Redes Neuronales

Geovany Cusin
Bermeo William
Jorge Oña
Contenido

 Introducción
 Fundamentos-Modelo Biológico
 Definición
 Estructura Artificial
 Funciones de Activación
 Elementos de una Red Neuronal
Contenido

 Tipos de Redes por su Topologia

 Red Neuronal Multicapa
 Red Neuronal Monocapa
 Tipos de Redes por su Conexión.
 FeedForward
 FeedBack
 Mecanismo de Aprendizaje
Introducción

 Otra forma de emular características propias de los

humanos: memorizar y asociar hechos.
 Se aprende de la experiencia.
 El cerebro humano es el ejemplo más perfecto de
sistema capaz de adquirir conocimiento.
 Se modela artificialmente ese sistema.
 Fundamentos - El modelo
biológico

 El cerebro humano
contiene más de cien
mil millones de
neuronas.
 La clave para el
procesamiento de la
información son las
conecciones entre ellas
llamadas sinápsis.
Fundamentos - Estructura
Fundamentos-
Funcionamiento
Definición

 Una red neuronal es "un nuevo sistema

para el tratamiento de la información,
cuya unidad básica de procesamiento está
inspirada en la célula fundamental del
sistema nervioso humano: la neurona".
 Las neuronas son un componente
relativamente simple pero conectadas de
a miles forman un poderoso sistema.
 Tienen la capacidad de aprender y
mejorar su funcionamiento.
Estructura Neurona Artificial

  

 
 
 
 
 Funciones de activación

 θi representa un desplazamiento o umbral de

activación (sesgo o bias).
 Se puede pensar θi como el peso w0i que conecta
una neurona imaginaria x0 con a0(t) = 1.
Función de activación escalón
Funciones de activación identidad y
lineal-mixta
Funciones de activación identidad y
lineal-mixta
Función de activación sigmoidal
Elementos de una red
neuronal
 Se interconectan neuronas en tres tipos de capas:
 De entrada: reciben estímulos externos.
 Oculta: elementos internos de procesamiento (se
pueden estructurar en varias capas).
 De salida: reciben la información procesada y
retornan la respuesta del sistema al exterior.
Características de las RNA

 Topología.
 Número de capas.
 Número de neuronas por capa.
 Tipo de conexiones. Normalmente, todas las neuronas
de una capa reciben señales de la capa anterior (más
cercana a la entrada) y envían su salida a las neuronas
de la capa posterior (más cercana a la salida de la red).
 Tipo de aprendizaje.
 Tipos de Redes Neuronales
Red neuronal Monocapa

   

   

 
Tipos de Redes Neuronales

Red Neuronal Multicapa

Formas de conexión entre
neuronas
 Las salidas de las neuronas se convierten en
entradas de otras neuronas.
 Cuando ninguna salida de las neuronas es entrada
de neuronas del mismo nivel o de niveles
precedentes, la red se describe como propagación
hacia adelante (feedforward).
 En caso contrario la red se describe como
propagación hacia atrás (feedback).
Redes feedforward.
 Las más conocidas son:
 Perceptrón
 Adaline
 Madaline
 Backpropagation
 Son útiles en aplicaciones de reconocimiento o
clasificación de patrones.
Redes feedback.

 Las más conocidas son:

 Las redes ART
 Bidirectional Associative Memory (BAM)
 Cognitron
 Este tipo de redes se diferencia en las anteriores en
que si pueden existir conexiones de capas hacia
atrás y por tanto la información puede regresar a
capas anteriores en la dinámica de la red. Este Tipo
de redes suelen ser bicapas.
Regla de aprendizaje

 Biológicamente se acepta que la información

memorizada en el cerebro se relaciona con los
valores sinápticos de las conexiones.
 En las RNA se considera que el conocimiento se
encuentra representado en los pesos de las
conexiones.
 El proceso de aprendizaje se basa en cambios en
estos pesos.
Métodos de Aprendizaje

 Generalmente no se puede cambiar la tipología de

la red (entradas y salidas), para obtener el resultado
(decisión).
 Sin embargo lo que se hace es asignar pesos a las
entradas, de tal manera que estas influyan o
ayuden a obtener la decisión final.(Si es apto o no
para el crédito, según el ejemplo).
Métodos de Aprendizaje
Importantes
 Aprendizaje Supervisado (on line).- Puede
aprender durante su funcionamiento habitual
(ejecución).
 No Supervisado (off line).- Maneja pesos
estáticos, no presentan problemas de estabilidad en
su funcionamiento.
 Fase de aprendizaje/entrenamiento (conjunto de datos
de entrenamiento)
 Fase de operación/funcionamiento (conjunto de datos
de prueba).
 Fórmula para cambios de pesos:
 Peso nuevo = Peso viejo + Cambio de peso
Elección del Conjunto
Inicial de Pesos
 Antes de comenzar el proceso de entrenamiento se
debe tener en consideración el dar pesos iniciales a
cada entrada de la red neuronal. Eso se realiza
mediante diversos criterios, uno de ellos podría ser
el dar pesos aleatorios, mismos que deberían estar
dentro de un intervalo conocido.
Detención del Proceso de
Aprendizaje (Criterio de Detención)

 El proceso de entrenamiento puede detenerse

cuando el error cuadrado de todos los ejemplos ha
alcanzado su mínimo valor.
 Otro método podría ser estableciendo un valor
umbral, dicho valor de error deberá estar por debajo
del valor umbral.
 Dependiendo el número de corridas exitosas que ha
tenido el proceso de entrenamiento. Una vez
detenido el proceso de entrenamiento los pesos no
deberán ser modificados.
Validación de la Red
Neuronal
Ejercicio de Red
Neuronal en R