Redes Neuronales - Facultad de Ciencias-UCV

Redes Neuronales
¿Qué son?
Tradicionalmente se refiere a una red dentro de nuestro sistema nervioso, el cual
puede procesar y transmitir información.
●
En inteligencia artificial, paradigma que trata de emular la estructura y
características del sistema nervioso con el fin de alcanzar una funcionalidad similar
en la resolución de problemas.
●
Las redes neuronales artificiales consisten de grupos interconectados de
neuronas artificiales que utilizan un modelo matemático o computacional para el
procesamiento de información basado en el conexionismo.
●
¿Qué es el conexionismo?
El conexionismo es un conjunto de enfoques en los ámbitos de la inteligencia
artificial, psicología cognitiva, ciencia cognitiva, neurociencia y filosofía de la mente,
que presenta los fenómenos de la mente y del comportamiento como procesos que
emergen de redes formadas por unidades sencillas interconectadas.
● Hay muchas formas de conexionismo, pero las formas más comunes son los
modelos de redes neuronales.
●
Redes Neuronales
Neurona Biológica
Cuerpo celular o
soma
El cerebro consiste de un conjunto densamente interconectado de neuronas
(aproximadamente 10 billones de neuronas y 60 trillones de conexiones)
Redes Neuronales
Proceso de transmición de informacion entre neuronas
Redes Neuronales
- Las señales son propagadas de una neurona a otra mediante reacciones
electroquímicas complejas.
- Las sustancias químicas liberadas de las sinapsis causan un cambio en el
potencial eléctrico del cuerpo celular.
- Cuando el potencial alcanza un umbral, se produce un impulso eléctrico que se
envía a través del axón.
Importante: Las redes neuronales exhiben plasticidad
En respuesta a estímulos externos, las neuronas modifican la fuerza de sus
conexiones (intensidad sináptica). También pueden formar nuevas conexiones.
Este mecanismo forma la base para el aprendizaje en el cerebro
Redes Neuronales
Warren McCulloch y Walter Pitts, 1943
●
●
●
Introdujeron un modelo simplificado de las Redes Neuronales.
Son generalmente reconocidos como los creadores de la primera Red Neuronal
Artificial.
Combinaron varias unidades de procesamiento sencillas con la finalidad de
obtener un incremento en poder computacional.
Dendritas = canal de entrada
Axón = canal de salida
Soma = procesador
Redes Neuronales
Warren McCulloch y Walter Pitts, 1943
La red McCulloch/Pitts carece de varias caracterísitcas:
●
●
●
●
●
Input y Output no binario
Suma no lineal.
Umbral Suavizado.
Procesamiento de información temporal y estocástica.
Aprendizaje.
¿Como manejar el aprendizaje?
En 1949, Donald Hebb desarrollo la primera regla de aprendizaje para Redes
Neuronales, consistía en que si dos neuronas se encontraban activas al mismo
tiempo, entonces la fuerza de la conexión entre ellos debía ser incrementado.
En los 50s y 60s, varios investigadores (Block, Minsky, Papert y Rosenblatt)
trabajaron en Perceptron. Durante su investigación desarrollaron una regla de
aprendizaje basado en pesos sinápticos, la cual retornaba mejores resultados que la
desarrollada anteriormente por Hebb. Actualmente la mayoría de las redes
neuronales basan su aprendizaje en esta regla.
Redes Neuronales
Elementos de una Red Neuronal Artificial
Una red neuronal está conformado por entradas/salidas, pesos sinápticos, función
de entrada, función de activación y función de salida.
Redes Neuronales
Entradas/Salidas
Binarias
Reales
Pesos sinápticos
Intensidad de la conexión entre neuronas
Función de entrada
Calcula la entrada a la neurona
(potencial postsináptico).
Producto interno
Distancia Euclídea
(h)
Función de activación
Proporciona el estado de
activación de la neurona.
(f)
Función de salida
(F)
Proporciona la salida global de
la neurona. Generalmente se
utiliza la función identidad
Escalón
Escalón simétrico
Identidad
Sigmoide
Sigmoide bipolar
Gaussiana
Redes Neuronales
Salidas
Entradas
Monocapa
Entrada
Salida
Multicapas
Entrada
Ocultas
Salida
Estructura por capas
Arquitectura
Patrón de interconexión
(determina el flujo de
información)
Conexiones hacia adelante
Conexiones hacia atrás
(recurrentes)
Conexiones laterales
Redes Neuronales
Supervisado
Modos de operación
Aprendizaje (actualización
de los pesos)
No supervisado
Híbrido
Ejecución o recuerdo
Existen diferentes tipos de redes neuronales
Supervisadas
No supervisadas
Híbridas
Perceptron
Adaline
Perceptron multicapa
Mapas de Kohonen
Hopfield
ART (teoría de resonancia adaptativa)
BAM (Memoria asociativa bidireccional)
Red de función de base radial
LVQ (aprendizaje de vectores de cuantificación)