Redes Neuronales Artificiales
|
|
- Carla Medina Alarcón
- hace 7 años
- Vistas:
Transcripción
1
2
3 Perspectiva histórica 1940s: Hebb, McCulloch and Pitts Mecanismo de aprendizaje en neuronas biológicas. Redes de elementos neuronales pueden hacer cómputo aritmético. 1950s: Rosenblatt, Widrow and Hoff Primeras redes artificiales (RNA) prácticas y reglas de aprendizaje. 1960s: Minsky and Papert. Demostraron limitaciones de las RNA, no se desarrollaron nuevos algoritmos de aprendizaje. Investigaciones en el campo se suspenden. 1970s: Amari, Anderson, Fukushima, Kohonen, Grossberg,... Trabajan en el tema pero a pasos mas lentos. 3
4 1890 William James: Psicólogo. Modelo para explicar como el cerebro realiza asociaciones. Otros científicos al inicio del siglo XX se distinguieron por sus estudios sobre el cerebro: Ramón y Cajal. Charles Sherrington. Iwan Pawlow. Pre-1940: von Hemholtz, Mach, Pavlov, Teorías generales sobre el aprendizaje, visión y condicionamiento sin modelos matemáticos específicos sobre la operación neuronal. 4
5 1949 Donald Hebb: The organization of behavior Karl Lashley: In search of engram 1954 Minsky Neural Nets and the Brain Model Problem. PhD thesis, Princeton University. La primera simulación por ordenador fue desarrollada en la década del Dartmouth Conference. Uno de los principales resultados de esta conferencia fue que la simple regla de aprendizaje desarrollada por Hebb, deducida de los efectos observados en el cuerpo humano, no era aplicable a muchos problemas prácticos. 5
6 1958 Frank Rosenblatt: Modelo del Perceptron 1962 Rosenblatt. Principles of Neurodynamics: Perceptrons and the Theory of Brain Mechanisms. Washington, DC: Spartan Books. 6
7 Historia de RNA 1980s: Grossberg, Hopfield, Kohonen, Rumelhart, Desarrollos importantes causan un resurgimiento de estudios en el campo. 7
8 Historia de RNA S. Ramón y Cajal y los orígenes de la unidad nerviosa: Neurona Catedrático en Valencia 1906 Premio Nobel de Medicina Catedrático en Madrid 8
9 Historia de RNA Algunos resultados de Cajal Doble via visual de la retina de los mamíferos Fases evolutivas de célula psíquica en el embrión de los mamíferos 9
10 Historia de RNA Tipos de neuronas a nivel anatómico (Mira & Delgado, 1995) 10
11 Historia de RNA 1943 artículo sobre el cerebro por Warren S. McCulloch y Walter Pitts: A logical calculus of the ideas immanent in nervous activity. Primer modelo 11
12 Historia de RNA 1969 Marvin Minsky/Seymour Papert: Crítica al Perceptron. Perceptrons: An Essay in Computational Geometry. MIT Press, Cambridge, MA. Esto podría decirse fue el fin de las redes neuronales. Minsky y Papert probaron matemáticamente que el Perceptrón no era capaz de resolver problemas relativamente fáciles (como aprender la función XOR). Concluyeron que, en general, los descubrimientos en redes neuronales no merecían la pena. 12
13 Historia de RNA 13
14 Historia de RNA 1974 Paul Werbos. Desarrolló la idea básica del algoritmo de retropropagación Stephen Grossberg Adaptative Resonance Theory (ART) ART es una arquitectura de red que difiere de todo lo anteriormente inventado. Simula otra habilidad del cerebro: la memoria a largo y a corto plazo Mapas Auto-Organizativos de Kohonen Redes de Hopfield, que implementan el modelo de memoria asociativa 14
15 1985 John Hopfield. Publicó el libro Neural computation of decisión in optimization problems que dió renacimiento de las redes neuronales Rumelhart, McClelland & Hinton crean el grupo PDP. Este grupo de trabajo solucionó los problemas propuestos por Minsky y Papert, gracias al algoritmo de retropropagación. 15
16 16
17 17
18 Ley de Hebb Idea principal sobre la cual se basa esta ley: Cuando un axón de la célula A está suficientemente próximo para excitar a una célula B o toma parte en su disparo de forma persistente, tiene lugar algún proceso de crecimiento o algún cambio metabólico en una de las células, o en las dos, de tal modo que la eficiencia de A, como una de las células que desencadena el disparo de B, se ve invrementada. 18
19 Ley de Hebb Como puede observarse el proceso se basa en la idea del refuerzo de las conexiones (o sinapsis en el modelo biológico) más usadas, favoreciendo la excitación de los circuitos neuronales más probables. Sería un proceso de aprendizaje no supervisado, que refuerza las conexiones más utilizadas. 19
20 Ley de Hebb Implementación: Dada una conexión entre dos neuronas i y j, el peso w ij de la conexión entre esas neuronas: Se verá incrementado siempre que ambas neuronas estén activas al mismo tiempo. Se verá decrementado siempre que ambas neuronas tengan estados contrarios. No se cambiará cuando ambas neuronas estén inactivas. 20
21 RNA - Funcionamiento ENTRADAS X1 CONEXIONES FUNCION DE RED FUNCION DE ACTIVACION X2 X3 W1 W2 W3 ENTRADAS PONDERADAS Σ net(.) act(.) SALIDA 21
22 RNA - Comparación COMPARACIÓN CON LAS REDES NEURALES BIOLÓGICAS Neuronas Redes Neuronales Biológicas Conexiones sinápticas Efectividad de las sinápsis Efecto excitatorio o inhibitorio de una conexión Efecto combinado de las sinápsis Redes Neuronales Artificiales Unidades de proceso Conexiones ponderadas Peso de las conexiones Signo del peso de una conexión Función de propagación o de red Activación -> tasa de disparo Función de activación -> Salida 22
23 RNA - Características APRENDIZAJE INDUCTIVO. GENERALIZACIÓN. ABSTRACCIÓN O TOLERANCIA AL RUIDO. PROCESAMIENTO PARALELO. MEMORIA DISTRIBUIDA. 23
24 RNA - Modo de operación FASE DE APRENDIZAJE. APRENDIZAJE SUPERVISADO. APRENDIZAJE NO SUPERVISADO. APRENDIZAJE REFORZADO. FASE DE APLICACIÓN. FASE DE TEST (OPCIONAL). 24
25 RNA - Modo de operación Aprendizaje Supervisado 1. Aleatorizar los pesos de todas las conexiones. 2. Seleccionar un patrón de entrenamiento 3. Calcular salida. 4. Calcular la discrepancia en la salida. 5. Aplicar la regla de aprendizaje. 6. Volver al paso 2. 25
26 RNA - MODO DE OPERACIÓN Aprendizaje No Supervisado Requiere propagar información (el error) hacia atrás. Requiere un instructor que proporcione la salida. No requiere presentar la salida en los patrones. 26
27 RNA - TIPOS ASOCIADORES DE PATRONES MAPAS DE AUTO- ORGANIZACIÓN MODELOS DE SATISFACCIÓN DE DEMANDA OTRAS REDES ASOCIATIVAS DE PESOS FIJOS Perceptrones Redes de Kohonen Redes de Hopfield Memorias proasociativas Redes de retropropaga ción Arquitecturas ART Máquinas de Boltzmann Redes de Hamming 27
28 Utilizar RNA? Cuándo utilizar una RNA En tareas en las que un ser humano se desenvuelve bien. Cuándo no utilizarla Solución algorítmica es eficiente No se dispone de suficientes patrones-ejemplos 28
29 Problemas que resuelven Ejemplos Conversión de texto escrito a lenguaje hablado. Compresión de imágenes. Reconocimiento de escritura manual (japonesa) Visión artificial en robots industriales (inspección de etiquetas,clasificación de componentes) 29
30 Modelo McCULLOCH-PITTS Modelo de neurona binaria propuesto por McCulloch y Pitts en Calcula la suma ponderada de sus entradas desde otras unidades, y da como salida un uno (1) o un cero (0) dependiendo de si ésta se encuentra por encima o por debajo de un valor denominado umbral. 30
31 Modelo McCULLOCH-PITTS Las ecuaciones que gobiernan el funcionamiento de dicho modelo de neurona son las siguientes: i j n n =f( wn(t)-u ) =1 ij j i 31
32 Modelo McCULLOCH-PITTS n 1 w i1 n 2 w i2 Σ i n j w ij F n i 32
33 Modelo McCULLOCH-PITTS Función de activación u Umbral f(x)= 1 si x >= u 0 si x<u 33
34 Modelo McCULLOCH-PITTS Ejemplo: Σ
35 Función de activación Función umbral Función lineal a trozos Función sigmoide Función Gaussiana 35
36 Función de activación 1-1 Función tangencial 36
37 En RNA Las señales que llegan a la sinapsis son las entradas a la neurona; éstas son ponderadas (atenuadas o amplificadas) a través de un parámetro, denominado peso, asociado a la sinapsis correspondiente. Las señales de entrada pueden excitar o inhibir a la neurona (sinapsis con peso positivo o negativo). Si la suma es igual o mayor que el umbral de la neurona, entonces la neurona se activa (da salida). 37
38 En RNA Las sinapsis son susceptibles a la fatiga, deficiencia de oxígeno y otros agentes externos. La habilidad de ajustar señales es un mecanismo de aprendizaje. El umbral integra la energía de las señales de entrada en el espacio y en el tiempo. 38
39 En RNA Las redes neuronales, inspiradas en el funcionamiento del sistema nervioso, son arreglos de procesadores elementales interconectados entre sí. Cada uno de estos procesadores o neuronas suma las entradas ponderadas y su resultado pasa a través de una función no lineal conocida como función de activación. 39
40 En RNA El conocimiento en una red neuronal está distribuido a lo largo de todo el sistema, debido a esto, se utilizan muchas interconexiones para obtener la solución de un problema en particular. 40
41 En RNA Una red neuronal esta compuesta por un gran número de elementos de procesamiento simples llamados neuronas o nodos. Cada nodo esta conectado a otros nodos por varios enlaces de comunicación directa, cada uno asociado a un peso. Los pesos representan la información utilizada por la red para resolver un problema. 41
42 En RNA Los nodos no tienen una relación biunívoca con las neuronas biológicas reales. Sin embargo, como una neurona biológica, el elemento de procesamiento tiene varias entradas y una sola salida que se aplica a muchos otros nodos. 42
43 En RNA Entre las entradas que recibe el j-ésimo nodo se encuentra la procedente del i-ésimo nodo (x i ). La salida del j-ésimo nodo se denota x j. En la analogía la salida corresponde con la frecuencia de disparo. 43
44 Esquema general Cada conexión con el j-ésimo nodo tiene asociada a él una magnitud, peso o intensidad de conexión. El peso de la conexión que procede del i-ésimo nodo y llega al j-ésimo nodo se denota como w ij. Estos pesos en analogía con la neurona biológica corresponden a la intensidad de las conexiones sinápticas entre neuronas (excitadora o inhibitoria). 44
45 45
46 Cada elemento de procesamiento obtiene un valor de entrada neto basándose en todas las conexiones de entrada. La forma típica es calcular el valor de entrada neto sumando los valores de entrada, ponderados (multiplicados) con sus pesos correspondientes. La entrada neta del j-ésimo nodo se escribe net j = å i x i w ij donde el índice i recorre todas las conexiones que posea el j-ésimo nodo. 46
47 Cada neurona tiene un estado interno llamado activación, la cual es una función de las entradas recibidas. Típicamente una neurona envía su activación como una señal a otras neuronas. Es importante hacer notar que una neurona puede enviar solo una señal a la vez, aunque esta misma se distribuya a otras neuronas. La activación de una neurona está en función de su entrada neta. La forma mas fácil de definir la activación de una neurona es considerar que ésta es binaria 47
48 Las neuronas de una RNA pueden organizarse en estratos o niveles, y dependiendo de la presencia de caminos de retroalimentación se pueden clasificar como recurrentes o no recurrentes. Las RNA no recurrentes y en particular las feedforward han sido ampliamente utilizadas en una variedad de problemas debido a su estabilidad inherente y la simplicidad del algoritmo de entrenamiento de retropropagación del error. 48
49 En las redes neuronales multinivel las neuronas de primer nivel reciben sus entradas directamente del entorno. Las salidas de estas neuronas se conectan a las entradas de las neuronas del segundo nivel, y así sucesivamente, hasta el último nivel, cuyas salidas son entregadas al entorno. 49
50 Todas las neuronas que componen la red se hallan en cierto estado. Puede decirse que hay dos posibles estados de activación: reposo o exitado. Los valores de activación pueden ser continuos o discretos. Al considerar una descripción binaria el estado activo se indicaría por 1, y caracteriza la emisión de un impulso por parte de la neurona, mientras que un estado pasivo se indicaría por 0, y significaría que la neurona está en reposo. 50
51 Generalmente se consideran modelos con un conjunto continuo de estados de activación en lugar de solo dos {0,1}. Se asigna un valor en el intervalo [0,1] o en el intervalo [-1,1]. Generalmente definidos por una función sigmoidal. 51
52 Principales modelos Es posible encontrar problemas en que los pesos se tienen de manera apriori. Debe considerarse esta información para el diseño de la red. Pero estos problemas son mas bien raros ya que en la mayoría de los casos se debe "enseñar" a la red a ejecutar los cálculos por ajustes iterativos de los pesos w ij. El problema principal del trabajo en redes neuronales concierne al problema de programar el aprendizaje: cómo escoger los pesos en las conexiones para que la red realice una tarea específica? 52
53 Características de las RNA Qué son capaces de hacer? Reconocimiento de patrones Síntesis funcional 53
54 Reconocimiento de patrones Clasificación de información según ciertas características. Aplicaciones típicas: Diferenciación de sonidos, Reconocimiento de escritura, Interpretación de encefalogramas, Reconocimiento de la voz Procesamiento de imágenes... 54
55 Síntesis funcional La aproximación de funciones, consiste en establecer relaciones entre varias entradas continuas y una o más salidas continuas. Ejemplos de aplicación: Estimar la demanda de un producto, Filtrar el ruido de una señal, Control de procesos, Simular comportamiento de un sistema dinámico. 55
56 Otras aplicaciones Visión por computador Síntesis de voz Diagnostico médico Conducción automática Exploración petrolera 56
57 Aplicaciones NETtalk. Pretendía entrenar una red para pronunciar texto en inglés. La entrada de la red la constituía una ventana de 7 caracteres que avanzaba a través del texto según era leído. La salida de la red era una serie de fonemas que enviados a un generador hacía que la máquina hablase. 57
58 Aplicaciones Codificación y compresión de datos. Consiste en encontrar un conjunto de símbolos funcionalmente equivalentes a uno dado, pero con una longitud media menor por símbolo. De este modo las RNA son capaces de representar conjuntos aparentemente grandes de información con pocos elementos de representación. 58
59 Aplicaciones Conducción de un vehículo. Se construyó una red que aceptaba la entrada de una cámara situada en el techo de un coche y un detector de distancias. La red debía de guiar el coche a través de una carretera. Después de entrenar la red con 1200 imágenes simulando carreteras, la red era capaz de conducir a través de una carretera a una velocidad de 5km/h. 59
60 Aplicaciones Reconocimiento de caracteres. Las RNA se usan actualmente para el reconocimiento automático de caracteres. Por ejemplo los impresos que se rellenan a mano son pasados por una RNA de este tipo obteniendo el conjunto de caracteres en código ASCII. 60
61 Aplicaciones Reconocimiento del habla. Este es un problema inherentemente complejo, dada las múltiples maneras de hablar de las diferentes personas (acentos, dialectos, velocidad, etc.). Ha sido posible entrenar a RNA para reconocer con éxito un conjunto relativamente reducido de palabras. 61
62 Computación convencional vs. Neurocomputación Neurocomputación Entrenamiento, aprendizaje No se separa la memoria y el procesamiento Paralela (discreto o continuo), asíncrona Com. convencional Programación Memoria y procesamiento separados Secuencial o serial, síncrona 62
63 Neurocomputación Tolerante a fallas Auto-organización Acepta entradas con ruido o difusas Com. convencional No tolerante a fallos Dependiente del software Garbage in - Garbage out (si entra basura, sale basura) 63
64 Estructuras 64
65 Red Neuronal Artificial Neuronas Conexiones 65
66 Redes multicapa Son redes conformadas por una capa de entrada, una o varias ocultas y una de salida, sus conexiones no deben formar ciclos. Pueden utilizar diferentes funciones de activación 66
67 Redes multicapa Neuronas de salida Neuronas ocultas Neuronas de entrada 67
68 Clasificación Según la topología: Redes feedforward Perceptrón simple Perceptrón multicapa Redes con funciones de base radial Redes recurrentes feedback Redes competitivas Red Kohonen Red Hopfield Modelos ART 68
69 Red Feedforward Neuronas de salida Neuronas ocultas Neuronas de entrada 69
70 Red Recurrente 70
71 Algoritmos de aprendizaje Alteran los pesos de la neurona después de la presentación de un patrón. Corrección del error. Corrige el error de la salida Gradiente. Minimiza el error cuadrático medio sobre todos los patrones. 71
72 Tipos de Aprendizaje Supervisado. El algoritmo utiliza un conjunto de ejemplos que la red debe aprender. El entrenamiento se lleva a cabo mediante un proceso iterativo de adaptación de la red neuronal de manera que sus salidas se acerquen cada vez más a las salidas deseadas especificadas en los ejemplos. 72
73 No supervisado. En el algoritmo no se especifican salidas deseadas, el algoritmo trata de encontrar de manera autónoma regularidades en los datos de entrada creando categorías que agrupen a los datos más similares. Con refuerzo. La red aprende a través de un proceso de ensayo y error que maximiza el índice de desempeño denominado señal de error. 73
74 Clasificación Tipo de aprendizaje Regla de aprendizaje Algoritmos mas utilizados Supervisado No supervisado H íbrido Corrección de error B o ltzm an n Hebbian C o m p etitiv o Corrección de error Hebbian C o m p etitiv o Corrección de error y co m p etitiv o Back Propagation A daline y M ad alin e Aprendizaje con m em oria aso ciativ a A lgoritm o de aprendizaje RBF 74
75 Ley de Hebb Implementación: Dada una conexión entre dos neuronas i y j, el peso w ij de la conexión entre esas neuronas: Se verá incrementado siempre que ambas neuronas estén activas al mismo tiempo. Se verá decrementado siempre que ambas neuronas tengan estados contrarios. No se cambiará cuando ambas neuronas estén inactivas. 75
76 Técnica del Gradiente Descendente Calcular el valor de la función en el punto y=f (x 0 ) Calcular el nuevo valor de x i como el valor anterior mas el gradiente de la función. y i+1 = y i + y i 76
77 Técnica del Gradiente Descendente El gradiente de la función se calcula como la derivada parcial de la función con respecto al punto x i. El gradiente es igual a: dy i = -δf / δx i La técnica de gradiente descendente es un procedimiento iterativo que busca minimizar una función moviéndose en la dirección opuesta al gradiente de dicha función. 77
78 Técnica del Gradiente Descendente mínimo local mínimo global 78
79 Tasa de Aprendizaje Determina el tamaño del paso que utiliza el algoritmo, para moverse en el espacio de los pesos. Un valor muy pequeño para este parámetro puede provocar una convergencia muy lenta, así como un valor muy alto puede provocar un comportamiento divergente. 79
80 Momentum El momento, da al algoritmo una especie de inercia que le permite evadir en ciertos casos los mínimos locales. Con este momentum se consigue la convergencia de la red en un número menor de iteraciones. 80
81 81
CONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7)
Tema 1: Conceptos Básicos Sistemas Conexionistas 1 CONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7) 1.- Introducción. 1.1.- Redes Neuronales de Tipo Biológico. 1.2.- Redes Neuronales dirigidas
Más detallesRedes Neuronales. Introducción a las redes neuronales Carlos Andrés Delgado S.
Redes Neuronales Introducción a las redes neuronales carlos.andres.delgado@correounivalle.edu.co Carlos Andrés Delgado S. Facultad de Ingeniería. Universidad del Valle Agosto de 2017 Contenido 1 Neurofisiología
Más detallesREDES NEURONALES ADAPTABLES
REDES NEURONALES ADAPTABLES Unidad 3: Redes neuronales artificiales y modelos de entrenamiento SubTemas 3.2 Perceptron simple Arquitectura Regla delta Multi Layer Perceptrón 3.3 Redes Neuronales Adaptables
Más detallesTema 3: Ðreas de la IA: Ejemplos de Investigaci n Actual (III) Redes Neuronales
Tema 3: Ðreas de la IA: Ejemplos de Investigaci n Actual (III) Redes Neuronales SRP Carlos Carrascosa Casamayor Vicente J. Julián Inglada Tema 3: Ðreas de La IA: Ejemplos de Investigaci n Actual (II) Redes
Más detallesRedes neuronales en control de sistemas
Redes neuronales en control de sistemas Marco Teórico Las redes neuronales tratan de emular ciertas características propias de los humanos, una muy importante es la experiencia. El ser humano es capaz
Más detallesIntroducción a las Redes Neuronales
Introducción a las Redes Neuronales Excepto en las tareas basadas en el cálculo aritmético simple, actualmente, el cerebro humano es superior a cualquier computador: Reconocimiento de imágenes, Interpretación
Más detallesInteligencia Artificial. Aprendizaje neuronal. Ing. Sup. en Informática, 4º. Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani
Inteligencia Artificial Aprendizaje neuronal Ing. Sup. en Informática, 4º Curso académico: 20/202 Profesores: Ramón Hermoso y Matteo Vasirani Aprendizaje Resumen: 3. Aprendizaje automático 3. Introducción
Más detallesAnálisis de Datos. Perceptrón multicapa. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Perceptrón multicapa Profesor: Dr. Wilfrido Gómez Flores 1 Introducción De acuerdo con el consejo de la IEEE Neural Networks de 1996, inteligencia artificial (IA) es el estudio de cómo
Más detallesANEXO II.- TEORÍA SOBRE REDES NEURONALES ARTIFICIALES
ANEXO II.- TEORÍA SOBRE REDES NEURONALES ARTIFICIALES 1. Concepto de red neuronal artificial Una red neuronal artificial (RNA) es un modelo matemático que intenta reproducir el modo de funcionamiento y
Más detallesReconocimiento automático de palabras en documentos históricos usando redes neuronales convolucionales
Reconocimiento automático de palabras en documentos históricos usando redes neuronales convolucionales Dra. Ma. de Guadalupe García Hernández Departamento de Ingeniería Electrónica Objetivo general Aplicar
Más detallesAsignatura: MODELOS COMPUTACIONALES. Horario Clases: Martes y Jueves 17:30-19:30 Aula: 3.05
Asignatura: MODELOS COMPUTACIONALES Ingeniería a técnica t en informática de gestión Horario Clases: Martes y Jueves 17:30-19:30 Aula: 3.05 Profesor: Leonardo Franco Despacho 3.2.29 Email: lfranco@lcc.uma.es
Más detallesRedes Neuronales Artificiales
Redes Neuronales Artificiales Alejandro Osses Vecchi 11 de julio de 2009 1. Introducción Comenzaremos con una definición simple y general de Red Neuronal para, en las próximas secciones, explicar y profundizar
Más detallesÁrea Académica: Instituto de Ciencias Básicas e Ingeniería, Sistemas Computacionales. Tema: Introducción a las Redes Neuronales
Área Académica: Instituto de Ciencias Básicas e Ingeniería, Sistemas Computacionales Tema: Introducción a las Redes Neuronales Profesor: Víctor Tomás T. Mariano. Alumnos: Leticia Hernández Hernández Agustín
Más detallesIntroducción a las Redes de Neuronas
Introducción a las Redes de Neuronas Departamento de Informática Universidad Carlos III de Madrid Avda. de la Universidad, 30. 89 Leganés (Madrid) Introducción de Redes de Neuronas Introducción Fundamentos
Más detallesTema 8: Redes Neuronales
Tema 8: Redes Neuronales Pedro Larrañaga, Iñaki Inza, Abdelmalik Moujahid Intelligent Systems Group Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco http://www.sc.ehu.es/isg/
Más detallesCapítulo 3 REDES NEURONALES Y SU APLICACIÓN EN LA INGENIERÍA SÍSMICA III. REDES NEURONALES Y SU APLICACIÓN EN LA INGENIERÍA SÍSMICA
III. REDES NEURONALES Y SU APLICACIÓN EN LA INGENIERÍA SÍSMICA 32 III. REDES NEURONALES ARTIFICIALES Y SU APLICACIÓN EN LA INGENIERÍA SÍSMICA III.1 CONCEPTOS GENERALES En sus orígenes las Redes Neuronales
Más detallesREDES NEURONALES. Una esquema simplificado de una neurona se muestra en la siguiente figura. Cuerpo celular. Dendrita. Axón.
REDES NEURONALES Las redes neuronales constituyen una poderosa herramienta para modelar sistemas, especialmente no lineales, sean dinámicos o estáticos. En el cuerpo celular se realizan la mayoría de las
Más detallesÁrea Académica: Instituto de Ciencias Básicas e Ingeniería, Sistemas Computacionales
Área Académica: Instituto de Ciencias Básicas e Ingeniería, Sistemas Computacionales Tema: Perceptron Parte I Profesor: Víctor Tomás T. Mariano. Alumnos: Leticia Hernández Hernández Agustín Hernández Espinoza
Más detallesCONCLUSIONES. La teoría de Redes Neuronales Artificiales, presenta grandes ventajas con
319 CONCLUSIONES La teoría de Redes Neuronales Artificiales, presenta grandes ventajas con respecto a otros modelos típicos de solución de problemas de Ingeniería, una de ellas es su inspiración en modelos
Más detallesRedes Neuronales. Parte I. Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez
Redes Neuronales Parte I Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez UNIDAD TEMÁTICA : REDES NEURONALES Introducción. De/iniciones. Topologías típicas.
Más detallesTUTORIAL SOBRE REDES NEURONALES APLICADAS EN INGENIERIA ELECTRICA Y SU IMPLEMENTACIÓN EN UN SITIO WEB
TUTORIAL SOBRE REDES NEURONALES APLICADAS EN INGENIERIA ELECTRICA Y SU IMPLEMENTACIÓN EN UN SITIO WEB MARIA ISABEL ACOSTA BUITRAGO CAMILO ALFONSO ZULUAGA MUÑOZ UNIVERSIDAD TECNOLOGICA DE PEREIRA FACULTAD
Más detallesLección 6 Redes Neuronales Artificiales Curso Básico
Lección 6 Redes Neuronales Artificiales Curso Básico Curso Aproximación al estudio de célula mínima desde la Biología de Sistemas Montevideo 6-10 diciembre 2010 Federico Morán Departamento de Bioqímica
Más detallesTécnicas de inteligencia artificial. Aprendizaje: Perceptrón multi-capa
Técnicas de inteligencia artificial Aprendizaje: Perceptrón multi-capa Índice Regla delta Modelo computacional Neuronas e hiperplanos Entrenamiento como ajuste supervisado No-separabilidad lineal Backpropagation
Más detallesRedes Neuronales Artificiales. MTI. Eduardo Cruz Romero
Redes Neuronales Artificiales MTI. Eduardo Cruz Romero Qué es una neurona? La neurona es la célula responsable de transferir la información y los impulsos eléctricos alrededor del cuerpo. Estructura Neuronal
Más detallesTema: Aprendizaje Supervisado.
Sistemas Expertos e Inteligencia Artificial. Guía No. 9 1 Tema: Aprendizaje Supervisado. Facultad: Ingeniería Escuela: Computación Asignatura: Sistemas Expertos e Inteligencia Artificial Objetivos Específicos
Más detallesTema 2 Primeros Modelos Computacionales
Universidad Carlos III de Madrid OpenCourseWare Redes de Neuronas Artificiales Inés M. Galván - José Mª Valls Tema 2 Primeros Modelos Computacionales 1 Primeros Modelos Computacionales Perceptron simple
Más detallesNeurona. Células y Fibras nerviosas Célula Nerviosa. Sensoriales, motoras y de asociación Nucleo Actividades metabólicas Conexiones sinápticas
Redes Neuronales Neurona Células y Fibras nerviosas Célula Nerviosa Neuronas Bipolares Neuronas Multipolares Sensoriales, motoras y de asociación 50000 Nucleo Actividades metabólicas Conexiones sinápticas
Más detallesRedes Neuronales. Parte II. Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez
Redes Neuronales Parte II Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez UNIDAD TEMÁTICA : REDES NEURONALES Introducción. De/iniciones. Topologías
Más detallesPerceptrón multicapa. Diego Milone y Leonardo Rufiner Inteligencia Computacional Departamento de Informática FICH-UNL
Perceptrón multicapa Diego Milone y Leonardo Rufiner Inteligencia Computacional Departamento de Informática FICH-UNL Organización Un poco de historia... Cómo resolver el problema XOR? Métodos de gradiente
Más detallesRedes Neuronales Artificiales
Algoritmo de retropropagación Back propagation Es utilizado para entrenar redes neuronales multicapa. Exige que la función de activación de las neuronas sea derivable y creciente. Las funciones comúnmente
Más detallesUNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS
1. Información General UNIVERSIDD DISTRITL FRNCISCO JOSÉ DE CLDS UNIVERSIDD DISTRITL Francisco José de Caldas Facultad Tecnológica Tecnología en Sistemas Eléctricos de media y baja tensión articulado por
Más detallesDra. Ma. del Pilar Gómez Gil Primavera 2013
C261-69 Tópicos Avanzados: Redes Neuronales Artificiales V:22-Ene-13 Dra. Ma. del Pilar Gómez Gil Primavera 2013 pgomez@acm.org, pgomez@inaoep.mx (c) 2008-2013. P. Gómez-Gil, INAOE 1 Objetivo del curso
Más detallesING. EN SISTEMAS COMPUTACIONES TEMA A EXPONER: REDES NEURONALES
ING. EN SISTEMAS COMPUTACIONES TEMA A EXPONER: REDES NEURONALES Ing. Bruno López Takeyas ALUMNOS: Jesús Martín Buentello Vargas Oscar de Luna Quezada Jesús Antonio Galindo Palacios Daniel Villanueva Cisneros
Más detallesCapítulo 2. Las Redes Neuronales Artificiales
Capítulo 2. Las Redes Neuronales Artificiales 13 Capitulo 2. Las Redes Neuronales Artificiales 2.1 Definición Redes Neuronales Artificiales El construir una computadora que sea capaz de aprender, y de
Más detallesInteligencia Artificial. Redes Neurales Artificiales
Inteligencia Artificial Redes Neurales Artificiales Redes Neural Natural Estructura celular del del cerebro donde residen las las capacidades intelectuales del del hombre Neurona: Soma: Dendritas: Sinapsis:
Más detallesInteligencia Artificial
Algoritmos genéticos Bases En la naturaleza todos los seres vivos se enfrentan a problemas que deben resolver con éxito, como conseguir más luz solar o conseguir comida. La Computación Evolutiva interpreta
Más detallesMÉTODOS DE APRENDIZAJE INDUCTIVO (continuación)
Aprendiae Automático y Data Mining Bloque III MÉTODOS DE APRENDIZAJE INDUCTIVO (continuación) REDES NEURONALES 2 Redes neuronales (I) Red neuronal: método de aprendiae inductivo inspirado en la estructura
Más detallesCOMPUTACION INTELIGENTE (PRIMERA PARTE: INTRODUCCION)
COMPUTACION INTELIGENTE (PRIMERA PARTE: INTRODUCCION) Jose Aguilar Cemisid, Facultad de Ingeniería Universidad de los Andes Mérida, Venezuela aguilar@ula.ve COMPUTACIÓN INTELIGENTE METODOLOGÍA COMPUTISTA
Más detallesFuzzification. M.C. Ana Cristina Palacios García
Fuzzification M.C. Ana Cristina Palacios García Introducción Es el proceso donde las cantidades clásicas se convierten a difusas. Requiere el identificar la incertidumbre presente en valores finitos o
Más detallesTema: Red Neuronal Hopfield. Reconocimiento de Patrones.
Sistemas Expertos e Inteligencia Artificial. Guía No. 10 1 Facultad: Ingeniería Escuela: Computación Asignatura: Sistemas Expertos e Inteligencia Artificial Tema: Red Neuronal Hopfield. Reconocimiento
Más detallesRedes neuronales con funciones de base radial
Redes neuronales con funciones de base radial Diego Milone y Leonardo Rufiner Inteligencia Computacional Departamento de Informática FICH-UNL Organización: RBF-NN Motivación y orígenes RBF Arquitectura
Más detallesMODELOS DE COMPUTACION II
INGENIERIA INFORMATICA ÁREA: CIENCIAS DE LA COMPUTACIÓN E INTELIGENCIA ARTIFICIAL MODELOS DE COMPUTACION II Presentación del profesor y de la asignatura JUAN LUIS CASTRO PEÑA 2010-11 Información: http://decsai.ugr.es/~castro/mcii
Más detallesRedes de Neuronas Recurrentes Computación con Inspiración Biológica
Redes de Neuronas Recurrentes Computación con Inspiración Biológica Grupo de Computación Evolutiva y Redes Neuronales Departamento de Informática Universidad Carlos III de Madrid Redes Recurrentes Introducción
Más detallesRedes Neuronales Artificiales
Neuronales Artificiales Eduardo Morales, Hugo Jair Escalante Coordinación de Ciencias Computacionales Instituto Nacional de Astrofísica, Óptica y Electrónica Septiembre, 2015 (INAOE) Septiembre, 2015 1
Más detallesSimulación de Redes Neuronales Artificiales: Una Herramienta para la Docencia en Castellano
Simulación de Redes Neuronales Artificiales: Una Herramienta para la Docencia en Castellano Anita Alegre López 1, Sonia Mariño 1, David La Red 1 1 Dpto. Informática. Universidad Nacional del Nordeste.
Más detallesTópicos Avanzados: Inteligencia Computacional I
C291-78 Tópicos Avanzados: Inteligencia Computacional I V: 20-Ene-16 Instructoras (en orden alfabético) Dra. Ma. del Pilar Gómez Gil Dra. Alicia Morales Reyes Primavera 2016 pgomez@inaoep.mx (c) 2016.
Más detallesAPRENDIZAJE Y ENTRENAMIENTO. (Neural Nets Capt. 8; Hilera Capt. 3)
Tema 2: Aprendizaje y Entrenamiento Sistemas Conexionistas 1 2.- Aprendizaje o Entrenamiento. 2.1.- Aprendizaje Automático. 2.2.- Tipos de aprendizaje. APRENDIZAJE Y ENTRENAMIENTO. (Neural Nets Capt. 8;
Más detallesAnálisis de Datos. Introducción al aprendizaje supervisado. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Introducción al aprendizaje supervisado Profesor: Dr. Wilfrido Gómez Flores 1 Conceptos básicos Reconocimiento de patrones (RP): clasificar objetos en un número de categorías o clases.
Más detallesLas Redes Neuronales Artificiales y su importancia como herramienta en la toma de decisiones. Villanueva Espinoza, María del Rosario CAPÍTULO III
herramienta en la toma de decisiones Villanueva Espinoza, María CAPÍTULO III III ELEMENTOS DE UNA RED NEURONAL ARTIFICIAL Las redes neuronales son modelos que intentan reproducir el comportamiento del
Más detallesRedes de Neuronas de Base Radial
Redes de Neuronas de Base Radial 1 Introducción Redes multicapa con conexiones hacia delante Única capa oculta Las neuronas ocultas poseen carácter local Cada neurona oculta se activa en una región distinta
Más detallesDISEÑO DE UN LABORATORIO VIRTUAL BASICO DE REDES NEURONALES DE RETROPROPAGACIÓN GUIAS PARA EL DISEÑO DEL LABORATORIO
DISEÑO DE UN LABORATORIO VIRTUAL BASICO DE REDES NEURONALES DE RETROPROPAGACIÓN DESCRIPCIÓN DEL DOCUMENTO: Este documento presenta la construcción de un laboratorio virtual básico para el diseño de redes
Más detallesTema 7 Redes Neuronales Recurrentes
Universidad Carlos III de Madrid OpenCourseWare Redes de Neuronas Artificiales Inés M Galván -José Mª Valls Tema 7 Redes Neuronales Recurrentes REDES DE NEURONAS ARTIFICIALES INÉS M GALVÁN, JOSÉ Mª VALLS
Más detallesPREDICCIÓN DEL TIPO DE CAMBIO PESO-DÓLAR UTILIZANDO REDES NEURONALES ARTIFICIALES LUIS ALBERTO ZAPATA GARRIDO HUGO FABIÁN DIAZ MOJICA
PREDICCIÓN DEL TIPO DE CAMBIO PESO-DÓLAR UTILIZANDO REDES NEURONALES ARTIFICIALES LUIS ALBERTO ZAPATA GARRIDO HUGO FABIÁN DIAZ MOJICA FUNDACIÓN UNIVERSIDAD DEL NORTE FACULTAD DE CIENCIAS ADMINISTRATIVAS
Más detallesCapítulo 5. Construcción de una Red Neuronal Artificial Asesora
Capítulo 5. Construcción de una Red Neuronal Artificial Asesora 53 Capítulo 5. Construcción de una Red Neuronal Artificial Asesora 5.1 Construcción de la red A lo largo de las investigaciones realizadas
Más detallesRedes Multicapa. Compuerta XOR
Redes Multicapa LIMITACIÓN DEL PERCEPTRÓN El perceptrón puede resolver solamente problemas que sean linealmente separables, esto es problemas cuyas salidas estén clasificadas en dos categorías diferentes
Más detallesSecretaría de Docencia Dirección de Estudios Profesionales
PROGRAMA DE ESTUDIO POR COMPETENCIAS REDES NEURONALES I. IDENTIFICACIÓN DEL CURSO Espacio Educativo: Facultad de Ingeniería Licenciatura: Ingeniería en Computación Área de docencia: Interacción Hombre-Máquina
Más detallesInteligencia Artificial
Inteligencia Artificial Inteligencia, concepto Es la capacidad para aprender o comprender. Suele ser sinónimo de intelecto (entendimiento), pero se diferencia de éste por hacer hincapié en las habilidades
Más detallesAPRENDIZAJE NO SUPERVISADO Y EL ALGORITMO WAKE-SLEEP EN REDES NEURONALES
UNIVERSIDAD TECNOLÓGICA DE LA MIXTECA APRENDIZAJE NO SUPERVISADO Y EL ALGORITMO WAKE-SLEEP EN REDES NEURONALES TESIS PARA OBTENER EL TÍTULO DE: LICENCIADO EN MATEMÁTICAS APLICADAS PRESENTA: NORMA PELÁEZ
Más detallesHistoria de las Redes Neuronales
Historia de las Redes Neuronales Conseguir diseñar y construir máquinas capaces de realizar procesos con cierta inteligencia ha sido uno de los principales objetivos de los científicos a lo largo de la
Más detallesReconocimiento de Patrones DRA. LETICIA FLORES PULIDO
Reconocimiento de Patrones DRA. LETICIA FLORES PULIDO 2 CONTENIDO TEMA1: INTRODUCCIÓN TEMA2: APRENDIZAJE MÁQUINA TEMA3: REDES NEURONALES MULTICAPA TEMA4: PROGRAMACIÓN EVOLUTIVA 3 TEMA 2 : APRENDIZAJE MÁQUINA
Más detallesRedes Neuronales Artificiales
Redes Neuronales Artificiales Claudio Javier Tablada Germán Ariel Torres Resumen. Una Red Neuronal Artificial es un modelo matemático inspirado en el comportamiento biológico de las neuronas y en la estructura
Más detallesTipos de Aprendizaje
Karina Figueroa Contenido Objetivo: Comprender las nociones básicas de los enfoques representativos de aprendizaje automático Nota del día Aprendizaje y el modelo científico Clasificación de los algoritmos
Más detallesINTELIGENCIA ARTIFICIAL I
ESCUELA SUPERIOR POLITÉCNICA AGROPECUARIA DE MANABÍ MANUEL FÉLIX LÓPEZ CARRERA INFORMÁTICA SEMESTRE SEXTO PERIODO OCT-2014/MAR-2015 INTELIGENCIA ARTIFICIAL I TEMA: INTRODUCCIÓN A LAS REDES DE NEURONAS
Más detallesPROJECT GLASS : REALIDAD AUMENTADA, RECONOCIMIENTO DE IMÁGENES Y RECONOCIMIENTO DE VOZ.
PROJECT GLASS : REALIDAD AUMENTADA, RECONOCIMIENTO DE IMÁGENES Y RECONOCIMIENTO DE VOZ. Lucas García Cillanueva Paloma Jimeno Sánchez-Patón Leticia C. Manso Ruiz PROJECT GLASS Dentro de Google Labs Gafas
Más detallesRedes neuronales artificiales
Redes neuronales artificiales Emilio Soria, Antonio Blanco INTRODUCCIÓN Si tuviéramos que definir la principal característica que nos separa del resto de animales seguramente, la gran mayoría de nosotros,
Más detallesRedes neuronales. Conceptos fundamentales y modelos
Redes neuronales Conceptos fundamentales y modelos 2 Contenido Introduccion La neurona biologica Modelo de una neurona Arquitecturas de las redes: Redes feedforward Arquitecturas de las redes: Redes recurrentes
Más detalles2. PRINCIPALES TIPOS DE REDES NEURONALES
33 2. PRINCIPALES TIPOS DE REDES NEURONALES 2.1 PERCEPTRÓN 2.1.1 Antecedentes. La primera red neuronal conocida, fue desarrollada en 1943 por Warren McCulloch y Walter Pitts; ésta consistía en una suma
Más detallesCONTROL PREDICTIVO CON REDES NEURONALES COMO MODELO, UTILIZANDO EL METODO DE NEWTON-RAPHSON PARA LOGRAR LA MINIMIZACION DE LA FUNCION DE COSTO
Scientia et Technica Año XV, No 41, Mayo de 2009. Universidad Tecnológica de Pereira. ISSN 0122-1701 203 CONTROL PREDICTIVO CON REDES NEURONALES COMO MODELO, UTILIZANDO EL METODO DE NEWTON-RAPHSON PARA
Más detallesTema 9: Introducción a las redes neuronales
D. Balbontín Noval F. J. Martín Mateos J. L. Ruiz Reina Dpto. Ciencias de la Computación e Inteligencia Artificial Universidad de Sevilla Neuronas artificiales: inspiración biológica El aprendizaje en
Más detallesDra. Ma. del Pilar Gómez Gil
C6-69 Tópicos Avanzados: Redes Neuronales Artificiales Neurodinámica: Las Redes de Hopfield Dra. Ma. del Pilar Gómez Gil V:4--7 P. Gómez Gil. INAOE (c) 7 Neurodinámica Se refiere al estudio de RNA vistas
Más detallesPONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR FACULTAD DE INGENIERIA ESCUELA DE SISTEMAS
PONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR FACULTAD DE INGENIERIA 1. DATOS INFORMATIVOS MATERIA O MODULO: CODIGO: CARRERA: NIVEL: No. CREDITOS 4 CREDITOS TEORIA: 3 CREDITOS PRACTICA: 1 ESCUELA DE SISTEMAS
Más detallesRed Neuronal para el Reconocimiento de Patrones
Conferencia Taller Sistemas Neuro borrosos 26 de abril de 2017 Red Neuronal para el Reconocimiento de Patrones Juan Carlos Alvarado Pérez juan.alvarado@aunar.edu.co Facultad de Ingeniería Programa de ingeniería
Más detallesRECONOCIMIENTO DE PATRONES DRA. LETICIA FLORES PULIDO
RECONOCIMIENTO DE PATRONES DRA. LETICIA FLORES PULIDO 2 CONTENIDO TEMA1: INTRODUCCIÓN TEMA2: APRENDIZAJE MÁQUINA TEMA3: RECONOCIMIENTO DE PATRONES TEMA4: PROGRAMACIÓN EVOLUTIVA 3 TEMA 3 : RECONOCIMIENTO
Más detallesNUEVOS PARADIGMAS REDES NEURONALES Y EDUCACIÓN..-Redes Neuronales Artificiales vs Redes Neuronales Biológicas
NUEVOS PARADIGMAS REDES NEURONALES Y EDUCACIÓN.-Redes Neuronales Artificiales vs Redes Neuronales Biológicas 1) Comparación entre humanos y máquinas 2) Las neuronas y el aprendizaje 3) Activación de las
Más detallesAprendizaje Automatizado
Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto
Más detallesFUNDAMENTOS PARA LA IMPLEMENTACIÓN DE RED NEURONAL PERCEPTRÓN MULTICAPA MEDIANTE SOFTWARE
Universidad de San Carlos de Guatemala Facultad de Ingeniería Escuela de Ingeniería Mecánica Eléctrica FUNDAMENTOS PARA LA IMPLEMENTACIÓN DE RED NEURONAL PERCEPTRÓN MULTICAPA MEDIANTE SOFTWARE José Francisco
Más detalles5.- Diseña un Perceptrón simple con una capa intermedia (oculta) de unidades de proceso bipolares que implemente la función lógica XOR. 6.
05/IX/2005 E. T. S. de Ingeniería Informática Universidad de Málaga 1.- Demuestra el teorema de convergencia de una red de Hopfield binaria cuando se sigue una dinámica de computación asíncrona (secuencial).
Más detallesMaría Gabriela Vintimilla Sarmiento Darwin Alulema
Desarrollo e Implementación de una Aplicación que Traduzca el Abecedario y los Números del uno al diez del Lenguaje de Señas a Texto para Ayuda de Discapacitados Auditivos Mediante Dispositivos Móviles
Más detallesAprendizaje Automatizado. Redes Neuronales Artificiales
Aprendizaje Automatizado Redes Neuronales Artificiales Introducción Una forma de emular características propias de los humanos: memorizar y asociar hechos. Se aprende de la experiencia. El cerebro humano
Más detallesAnálisis de Datos. Combinación de clasificadores. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Combinación de clasificadores Profesor: Dr. Wilfrido Gómez Flores 1 Introducción Diversos algoritmos de clasificación están limitados a resolver problemas binarios, es decir, con dos
Más detallesResumen. Este trabajo se divide principalmente en 2 partes:
DISEÑO DE UNA RED NEURONAL RECURRENTE MEDIANTE LA UTILIZACIÓN DE BLOQUES DSP CON XILINX SYSTEM GENERATOR, IMPLEMENTADA EN TIEMPO REAL EN DISPOSITIVOS RECONFIGURABLES Resumen Juan J. Raygoza P, Susana Ortega
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Preguntas y Ejercicios para Evaluación: Tema 4
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Preguntas y Eercicios para Evaluación: Tema 4 1. Indique características del aprendizae no supervisado que no aparezcan en el
Más detallesESTUDIO DE APLICACIÓN DE REDES NEURONALES EN LA EVALUACIÓN DE RIESGO CREDITICIO
PONTIFICIA UNIVERSIDAD CATÓLICA DE VALPARAÍSO FACULTAD DE INGENIERÍA ESCUELA DE INGENIERÍA INFORMÁTICA ESTUDIO DE APLICACIÓN DE REDES NEURONALES EN LA EVALUACIÓN DE RIESGO CREDITICIO VALERIA ELIZABTEH
Más detallesI SEMANA ELECTRONICA REDES NEURONALES
UNIVERSIDAD NACIONAL SAN ANTONIO ABAD A DEL CUSCO CARRERA PROFESIONAL DE INGENIERIA ELECTRONICA I SEMANA ELECTRONICA REDES NEURONALES Ing. Avid idromán González Se trata de una nueva forma de computación
Más detallesCAPÍTULO I ALGUNOS HECHOS INTERESANTES DE LAS NEURONAS
CAPÍTULO I ALGUNOS HECHOS INTERESANTES DE LAS NEURONAS La idea de ser parte constituyente de la estructura cerebral la introducen Ramón y Cajal en 9. El tamaño de una neurona es de cinco a seis veces más
Más detallesPrimera aproximación al aprendizaje automático.
APRENDIZAJE Introducción al aprendizaje algorítmico José M. Sempere Departamento de Sistemas Informáticos y Computación Universidad Politécnica de Valencia Aprender: Tomar algo en la memoria [...] Adquirir
Más detalles4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC:
4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC: A continuación se muestran los objetivos así como los mapas funcionales según la línea de acentuación y la línea
Más detallesUNIDAD I.- INTRODUCCIÓN
UNIDAD I.- INTRODUCCIÓN LECCIÓN 1.1.- El propósito de la Inteligencia Artificial y su evolución histórica 1.1.4.- Evolución Histórica de la Inteligencia Artificial Gestación de la Inteligencia Artificial
Más detallesUNIVERSIDAD VERACRUZANA MONOGRAFÍA: Licenciado en Sistemas Computacionales Administrativos. Francisco Xavier Basilio Hernández
UNIVERSIDAD VERACRUZANA Facultad de Contaduría y Administración Las redes neuronales con un Enfoque organizacional MONOGRAFÍA: Para obtener el título de: Licenciado en Sistemas Computacionales Administrativos
Más detallesReconocimiento Automático de Voz
Reconocimiento Automático de Voz Presentación basada en las siguientes Referencias: [1] Rabiner, L. & Juang, B-H.. Fundamentals of Speech Recognition, Prentice Hall, N.J., 1993. [2] Rabiner, L. & Juang,
Más detalles3.7 IDENTIFICACION DE UN SISTEMA DINÁMICO NO LINEAL Descripción del Problema: La identificación de un sistema consiste en
301 3.7 IDENTIFICACION DE UN SISTEMA DINÁMICO NO LINEAL 3.7.1 Descripción del Problema: La identificación de un sistema consiste en determinar una función que relacione las variables de entrada con las
Más detalles2. REDES NEURONALES INTRODUCCION
2. REDES NEURONALES En este capitulo se abordara el tema de redes neuronales basados en la estructura del libro Redes Neuronales y Sistemas Difusos de los profesores Martín del Brío y Sanz Molina [12],
Más detallesSistema de Detección de Intrusos para ataques Cross-Site Scripting
Sistema de Detección de Intrusos para ataques Cross-Site Scripting García Ramírez Israel & Fonseca Casao Sergio Israel Directores: M. en C. Ramírez Morales Mario Augusto & M. en C. Saucedo Delgado Rafael
Más detallesIntroducción a la Inteligencia Artificial
Introducción a la Inteligencia Artificial Qué es la Inteligencia Artificial? Todas las definiciones de Inteligencia Artificial están relacionadas con la siguiente idea: Desarrollo de métodos y algoritmos
Más detallesContenido Capítulo 1 Introducción Capítulo 2 Conceptos Básicos Capítulo 3 Procesamiento de Imágenes en el Dominio Espacial
Contenido Capítulo 1 Introducción 1.Introducción 1 1.1 Sistema Visual Humano 1 1.2 Modelo de Visión por Computadora 3 1.3 Procesamiento Digital de Imágenes 3 1.4 Definición de Imagen Digital 4 Problemas
Más detallesIntroducción. Autoencoders. RBMs. Redes de Convolución. Deep Learning. Eduardo Morales INAOE (INAOE) 1 / 60
Deep Learning Eduardo Morales INAOE (INAOE) 1 / 60 Contenido 1 2 3 4 (INAOE) 2 / 60 Deep Learning El poder tener una computadora que modele el mundo lo suficientemente bien como para exhibir inteligencia
Más detallesREDES NEURONALES ARTIFICIALES APLICADAS AL DISEÑO EN INGENIERÍA
REDES NEURONALES ARTIFICIALES APLICADAS AL DISEÑO EN INGENIERÍA J. M. Cervantes Martínez, T. H. Neri Vitela y G. Mendoza García * Instituto Mexicano del Petróleo Eje Central Lázaro Cárdenas No. 152 C.P.
Más detallesCRITERIOS DE SELECCIÓN DE MODELOS
Inteligencia artificial y reconocimiento de patrones CRITERIOS DE SELECCIÓN DE MODELOS 1 Criterios para elegir un modelo Dos decisiones fundamentales: El tipo de modelo (árboles de decisión, redes neuronales,
Más detallesUniversidad de Costa Rica Sistema de Aplicaciones Estudiantiles SAE
Página 1 de 8 Plan de Estudio Enfasis 0 Bloque Común(no hay énfasis) Nivel Curso Nombre del curso T P L TP Cred. Requisitos y Req. Equivalentes Correquisitos y Correq. Equivalentes 1 CI1010 INTRODUCCIÓN
Más detallesEL MODELO NEURONAL DE McCULLOCH Y PITTS Interpretación Comparativa del Modelo
EL MODELO NEURONAL DE McCULLOCH Y PITTS Interpretación Comparativa del Modelo R. Prieto, A. Herrera, J. L. Pérez, A. Padrón. Laboratorio de Computación Adaptativa, Centro de Instrumentos, UNAM. Apdo. Postal
Más detalles