelos de red neuronal han sido aplicados con mayor o menor éxito.
c) GeneralizaciónEn los problemas de generalización la red neuronal se entrena con unos
inputs y el test se realiza con otros casos diferentes. Problemas típicos de generalización son los de clasificación y predicción. Son problemas de generalización tratar de predecir la quiebra de las empresas a partir de su información contable o la concesión de préstamos, la calificación de obligaciones, la predicción en los mercados de valores, etc.
Los libros de Refenes (1995) y Deboeck y Kohonen (1998) recogen una amplia colección de trabajos aplicados en contabilidad y finanzas.
Para el diseño de una Redes Neuronales Artificiales
Dado un conj. de EjemplosSeleccionar una arquitectura
adecuada:Tipo de conexión# neuronas/capa
Entrenar con TSValidar con VSProbar con TS
Para el diseño de una Redes Neuronales Artificiales
Dado un conj. de EjemplosSeleccionar una arquitectura
adecuada:Tipo de conexión# neuronas/capa
Entrenar con TSValidar con VSProbar con TS
Elementos:Conjunto de entradas, xjPesos sinápticos, wi
Función de activación: w1·x1+ w2·x2 + ... + wn·xn = a
Función de transferencia: y = F (w1·x1+ w2·x2 + ... + wn·xn )
Bias o polarización: entrada constate de magnitud 1, y peso b que se introduce en el sumador
Función de transferencia de las Redes Neuronales Artificiales
Principales funciones de transferencia:Lineal: y=kaEscalón: y = 0 si a<0; y=1 si a>=0SigmoideGaussiana.
Una neurona aislada dispone de poca potencia de cálculo.
Los nodos se conectan mediante la sinapsis Las neuronas se agrupan formando una
estructura llamada capa. Los pesos pasan a ser matrices W (n x m) La salida de la red es un vector: Y=(y1, y2, ... ,
yn)T
Y=F(W·X+b)
a1
a2
an
y1
y2
yn
Redes Neuronales Artificiales de una capa
Redes multicapa: capas en cascada.
Tipos de capas:◦ Entrada◦ Salida◦ Oculta
No hay realimentación => red feedforward◦ Salida depende de entradas y pesos.
Si hay realimentación => red recurrente Efecto memoria Salida depende también de la
historia pasada. Una RNA es un aproximador general de funciones no lineales.
Redes Neuronales Artificiales multi capas
Entrenamiento: proceso de aprendizaje de la red. Objetivo: tener un comportamiento deseado. Método:
Uso de un algoritmo para el ajuste de los parámetros libres de la red: los pesos y las bias.
Convergencia: salidas de la red = salidas deseadas. Tipos de entrenamiento:
Supervisado.Pares de entrenamiento: entrada - salida deseada.Error por cada par que se utiliza para ajustar parámetros
No-supervisado.Solamente conjunto de entradas.Salidas: la agrupación o clasificación por clases
Reforzado.
Redes Neuronales Artificiales Entrenamiento
Aprendizaje adaptativo: lo necesario es aplicar un buen algoritmo y disponer de patrones (pares) de entrenamiento.
Auto-organización => conduce a la generalización
Tolerancia a fallos: las redes pueden aprender patrones que contienen ruido, distorsión o que están incompletos.
Operación en tiempo real: procesan gran cantidad de datos en poco tiempo.
Facilidad de inserción en tecnología ya existente.
Redes Neuronales Artificiales Ventajas
Modelado de funcionesRegresiónPronóstico
ClasificaciónClasificación no supervisadaClasificación supervisada
Procesamiento de señales/imágenesFiltrado dinámico de señalesCompresión de datos
Clasificación supervisada
Clasificación no supervisada
PIB (US$)
Regresión
Pronóstico
Filtrado dinámico de señales
Aplicación deRedes Neuronales Artificiales
ÁREA PROBLEMA DE INTERÉS
CAMPO FINANCIERO
Detección de fraude Clasificación supervisada
Segmentación del mercado Clasificación no supervisada
Clasificación para créditos Clasificación supervisada
INDUSTRIA
Modelado y control de plantas Regresión
Robótica Clasificación supervisada, Regresión
ELECTRODOMÉSTICOS
Lavadoras Regresión
Hornos microondas Regresión
Cámaras digitales Clasificación no supervisada
Aplicación deRedes Neuronales Artificiales
ÁREA PROBLEMA DE INTERÉS
ÁREA DE SISTEMAS
Seguridad Clasificación supervisada, Clasificación no supervisada, Pronóstico, Filtrado dinámico de señales
Buscadores web (e.g., Google) Pronóstico, Identificación de patrones, Compresión de datos
Juegos (inteligencia artificial) Pronóstico, Identificación de patrones
MEDICINA
Diagnóstico médico Clasificación supervisada
Bioinformática Clasificación supervisada, Clasificación no supervisada, Regresión, Pronóstico, Filtrado dinámico de señales
Aplicación deRedes Neuronales Artificiales
Aplicación deRedes Neuronales Artificiales
Determinando el origen de un vidrio en la escena de un crimen:Se realizó un estudio forense en el cual se clasificó una muestra de fragmentos de vidrio provenientes de 6 tipos de vidrio, a través de 9 características, con el propósito de crear un clasificador que permita determina la clase a la cual pertenece un pedazo de vidrio tomado de una escena de un crimen
Atributos:RI Índice de refracciónNa Porcentaje de óxido de sodioMg Porcentaje de óxido de magnesioAl Porcentaje de óxido de aluminioSi Porcentaje de óxido de silicioK Porcentaje de óxido de potasioCa Porcentaje de óxido de calcioBa Porcentaje de óxido de barioFe Porcentaje de óxido de hierroTipo Codificado de 1 a 6
Los tipos de vidrio son: 1 : moldeados sobre un metal fundido 2 : no moldeados sobre un metal fundido 3 : ventana de un carro 4 : frasco 5 : vaso 6 : faro de vehículo
El problema es un caso de Clasificación supervisadaEl Perceptrón Multicapa
28/
40
Ejemplos de usos deRedes Neuronales Artificiales
Clasificación de ciudades de Estados Unidos por su criminalidad:Se realizó un estudio de la criminalidad en todos los estados con el propósito de agruparlos de acuerdo a sus índices de criminalidad. Los tipos de delitos considerados fueron:
Atributos:a) Asesinato
b) Violación
c) Robo a bancos
d) Asalto a mano armada
e) Robo a residencias
f) Hurto
g) Robo de vehículos
El problema es un caso de Clasificación no supervisadaEl Perceptrón Multicapa
29/
40
Ejemplos de usos deRedes Neuronales Artificiales
Trayectoria de un huracán:Se quiere conocer la trayectoria de un huracán, y para ello se dispone de las coordenadas de ubicación del centro del mismo en los últimos 10 días
El problema es un caso de Pronóstico
El Perceptrón Multicapa
30/
40
Ejemplos de usos deRedes Neuronales Artificiales
Conclusiones
Conclusiones
Preguntas y Respuestas
¡¡¡¡ Gracias por su atención!!!!¡¡¡¡ Gracias por su atención!!!!