Introducción a las Redes Neuronales Artificiales

Introducción a las Redes

Neuronales Artificiales

Alejandro Peña P., PhD.

[email protected]

Patricio García Baéz, PhD.

[email protected]

Grupo de Investigación en Inteligencia

Computacional y Robótica (GICR)

Escuela de Ingeniería de Antioquia

Introducción a las Redes Neuronales y

sus Aplicaciones

Alejandro Peña P.

Contenido

Redes Neuronales e IA.

Inspiración Biológica.

Modelado Neuronal.

Neurona Natural vs.

Neurona Artificial

Neurona Artificial

Arquitecturas Neuronales.

Métodos de Aprendizaje

Implementación

Ventajas

Áreas de Trabajo

Implementación y

Aplicaciones

Aplicaciones

Desarrollo de Biochips

Futuro de las RNA

Bibliografía

Redes Neuronales en la Inteligencia Artificial

Las Redes Neuronales aparecieron de la mano de la Inteligencia

Artificial en sus inicios como:

• Sistemas formales de reglas y manipulación simbólica.

• Rama más conocida de la Inteligencia Artificial.

Las Redes Neuronales aparecieron en la Inteligencia

Computacional (Softcomputing) como:

• Sistemas Inspirados en las redes neuronales

biológicas.

• Métodos Inductivos: aprendizaje a partir de ejemplos.

Ambas tratan de resolver problemas no algorítmicos a partir de la

experiencia almacenada como conocimiento.


sus Aplicaciones

Alejandro Peña P.

Contenido



Modelado Neuronal.

Neurona Natural vs.

Neurona Artificial

Neurona Artificial



Implementación

Ventajas

Áreas de Trabajo

Implementación y

Aplicaciones

Aplicaciones


Futuro de las RNA

Bibliografía

Inspiración Biológica

«Entender el cerebro y emular su comportamiento»

El cerebro presenta las siguientes ventajas que son deseables

para los sistemas computacionales:

• Gran velocidad de procesamiento.

• Tratamiento de grandes cantidad de información provenientes

de los sentidos y de la memoria almacenada.

• Se adapta a nuevos ambientes por aprendizaje.

• Es robusto y tolerante a fallas.

• Es compacto y consume poca energía.

• Es altamente paralelo.

• Capacidad de aprendizaje.


sus Aplicaciones

Alejandro Peña P.

Contenido



Modelado Neuronal.

Neurona Natural vs.

Neurona Artificial

Neurona Artificial



Implementación

Ventajas

Áreas de Trabajo

Implementación y

Aplicaciones

Aplicaciones


Futuro de las RNA

Bibliografía


La neurona biológica posee

las siguientes características:

• Árbol dendrítico de

entradas.

• Un Axón de salida.

• Sobre de 10^4 sinapsis.

• Comunicación mediante

potenciales de Acción

(PA).

• Período refractario de 10

^(-3) segundos entre PA’s.


sus Aplicaciones

Alejandro Peña P.

Contenido



Modelado Neuronal.

Neurona Natural vs.

Neurona Artificial

Neurona Artificial



Implementación

Ventajas

Áreas de Trabajo

Implementación y

Aplicaciones

Aplicaciones


Futuro de las RNA

Bibliografía


La transmisión de información entre neuronas se hace de las

siguiente manera:

• Impulso eléctrico viaja por el axón.

• Liberación de neurotransmisores.

• Apertura/Cierre de canales iónicos.

• Variación potencial en dendrita.

• Integración de entradas en el soma.

• Si se supera un umbral de disparo, se genera un PA.


sus Aplicaciones

Alejandro Peña P.

Contenido



Modelado Neuronal.

Neurona Natural vs.

Neurona Artificial

Neurona Artificial



Implementación

Ventajas

Áreas de Trabajo

Implementación y

Aplicaciones

Aplicaciones


Futuro de las RNA

Bibliografía


Las redes neuronales en el cerebro

se ubican:

• Paquetes de 10^10 a 10^11

neuronas.

• 10^14 sinapsis.

• Organización por capas.

• Organización por niveles.

• Sistema Nervioso Central.

• Circuitos entre regiones.

• Circuitos locales.

• Neuronales.

• Arboles dendríticos.

• Microcircuitos neuronales.

• Sinapsis.

• Canales Iónicos.

• Moléculas.


sus Aplicaciones

Alejandro Peña P.

Contenido



Modelado Neuronal.

Neurona Natural vs.

Neurona Artificial

Neurona Artificial



Implementación

Ventajas

Áreas de Trabajo

Implementación y

Aplicaciones

Aplicaciones


Futuro de las RNA

Bibliografía


Características Sistema Nervioso

Central (SNC):

• Inclinación a adquirir

conocimiento desde la

experiencia.

• Conocimiento almacenado en

conexiones sinápticas.

• Gran plasticidad neuronal.

• Comportamiento altamente no-

lineal.

• Alta tolerancia a fallos.

• Apto para reconocimiento,

percepción y control.


sus Aplicaciones

Alejandro Peña P.

Contenido



Modelado Neuronal.

Neurona Natural vs.

Neurona Artificial

Neurona Artificial



Implementación

Ventajas

Áreas de Trabajo

Implementación y

Aplicaciones

Aplicaciones


Futuro de las RNA

Bibliografía

Modelado Neuronal

Una red neuronal artificial (RNA) es un sistema de

procesamiento de información que tiene ciertas aptitudes en

común con las redes neuronales biológicas:

• El procesamiento de información ocurre en muchos

elementos simples llamados neuronas.

• Las señales son transferidas entre neuronas a través de

enlaces de conexión.

• Cada conexión tiene un peso asociado, el cual, típicamente,

multiplica a la señal trasmitida.

• Cada neurona aplica una función de activación (usualmente

no lineal) a su entrada de red (suma de entradas pesadas)

para determinar su salida.

Laurene Fausett


sus Aplicaciones

Alejandro Peña P.

Contenido



Modelado Neuronal.

Neurona Natural vs.

Neurona Artificial

Neurona Artificial



Implementación

Ventajas

Áreas de Trabajo

Implementación y

Aplicaciones

Aplicaciones


Futuro de las RNA

Bibliografía

Modelado Neuronal

El modelado neuronal, posee los siguientes enfoques:

1. Computacional:

• Modelos eficientes, potentes y simples.

• Áreas de aprendizaje inductivo y reconocimiento de

patrones.

2. Cognitivo:

• Interesado por capacidades cognitivas de los

modelos.

• Centrados en la representación del conocimiento.

3. Biocognitivo:

• Premisa la plausibilidad biológica.

4. Psicofisiológico:

• Mecanismos naturales de proceso cognitivos reales.


sus Aplicaciones

Alejandro Peña P.

Contenido



Modelado Neuronal.

Neurona Natural vs.

Neurona Artificial

Neurona Artificial



Implementación

Ventajas

Áreas de Trabajo

Implementación y

Aplicaciones

Aplicaciones


Futuro de las RNA

Bibliografía

Neurona Natural vs Neurona Artificial

• Neurona=Unidad de Procesamiento.

• Conexiones Sinápticas=Conexiones o Pesos.

• Efectividad Sináptica=Peso Sináptico.

• Exitatorio/Inhibitorio=Pesos(+ ó -).

• Efecto combinado de sinapsis = Función suma.

• Activación->Radio disparo = Función activación ->salida.


sus Aplicaciones

Alejandro Peña P.

Contenido



Modelado Neuronal.

Neurona Natural vs.

Neurona Artificial

Neurona Artificial



Implementación

Ventajas

Áreas de Trabajo

Implementación y

Aplicaciones

Aplicaciones


Futuro de las RNA

Bibliografía

Neurona ArtificialIntroducción a las

Redes Neuronales y sus Aplicaciones

Alejandro Peña P.

Contenido



Modelado Neuronal.

Neurona Natural vs.

Neurona Artificial

Neurona Artificial



Implementación

Ventajas

Áreas de Trabajo

Implementación y

Aplicaciones

Aplicaciones


Futuro de las RNA

Bibliografía

Neurona Artificial

Dependiendo del problema a resolver, la función de activación

toma diferentes formas de la siguiente manera:

Esta función se utiliza cuando se requiere la

toma de decisiones en V ò F, o se quieren

procesar imágenes en B ò N.

Estas funciones permiten establecer valores

de pertenencia entre un intervalo de V ò F o

B ò N.

Las funciones gaussianas, permiten la

clasificación de patrones de acuerdo con

características fundamentales de los

mismos.


sus Aplicaciones

Alejandro Peña P.

Contenido



Modelado Neuronal.

Neurona Natural vs.

Neurona Artificial

Neurona Artificial



Implementación

Ventajas

Áreas de Trabajo

Implementación y

Aplicaciones

Aplicaciones


Futuro de las RNA

Bibliografía

Arquitecturas Neuronales

Las redes neuronales tienen las siguientes arquitecturas:

• Según la cantidad de

neuronas.

1. Número de entradas

2. Número de Neuronas

Intermedias.

3. Número de Neuronas

de Salida.

• Según conectividad:

1. Feedforward

2. Redes recurrentes.

3. Estructuras Enrejadas.


sus Aplicaciones

Alejandro Peña P.

Contenido



Modelado Neuronal.

Neurona Natural vs.

Neurona Artificial

Neurona Artificial



Implementación

Ventajas

Áreas de Trabajo

Implementación y

Aplicaciones

Aplicaciones


Futuro de las RNA

Bibliografía


• Aprendizaje:

• Estimulación de las Redes Neuronales.

• Cambios internos debido a la estimulación.

• Nueva forma de responder a los cambios de la estructura

interna.

• Paradigmas de Aprendizaje.

• Aprendizaje Supervisado.

• Aprendizaje por Reforzamiento.

• Aprendizaje Auto-Organizado (No Supervisado).

• Precalculado o prefijado.


sus Aplicaciones

Alejandro Peña P.

Contenido



Modelado Neuronal.

Neurona Natural vs.

Neurona Artificial

Neurona Artificial



Implementación

Ventajas

Áreas de Trabajo

Implementación y

Aplicaciones

Aplicaciones


Futuro de las RNA

Bibliografía

Implementación

Fases para el desarrollo de un modelo neuronal


sus Aplicaciones

Alejandro Peña P.

Contenido



Modelado Neuronal.

Neurona Natural vs.

Neurona Artificial

Neurona Artificial



Implementación

Ventajas

Áreas de Trabajo

Implementación y

Aplicaciones

Aplicaciones


Futuro de las RNA

Bibliografía

Ventajas del Modelado Neuronal

Dentro de las ventajas que presentan el modelado neuronal

frente a otro tipo de modelamiento tenemos:

• Generalización.

• Estructura altamente

paralela.

• No Linealidad.

• Mapeo Entrada-Salida.

• Adaptabilidad.

• Respuesta Graduada.

• Manejo de Información

Contextual.

• Tolerancia a Fallos.

• Implementación VLSI.

• Uniformidad en el Análisis y

Diseño.

• Estabilidad en el

Aprendizaje.

• Analogía y Neurobiología.


sus Aplicaciones

Alejandro Peña P.

Contenido



Modelado Neuronal.

Neurona Natural vs.

Neurona Artificial

Neurona Artificial



Implementación

Ventajas

Áreas de Trabajo

Implementación y

Aplicaciones

Aplicaciones


Futuro de las RNA

Bibliografía

Áreas de Trabajo

De acuerdo con lo anterior, las redes neuronales pueden

solucionar problemas en diferentes áreas del conocimiento:

Procesamiento de Señales

Análisis de Datos

Reconocimiento de Patrones

Control

Inteligencia Artificial

Aplicaciones

Implementaciones

Arquitectura y Teoría de

Redes Neuronales.

Desarrollo de aplicaciones con

paralelismo implícito

Construcción de modelos

neuronales.

Validación de

funcionamiento de

arquitecturas neuronales

Informática

Sicología

Matemáticas Física


sus Aplicaciones

Alejandro Peña P.

Contenido



Modelado Neuronal.

Neurona Natural vs.

Neurona Artificial

Neurona Artificial



Implementación

Ventajas

Áreas de Trabajo

Implementación y

Aplicaciones

Aplicaciones


Futuro de las RNA

Bibliografía

Aplicaciones

Los modelos neuronales tienen la potencialidad para la

solución de problemas en áreas como:

• Asociación de Datos.

• Clasificación de Patrones.

• Pronóstico y Predicción.

• Control de Procesos Industriales.

• Aproximación.

• Optimización.

De manera general, las redes

neuronales son aplicables en

áreas de conocimiento en las

cuales:

• Es difícil describir el

conocimiento /forma de

resolverlos.

• Se dispone de una gran

cantidad de datos.


sus Aplicaciones

Alejandro Peña P.

Contenido



Modelado Neuronal.

Neurona Natural vs.

Neurona Artificial

Neurona Artificial



Implementación

Ventajas

Áreas de Trabajo

Implementación y

Aplicaciones

Aplicaciones


Futuro de las RNA

Bibliografía

Aplicaciones de las Redes Neuronales

Neurosimuladores.

Los neurosimuladores se pueden clasificar en:

• Software: Estas aplicaciones son flexibles y económicas,

debido a su facilidad de implementación.

• Hardware: Estas aplicaciones resultan ser muy eficientes,

debido a que el poder de su funcionamiento esta en los

pesos de sus conexiones.

De acuerdo con su desarrollo, el neurosoftware posee:

• Programación directa.

• Librerías específicas de libre distribución.

• Entornos de desarrollo amigables.

De acuerdo con lo anterior,

estas aplicaciones dan al

usuario:

• Facilidad de uso.

• Potencia.

• Eficiencia.

• Extensibilidad.


sus Aplicaciones

Alejandro Peña P.

Contenido



Modelado Neuronal.

Neurona Natural vs.

Neurona Artificial

Neurona Artificial



Implementación

Ventajas

Áreas de Trabajo

Implementación y

Aplicaciones

Aplicaciones


Futuro de las RNA

Bibliografía

Problemas de Asociación.

• NETalk (Sejnowski &

Rosemberg)

• Genera gonemas a

partir de textos

escritos.

• Permite el

reconocimiento lectura

de algunas

palabras de un texto.

• Tratamiento de imágenes.

• Reconocimiento de

placas de automoviles.

• Tratamiento del ruido

en imágenes

• Restitución.

• Compresión de imágenes.


sus Aplicaciones

Alejandro Peña P.

Contenido



Modelado Neuronal.

Neurona Natural vs.

Neurona Artificial

Neurona Artificial



Implementación

Ventajas

Áreas de Trabajo

Implementación y

Aplicaciones

Aplicaciones


Futuro de las RNA

Bibliografía

Problemas de Clasificación de Patrones.

Conteo de Células

• Clasificación de

glóbulos blancos

Inspección Visual

• Procesos de producción

repetitivos y alta

velocidad.

Reconocimiento del Iris

• Para autenticación en

seguridad.


sus Aplicaciones

Alejandro Peña P.

Contenido



Modelado Neuronal.

Neurona Natural vs.

Neurona Artificial

Neurona Artificial



Implementación

Ventajas

Áreas de Trabajo

Implementación y

Aplicaciones

Aplicaciones


Futuro de las RNA

Bibliografía

Problemas de Pronóstico y Predicción..

NeuralStocks.

• Pronóstico de Acciones.

• Pronóstico y Predicción Hidrológica para reservas en

embalses y períodos de lluvias.


sus Aplicaciones

Alejandro Peña P.

Contenido



Modelado Neuronal.

Neurona Natural vs.

Neurona Artificial

Neurona Artificial



Implementación

Ventajas

Áreas de Trabajo

Implementación y

Aplicaciones

Aplicaciones


Futuro de las RNA

Bibliografía

Problemas de Robótica.

• Manipulación de piezas a alta velocidad.

• Cinemática Inversa y Análisis de Esfuerzos.

• Navegación automática en espacios cerrados.

• Planeación de trayectorias.


sus Aplicaciones

Alejandro Peña P.

Contenido



Modelado Neuronal.

Neurona Natural vs.

Neurona Artificial

Neurona Artificial



Implementación

Ventajas

Áreas de Trabajo

Implementación y

Aplicaciones

Aplicaciones


Futuro de las RNA

Bibliografía

Problemas de Interpolación y Optimización

• Aproximación de funciones.

• Problemas de Optimización de Rutas en Sistemas de

Información Geográfica (SIG).


sus Aplicaciones

Alejandro Peña P.

Contenido



Modelado Neuronal.

Neurona Natural vs.

Neurona Artificial

Neurona Artificial



Implementación

Ventajas

Áreas de Trabajo

Implementación y

Aplicaciones

Aplicaciones


Futuro de las RNA

Bibliografía

Problemas en Astrofísica/Astronomía

• Identificación y caracterización de Objetos como Galaxias

y Fuentes de Rayos Gama.

• Eliminación de ruido en imágenes satelitales.

• Búsqueda de cúmulos de galaxias.

• Análisis de datos recogidos por instrumentos de nueva

generación como:

• Telescopios de neutrinos.

• Telescopios de rayos gamma.

• Interferómetros de ondas gravitacionales.


sus Aplicaciones

Alejandro Peña P.

Contenido



Modelado Neuronal.

Neurona Natural vs.

Neurona Artificial

Neurona Artificial



Implementación

Ventajas

Áreas de Trabajo

Implementación y

Aplicaciones

Aplicaciones


Futuro de las RNA

Bibliografía

Desarrollo de Biochips.

• Circuito electrónico híbrido entre estructuras naturales y

artificiales.

• Se conoce en el mundo científico como NeuroChip o

microcircuito neuronal.

• Se utilizaron neuronas de caracol y chips de silicio.

• Se logró establecer conexiones artificiales entre dichos

elementos.

• Colocaron diminutos generadores entre las neuronas para

crear cambios de voltaje para accionar un interruptor.

• Se abre el camino a la neurocomputación.


sus Aplicaciones

Alejandro Peña P.

Contenido



Modelado Neuronal.

Neurona Natural vs.

Neurona Artificial

Neurona Artificial



Implementación

Ventajas

Áreas de Trabajo

Implementación y

Aplicaciones

Aplicaciones


Futuro de las RNA

Bibliografía

Futuro de las Redes Neuronales Artificiales.

El futuro de la redes neuronales esta enmarcado en dos

grandes líneas de investigación:

• Identificación de características de los organismos vivos.

• Evolución, Computación Colectiva, Manejo del

Conocimiento.

• Computación Neuronal, Neurocomputación, Natural

Computing (SoftComputing).

• Solución de la Escalabilidad del Aprendizaje.

• Cómo determinar parámetros erróneos en el

aprendizaje?

• Cómo aumentar la complejidad de los modelos

neuronales con plataformas computacionales

existentes?

• Incorporación de conceptos fundamentales en el

funcionamiento del cerebro.


sus Aplicaciones

Alejandro Peña P.

Contenido



Modelado Neuronal.

Neurona Natural vs.

Neurona Artificial

Neurona Artificial



Implementación

Ventajas

Áreas de Trabajo

Implementación y

Aplicaciones

Aplicaciones


Futuro de las RNA

Bibliografía

Bibliografía

ISAZI, P. Redes de Neuronas Artificiales.

Ed. Prentice Hall Latinoamérica, Primera Edición, México, 2.002

HILERA GONZÁLEZ, José Ramón; MARTÍNEZ, Víctor José.

Redes neuronales artificiales: fundamentos, modelos y

aplicaciones. España: Rama, 1995. 390 p.

García, B. Patricio, Introducción a las Redes Neuronales y su

Aplicación a la Investigación en Astrofísica Universidad de Gran

Canarias, España, 2009


sus Aplicaciones

Alejandro Peña P.

Contenido



Modelado Neuronal.

Neurona Natural vs.

Neurona Artificial

Neurona Artificial



Implementación

Ventajas

Áreas de Trabajo

Implementación y

Aplicaciones

Aplicaciones


Futuro de las RNA

Bibliografía

Muchas Gracias


sus Aplicaciones

Alejandro Peña P.

Contenido



Modelado Neuronal.

Neurona Natural vs.

Neurona Artificial

Neurona Artificial



Implementación

Ventajas

Áreas de Trabajo

Implementación y

Aplicaciones

Ventajas del modelado

neuronal

Aplicaciones


Futuro de las RNA

Bibliografía

Introducción a las Redes Neuronales Artificiales

Technology

Transcript of Introducción a las Redes Neuronales Artificiales