Unidad VII Redes Neuronales
|
|
- Isabel Hidalgo Figueroa
- hace 5 años
- Vistas:
Transcripción
1 Unidad VII Redes Neuronales Maestría en Sistemas Computacionales Clave: MPSCO Créditos Sesiones Sábados Rafael Vázquez Pérez
2 Agenda 7.1 Introducción a las Redes Neurales (ANN) 7.2 Tipos de ANN 7.3 Aplicaciones 7.4 Implementación
3 Introducción Durante varias décadas los científicos han perseguido la construcción de algoritmos capaces de procesar información al igual que el cerebro humano En la actualidad existe un gran número de estructuras diferentes de redes de neuronas artificiales. Se caracterizan porque gozan de propiedades como la capacidad de aprendizaje a partir de ejemplos Las redes de neuronas se utilicen para abordar problemas de: Aproximación, Predicción, Clasificación, Agrupación Se aplican a áreas como: reconocimiento de patrones (imagen, voz, caracteres) compresión y análisis de datos robótica medicina...
4 Qué es una Red Neuronal artificial (ANN)? Es un Modelo Matemático-Informático de cómo procesan la información las neuronas biológicas.
5 Es importante conocer los Neurofisiología conceptos básicos que nos permitan una mejor comprensión del estudio de las bases neurales de la cognición Elemental
6 El Cerebro Humano Parte del sistema nervioso central Contiene cerca de 1010 neuronas La neurona es la célula activa de la función cerebral Cada neurona se activa aproximadamente cada 5 ms Cada neurona se conecta aproximadamente con otras 10 4 neuronas Dando un total de 1014 conexiones
7 Neurona Biológica
8 Partes principales de una Neurona Sinapsis Espacio adyacente entre las neuronas cuyas señales químicas son transmitidas Dendritas Contactos sinapticos que reciben información de otras neuronas: ENTRADA Cuerpo de la célula o soma Centro metabólico de la neurona: PROCESO Axón Es la extensión del cuerpo de la neurona: SALIDA
9 Procesamiento Neural
10 NeuroTransmisores - Acetilcolina - Norepinefrina - Dopamina - Serotonina Sinapsis Axón Dendrita
11 NeuroTransmisores - Acetilcolina - Norepinefrina - Dopamina - Serotonina Sinapsis Axón Dendrita
12 NeuroTransmisores - Acetilcolina - Norepinefrina - Dopamina - Serotonina Sinapsis Axón Dendrita
13 NeuroTransmisores - Acetilcolina - Norepinefrina - Dopamina - Serotonina Sinapsis Axón Dendrita 30 mv
14 NeuroTransmisores - Acetilcolina - Norepinefrina - Dopamina - Serotonina Sinapsis Axón Dendrita 30 mv
15 NeuroTransmisores - Acetilcolina - Norepinefrina - Dopamina - Serotonina Sinapsis Axón Dendrita 30 mv
16 NeuroTransmisores - Acetilcolina - Norepinefrina - Dopamina - Serotonina Sinapsis Axón Dendrita 30 mv
17 NeuroTransmisores - Acetilcolina - Norepinefrina - Dopamina - Serotonina Sinapsis Axón Dendrita 30 mv
18 NeuroTransmisores - Acetilcolina - Norepinefrina - Dopamina - Serotonina Sinapsis Axón Dendrita 30 mv
19 NeuroTransmisores - Acetilcolina - Norepinefrina - Dopamina - Serotonina Sinapsis Axón Dendrita 30 mv
20 NeuroTransmisores - Acetilcolina - Norepinefrina - Dopamina - Serotonina Sinapsis Axón Dendrita 30 mv
21 NeuroTransmisores - Acetilcolina - Norepinefrina - Dopamina - Serotonina Sinapsis Axón Dendrita 30 mv
22 NeuroTransmisores - Acetilcolina - Norepinefrina - Dopamina - Serotonina Sinapsis Axón Dendrita 30 mv
23 NeuroTransmisores - Acetilcolina - Norepinefrina - Dopamina - Serotonina Sinapsis Axón Dendrita 30 mv
24 NeuroTransmisores - Acetilcolina - Norepinefrina - Dopamina - Serotonina Sinapsis Axón Dendrita 30 mv
25 NeuroTransmisores - Acetilcolina - Norepinefrina - Dopamina - Serotonina Sinapsis Axón Dendrita 30 mv
26 NeuroTransmisores - Acetilcolina - Norepinefrina - Dopamina - Serotonina Sinapsis Axón Dendrita 30 mv
27 NeuroTransmisores - Acetilcolina - Norepinefrina - Dopamina - Serotonina Sinapsis Axón Dendrita 30 mv
28 NeuroTransmisores - Acetilcolina - Norepinefrina - Dopamina - Serotonina Sinapsis Axón Dendrita 30 mv
29 NeuroTransmisores - Acetilcolina - Norepinefrina - Dopamina - Serotonina Sinapsis Axón Dendrita 30 mv
30 NeuroTransmisores - Acetilcolina - Norepinefrina - Dopamina - Serotonina Sinapsis Axón Dendrita 30 mv
31 NeuroTransmisores - Acetilcolina - Norepinefrina - Dopamina - Serotonina Sinapsis Axón Dendrita 30 mv
32 Abstracción Salida de otra neurona Oposición o Facilidad Entrada Neurona
33 Primer Modelo de la Neurona Artificial Bias wk0 x 1 w k1 Input Signals x 2 wk2 Σ Φ(.) Output y k x m w km Summing Junction Activation Function Synaptic Weights
34 Análisis del modelo de la neurona artificial Bias wk0 Suma: Procesamiento metabólico de las entradas x 1 w k1 Input Signals x 2 wk2 Σ Φ(.) Output y k x m w km Summing Junction Activation Function Synaptic Weights Conección fuerte: Pesos Sinápticos Pesos de cada entrada Excitatoria: pesos positivos Inhibitoria: pesos negativos Threshold: función de activación La suma de los pesos exceden al umbral? La señal de salida 0 no se dispara, 1 disparo
35 Porque una red Neuronal? Inspiración Biológica Para resolver problemas donde se requiere tener un beneficio de usar una computadora pero donde es impráctico programar la respuesta para todas las posibles salida (knowledge engineering bottleneck) Tolerancia al ruido Principios del aprendizaje de maquina
36 Ventajas de las ANN Aprendizaje adaptativo (entrenamiento) Auto organización (auto organizan la información) Tolerancia a Fallos (destrucción parcial de la red) Operación en tiempo real (calculo en paralelo) Fácil inserción dentro de la tecnología existente
37 Aplicaciones de las ANN Biología Aprender mas acerca del cerebro Obtención de modelos de la retina
38 Aplicaciones de las ANN Empresa Identificación de Candidatos para posiciones especificas Explotación de bases de datos Optimización de plazas y horarios en lineas aéreas Reconocimiento de Caracteres Escritos
39 Aplicaciones de las ANN Medio Ambiente Analizar Tendencias y Patrones Previsión del Tiempo
40 Aplicaciones de las ANN Finanzas Previsión de la evolución de los precios Valoración del riesgo de los créditos Identificación de Falsificaciones Interpretación de Firmas
41 Aplicaciones de las ANN Manufactura Sistemas de visión artificial Control de producción en lineas de proceso Inspección de la calidad
42 Aplicaciones de las ANN Medicina Analizadores del Habla para la ayuda de audición de sordos Diagnósticos y tratamiento a partir de síntomas y/o datos analíticos (electrocardiogramas, Encefalogramas, análisis sanguíneos) Predicción de reacciones Adversas a los medicamentos Lectores de rayos X
43 Aplicaciones de las ANN Clasificación de Patrones Reconstrucción de Patrones
44 Elemento básico: La Neurona Artificial Bias w k0 x 1 w k1 Input Signals x 2 wk2 Σ Φ(.) w k0 Output y k x m w km Summing Junction Activation Function Synaptic Weights
45 Elemento básico: La Neurona Artificial Entradas x1, x2,, xm Codifica la entrada a la red neural Bias wk0 Codifica el valor del umbral Equivale a una entrada constante x0 = 1 Pesos de conexión/ sinapsis Conexión fuerte a la entrada de la neurona. Negativo es inhibitorio Positivo es excitatorio
46 Elemento básico: La Neurona Artificial Suma(entrada total) Adición acumulativa Sin tomar en cuenta el bias Función de Activación Usa la entrada total para determinar cuando se debe disparar la neurona (threshold) y = Salida Salida de la función de activación v k = w k 0 x v k 0 + = m j= 1 m j= 0 ϕ w w kj kj x x j j ( ) k v k
47 Funciones de Activación Umbral Fuerte Binario: salidas 0 o 1 Bipolar: salidas 1 o 1 función Heaviside / Step / Signum o Piecewise-linear
48 Funcion Heaviside! $ 1 if v 0 Binaria ϕ( v) = # Bipolar ϕ( v)!" 0 if v < 0 $ 1! = # 0!!" 1 if if if v > 0 v = 0 v < 0
49 Función Sigmoide Binary ϕ ( v) + e av = 1 1
50 Función Tangente Hiperbólica ϕ Bipolar ( v) = tanh( av) e av e av = e av + e av
51 Ejemplo básico x 1 w k1 Bias w k0 Tenemos una Neurona de 2 entradas, con valor de umbral x0=1 y el peso w0=1 x 2 x m wk2 w km Summing Junction Σ Φ(.) Activation Function Los pesos w1=1.14 y w2= 0.45 Output y k La función de activación será Heaviside binaria Debemos calcular la salida Synaptic Weights Para una entrada X1=2 y X2= 5.2
52 Solución Paso 1, Calcular la entrada Neta (en mucha literatura le llaman NET) NET = x 0w0+x1w1+x2w2 NET=(1)(1)+(2)(1.14)+(5.2)(0.45) NET= 5.62 v k = w k 0 x v k 0 + = m j= 1 m j= 0 w w kj kj x x j j y = ϕ ( ) k v k
53 Solución Paso 2 Calcular la salida en base a la función de activación NET=V Binaria ϕ ( v) =! $ 1 #!" 0 if if v v < 0 0 Bipolar Salida = 1
54 Modelo Computacional ANN Una red de neuronas artificiales viene determinada por Conjunto de unidades de proceso o neuronas artificiales Conexiones entre las unidades Regla de propagación, para emitir señales a través de las conexiones Regla de aprendizaje para modificar los pesos de las conexiones Se necesita un conjunto de ejemplos (muestras, datos, patrones) que representen el problema, a partir del cual se realiza el aprendizaje
55 Modelo Computacional ANN Arquitectura de la red: Distribución de las neuronas y conexión entre ellas La estructura básica: Red multicapa Capa de entrada, Capas ocultas y Capa de salida Propagación de la señal hacia delante El valor de la señal se modifica según el peso de la conexión Los pesos se ajustan en la fase de aprendizaje
56 Interconexión de los elementos básicos I 1 O 1 I 2 O 2 I m O m Nivel de Niveles Nivel de Entrada Ocultos Salida
57 Capas La distribución de neuronas dentro de la red se realiza formando niveles o capas de un numero determinado de neuronas cada una. Se pueden distinguir 3 tipos de capas: De entrada.- Es la capa que recibe directamente la información proveniente de las fuentes externas a la red Ocultas: Son internas a la red y no tienen contacto directo con el entorno exterior. El numero de niveles ocultos puede estar entre cero y un numero elevado. Las neuronas de las capas ocultas pueden estar interconectadas de distintas maneras, lo que determina junto con su numero, las distintas tipologías de redes neuronales. De Salida.- Transfieren Información de la red hacia el exterior.
58 Clasificación de la redes en términos topologicos Redes de una Sola Capa o nivel de neuronas. Redes de capas multiples (2 o 3) o Multicapas
59 Redes Monocapa Ejemplos tipicos son HOPFIELD y BRAIN- STATE-IN-BOX Conexiones laterales entre las neuronas que pertenecen a la unica capa que constituyen la red
60 Redes Multicapa Las redes multicapa son aquellas que disponen de conjuntos de neuronas agrupadas en varios (2 o 3) niveles o capas En estos casos, una forma para distinguir la capa a la que pertenece una neurona, consistiría en fijarse en el origen de las señales que recibe a la entrada y el destino de la señal de salida.
61 Redes Multicapa Ejemplos Típicos Adaline Perceptrón LVQ BAM BOLTZMAN Back-propagation
62 Software para implementación Típicos Matlab, Scilab (para entrenamiento y Ejecución) Herramientas Case Neuralworks, Predictdemo (instalación como complementos de excel) (para entrenamiento y ejecución) Lenguajes de Programación con fuerte soporte numérico
63 Modelo Típico orientado al software Matlab o Scilab
64 Modelo Típico orientado al software Matlab o Scilab
65 Aprendizaje El proceso de aprendizaje consiste en Introducir paulatinamente todos los ejemplos de aprendizaje Modificar los pesos siguiendo una ley o ecuación de aprendizaje Cuando se han introducido todos, se comprueba si se cumple cierto criterio de convergencia. Si no se cumple, se repite el proceso.
66 Datos sobre flores de iris Longitud del Sépalo Ancho del Sépalo Longitud del Pétalo Ancho del Pétalo Especie Setosa Versicolor Virginica Versicolor
Objeto de Estudio 4 Redes Neurales. Rafael Vazquez Perez
Objeto de Estudio 4 Redes Neurales Rafael Vazquez Perez Temas a Tratar Concepto: Qué es una Red Neuronal Artificial?. Aplicación: Para que son útiles?. Diseño: Como se construyen?. Elemento Básico. La
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 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 detallesCONCEPTOS 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 detallesIntroducción a las Redes de Neuronas
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Tema 1 Introducción a las Redes de Neuronas Introducción a las Redes de Neuronas 1 Introducción a las Redes de Neuronas Introducción
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 detallesINVESTIGACIÓN OPERATIVA Redes Neuronales Artificiales y Aplicaciones INTEGRANTES: Armijos Mauricio Jara Iza Rony
INVESTIGACIÓN OPERATIVA Redes Neuronales Artificiales y Aplicaciones INTEGRANTES: Armijos Mauricio Jara Iza Rony Técnicas De La Inteligencia Artificial Programación Heurística Redes Neuronales. Evolución
Más detallesProfesor: Leonardo Franco Despacho Web:
Asignatura: MODELOS COMPUTACIONALES Ingeniería a técnica t en informática de gestión Horario Clases: Martes y Jueves 7:30-9:30 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 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 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 detallesRedes Neuronales Multicapa
Undécima sesión 16 de abril de 2010 Relación entre capas y conjuntos bajo estudio Estructura Regla de decisión XOR Clases no linealmente separables Regiones generalizadas Una capa Regiones separables con
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 detallesIntroducción a las Redes Neuronales Articiales
Inteligencia Humana como Inspiración Novena Sesión 24 de marzo de 2010 Inteligencia Humana como Inspiración Inteligencia Humana como Inspiración Sistema Nervioso Humano Características: Complejo No Lineal
Más detallesRedes Neuronales Artificiales El Perceptrón
1 Sistemas Expertos e Inteligencia Artificial / Guía IX / Ciclo 01-2018 Facultad: Ingeniería Escuela: Computación Asignatura: Sistemas Expertos e Inteligencia Artificial Redes Neuronales Artificiales El
Más detallesRedes Neuronales Artificiales
Red de Hopfield Almacenar un conjunto de p patrones de forma tal que cuando se presente un nuevo patrón, la red responda produciendo alguno de los patrones previamente almacenados que más se parezca al
Más detallesPerceptrón simple y perceptrón multicapa
UNL - FICH - Departamento de Informática - Ingeniería Informática Inteligencia Computacional Guía de trabajos prácticos Perceptrón simple y perceptrón multicapa. Objetivos Aplicar diferentes arquitecturas
Más detallesAprendizaje Automatizado. Redes Neuronales Artificiales
Aprendizaje Automatizado Redes Neuronales Artificiales Introducción Otra forma de emular características propias de los humanos: memorizar y asociar hechos. Se aprende de la experiencia. El cerebro humano
Más detallesRedes Neuronales. Elementos básicos de las redes neuronales Carlos Andrés Delgado S.
Redes Neuronales Elementos básicos de las redes neuronales carlos.andres.delgado@correounivalle.edu.co Carlos Andrés Delgado S. Facultad de Ingeniería. Universidad del Valle Agosto de 2017 Contenido 1
Más detallesAprendizaje: Perceptrón multi-capa
Técnicas de inteligencia artificial Asignatura troncal: 4.5cr, 4ºCurso Ing Inf Aprendizaje: Perceptrón multi-capa 2003-2004 F.Escolano, O.Colomina, M.A. Cazorla Perceptrón 1 Indice Regla delta Modelo computacional
Más detallesConceptos básicos V:
C261-69 69 Tópicos Avanzados: Redes Neuronales Artificiales Conceptos básicos Dra. Ma. del Pilar Gómez Gil Primavera 2009 pgomez@acm.org V:13-01-09 Modelo Básico y Abstracto de un Neurón Artificial x 0
Más detallesIntroducción a Las redes Neuronales (Neurales) CO-6612
a Las redes Neuronales (Neurales) CO-6612 Coordenadas iniciales: Prof. Minaya Villasana Oficina: CBI-112 Extension: 906 3386 forma más fácil (preferida) de contacto: mvillasa@usb.ve Bibliografia: Simon
Más detallesInteligencia Artificial (EC5)
Inteligencia Artificial (EC5) Ciclo Lectivo 2018 Redes Neuronales Parte I Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez UNIDAD TEMÁTICA : REDES NEURONALES
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. Las redes neuronales son modelos computacionales que buscan imitar el funcionamiento
Redes Neuronales Las redes neuronales son modelos computacionales que buscan imitar el funcionamiento de las neuronas biológicas. Se usan principalmente para el reconocimiento de patrones complejos. Para
Más detallesTEMA 0 Y SUS APLICACIONES. Redes Neuronales Artificiales y sus Aplicaciones
Curso RNA Tema 0 TEMA 0 PRESENTACIÓN DEL CURSO REDES NEURONALES ARTIFICIALES Y SUS APLICACIONES Comienzo del Curso Presentación del Curso Enfoque y Contexto Objetivos Contenidos Teórico Contenido Práctico
Más detallesCAPÍTULO 3: REDES NEURONALES RECURRENTES
Capítulo 3 Redes Neuronales Recurrentes 15 CAPÍTULO 3: REDES NEURONALES RECURRENTES En este capítulo se describen las principales características y elementos de tres tipos de redes neuronales: feedforward,
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 detallesRedes Neuronales Multicapa
4 de abril de 2011 Relación entre capas y conjuntos bajo estudio Estructura Regla de decisión XOR Clases no linealmente separables Regiones generalizadas Una capa Regiones separables con hiperplanos Dos
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 detallesLIM. Modelización del conjunto motor-transmisión de un automóvil a partir de datos experimentales. Trabajo final de grado
Trabajo final de grado Modelización del conjunto motor-transmisión de un automóvil a partir de datos experimentales Autor Alfonso Ramón Varela Olmedo Tutores Miguel Ángel Naya Villaverde Emilio Sanjurjo
Más detallesUNIVERSIDAD DE GUADALAJARA
UNIVERSIDAD DE GUADALAJARA CENTRO UNIVERSITARIO DE LOS ALTOS DIVISIÓN DE ESTUDIOS EN FORMACIONES SOCIALES LICENCIATURA: INGENIERÍA EN COMPUTACIÓN UNIDAD DE APRENDIZAJE POR OBJETIVOS REDES NEURONALES ARTIFICIALES
Más detallesÁrea Académica: Instituto de Ciencias Básicas e Ingeniería, Sistemas Computacionales. Tema: Aplicaciones de Redes Neuronales e inspiración biológca.
Área Académica: Instituto de Ciencias Básicas e Ingeniería, Sistemas Computacionales Tema: Aplicaciones de Redes Neuronales e inspiración biológca. Profesor: Víctor Tomás T. Mariano. Alumnos: Leticia Hernández
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 detallesRedes Neuronales. Introducción. José Manuel Quero Reboul Dpto. Ingeniería Electrónica Universidad de Sevilla
Redes Neuronales Introducción José Manuel Quero Reboul Dpto. Ingeniería Electrónica Universidad de Sevilla Indice Motivación Arquitectura Leyes de Aprendizae Aplicaciones DILEMA MEMORIA CALCULO Aritmética
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 detallesCAPÍTULO 3. Las redes neuronales artificiales, ANNs por sus siglas en inglés, son el resultado de varias
CAPÍTULO 3 REDES NEURONALES ARTIFICIALES 3.1 Introducción Las redes neuronales artificiales, ANNs por sus siglas en inglés, son el resultado de varias décadas de investigaciones desarrolladas en torno
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 detallesPROCESO DE FERMENTACIÓN Y REDES NEURONALES. Gallardo, Alejandra Beatriz Sánchez, Mauricio Germán
PROCESO DE FERMENTACIÓN Y REDES NEURONALES Gallardo, Alejandra Beatriz Sánchez, Mauricio Germán Universidad Tecnológica Nacional Facultad Regional Villa María INTRODUCCIÓN AL PROBLEMA La información que
Más detallesOrden de las clases...
Procesamiento Digital de Imágenes Pablo Roncagliolo B. Nº 20 Orden de las clases... CAPTURA, DIGITALIZACION Y ADQUISICION DE IMAGENES TRATAMIENTO ESPACIAL DE IMAGENES TRATAMIENTO EN FRECUENCIA DE IMAGENES
Más detallesProcesamiento Digital de Imágenes. Pablo Roncagliolo B. Nº 20
Procesamiento Digital de Imágenes Pablo Roncagliolo B. Nº 20 Orden de las clases... CAPTURA, DIGITALIZACION Y ADQUISICION DE IMAGENES TRATAMIENTO ESPACIAL DE IMAGENES TRATAMIENTO EN FRECUENCIA DE IMAGENES
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 detallesPerceptrones Fernando Berzal,
Fernando Berzal, berzal@acm.org Introducción Redes neuronales artificiales Modelos de redes Modelo de neurona artificial Funciones de activación La neurona de McCulloch y Pitts El algoritmo de aprendizaje
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 detallesOBJETIVO INTRODUCCIÓN
Fecha: 1 de julio 2015 Tema: Red Kohonen OBJETIVO El objetivo de este tipo de red es conocer su historia, arquitectura, el aprendizaje, algoritmo, limitaciones y de cómo funciona. INTRODUCCIÓN Desde un
Más detallesÍNDICE. Índice de figuras Índice de tablas INTRODUCCIÓN OBJETIVOS DEL PROYECTO... 21
Índice ÍNDICE Índice de figuras... 9 Índice de tablas... 13 1. INTRODUCCIÓN... 15 2. OBJETIVOS DEL PROYECTO... 21 3. EVOLUCIÓN DE LA METODOLOGÍA DE DISEÑO Y DE LA TECNOLOGÍA... 29 3.1 Evolución de la tecnología...
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 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 detallesCourse 4: Neural networks Prof. Santiago Falcón
Course 4: Neural networks Prof. Santiago Falcón Module 2: Data analysis and modelling using Bayesian and neural networks Advanced Data Analysis and Modelling Summerschool Madrid June 26th to July 27th
Más detallesIntroducción a las Redes. Neuronales Artificiales
Redes sus Neuronales Artificiales, PhD. pfjapena@gmail.com Patricio García Baéz, PhD. pgarcia@ull.es Grupo de Investigación en Inteligencia Computacional y Robótica (GICR) Escuela de Ingeniería de Antioquia
Más detallesRed Neuronal Artificial
índice RN Supervisadas - Introducción - El Perceptrón y la estructura multicapa MLP - El aprendizaje retropropagado: BP - Aplicaciones y ejemplos - Características y limitaciones P Campoy 1 Red Neuronal
Más detallesDISEÑO EXPERIMENTAL Y OPTIMIZACIÓN DE SISTEMAS CON MÚLTIPLES RESPUESTAS
DISEÑO EXPERIMENTAL Y OPTIMIZACIÓN DE SISTEMAS CON MÚLTIPLES RESPUESTAS Parte 5: Redes neuronales Héctor Goicoechea E-mail: hgoico@fbcb.unl.edu.ar http://www.fbcb.unl.edu.ar/laboratorios/ladaq/ Redes Neuronales
Más detallesInteligencia Artificial II
Misión del Centro Universitario Somos un centro que forma parte de la Red Universitaria de la Universidad de Guadalajara. Como institución de educación superior pública asumimos el compromiso social de
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 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 detallesINSTITUTO POLITÉCNICO NACIONAL SECRETARÍA ACADÉMICA DIRECCIÓN DE EDUCACION SUPERIOR PROGRAMA SINTÉTICO
CARRERA: Ingeniería en Computación. PROGRAMA SINTÉTICO ASIGNATURA: Redes Neuronales SEMESTRE: Octavo OBJETIVO GENERAL: El alumno aplicará los modelos de las redes neuronales artificiales en sistemas de
Más detallesSesión 018. Del cerebro al mercado: Redes Neuronales Técnicas Estadís6cas en Inves6gación de Mercados Grado en Estadís6ca empresarial Curso
Sesión 018. Del cerebro al mercado: Redes Neuronales 1480- Técnicas Estadís6cas en Inves6gación de Mercados Grado en Estadís6ca empresarial Curso 2012-13 Segundo semestre Profesor: Xavier Barber i Vallés
Más detallesCAPÍTULO Inteligencia Artificial y Redes Neuronales Artificiales
CAPÍTULO 1 INTRODUCCIÓN 1.1 Inteligencia Artificial y Redes Neuronales Artificiales Durante las últimas décadas se han ido desarrollando investigaciones importantes en el área de la inteligencia artificial.
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 detallesREDES NEURONALES ARTIFICIALES EN PREDICCIÓN DE SERIES DE TIEMPO: UNA APLICACIÓN A LA INDUSTRIA
SANTIAGO ZAPATA C. - JULIO VALDES H. Santiago Zapata Cáceres Departamento de Informática y Computación, Facultad de Ingeniería Universidad Tecnológica de Chile szapata@utem.cl Departamento de Informática
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 detallesEl Perceptrón Multicapa
El Perceptrón Multicapa N entradas M neuronas de salida L: neuronas en la capa oculta E = 1 p M ( zi ( k) yi ( k) ) k = 1 i= 1 Implementación de la función XOR Regiones de clasificación en función del
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 detallesPerceptrón Simple. Aspectos Prácticos y Algoritmos Redes Neuronales, DC-FCEyN-UBA. Rosana Matuk Primer Cuatrimestre 2018
Perceptrón Simple Aspectos Prácticos y Algoritmos Redes Neuronales, DC-FCEyN-UBA Rosana Matuk Primer Cuatrimestre 2018 Rosana Matuk (DC-FCEyN-UBA) Perceptrón simple Primer Cuatrimestre 2018 1 / 29 Objetivo
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 detallesRedes Neuronales Artificiales
Redes Neuronales Artificiales Introducción a la Robótica Inteligente Álvaro Gutiérrez de abril de 208 aguti@etsit.upm.es www.robolabo.etsit.upm.es Mapas Predicción Robótica M l M r W ij S S 2 S 3 S 4
Más detallesemercade1@cuc.edu.co Contenido Introducción Elementos básicos del sistema nervioso humano Estructuras y funciones encefálicas Cerebro, aprendizaje y memoria Investigación y estudio del aprendizaje y la
Más detallesSISTEMAS INTELIGENTES
SISTEMAS INTELIGENTES T10: Redes Neuronales.aic.uniovi.es/ssii Índice Redes Neuronales Artificiales Fundamentos biológicos Perceptrón Funciones de activación Redes de neuronas Entrenamiento: Perceptrón
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 detallesIntroducción a las Redes Neuronales
Introducción a las Redes Neuronales Perceptrón Simple William Campillay-LLanos williamcampillay@gmail.com https://sites.google.com/site/williamcampillay/home Departamento de Matemática, Física y Estadística.
Más detallesRedes Neuronales Artificiales
Estructuras de las Los aspectos más característicos de las estructuras son: la conexión, el tamaño y la elección entre ACON y OCON. Dos posibles tipos de arquitectura son: All-Class-in-One-Network (ACON),
Más detallesCalendario escolar y períodos para administrar las unidades de aprendizaje Calendario escolar anual, con dos períodos regulares y un intensivo
CARACTERÍSTICAS GENERALES Nombre de la carrera Licenciatura en Ingeniería en Computación, 2004 Título que otorga Ingeniero/a en Computación Espacio académico donde se imparte Facultad de Ingeniería Centro
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 detallesInteligencia Artificial (Curso ) Grado en Ingeniería Informática - Ingeniería del Software
Inteligencia Artificial (Curso 0-0) Grado en Ingeniería Informática - Ingeniería del Software Redes neuronales Cuestión : Decir si las siguientes afirmaciones son verdaderas o falsas: Si tomamos la función
Más detallesLas Redes Neuronales Artificiales y su importancia como herramienta en la toma de decisiones. Villanueva Espinoza, María del Rosario CAPÍTULO I
CAPÍTULO I I.1 INTRODUCCIÓN Existe actualmente una tendencia a establecer un nuevo campo de las ciencias de la computación que integre los diferentes métodos de resolución de problemas que no pueden ser
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 detallesConstitución del Sistema Nervioso
LA NEURONA Constitución del Sistema Nervioso El Sistema Nervioso nos permite reaccionar y adaptarnos al entorno en el que estamos, así como regular las actividades internas. Capta información del exterior
Más detallesAnálisis de Datos. Red de función de base radial. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Red de función de base radial Profesor: Dr. Wilfrido Gómez Flores 1 Introducción Las funciones de base radial han sido utilizadas en diversas técnicas de reconocimiento de patrones como
Más detallesTLU(s) MULTICAPAS. Se pueden implementar funciones en TLU con más de una capa.
TLU(s) MULTICAPAS Se pueden implementar funciones en TLU con más de una capa 1 05 2 15 2 3 z 3 15 2 4 05 No eisten, en la actualidad, mecanismos de entrenamiento que permita conocer los pesos sinápticos
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 detallesREDES NEURONALES INTELIGENCIA ARTIFICIAL II
REDES NEURONALES INTELIGENCIA ARTIFICIAL II REDES NEURONALES El cerebro humano es el sistema de cálculo más complejo que conoce el hombre. El ordenador y el hombre realizan bien diferentes clases de tareas;
Más detallesApuntes de Sistemas Conexionistas - Penedo
Apuntes de Sistemas Conexionistas - Penedo 23 de junio de 2009 2 Índice general 1. Conceptos básicos 7 1.1. Introducción............................ 7 1.1.1. Redes neuronales de tipo biológico...........
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 detallesRedes Neuronales Artificiales
Adaline-Madaline Utilizan un aprendizaje OFF LINE con supervisión denominado LMS (Least Mean Squared) o regla del mínimo error cuadrático medio (Widrow). También denominado Regla Delta. El aprendizaje
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Tema 6: Redes de Neuronas Recurrentes
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Tema 6: Redes de Neuronas Recurrentes En este tema se estudian las redes de neuronas recurrentes. Se presentan en primer lugar
Más detallesCONEXIONES DE ENTRADA (sinapsis): A través de las cuales la Unidad recibe activación desde otras Unidades.
RED NEURAL GENERALIZADA Resumen El amplio desarrollo del hardware de alta performance, así como la generalización de las máquinas de arquitectura paralela han abierto un amplio sendero a una alternativa
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 detallesBACK-PROPAGATION: UN ALGORITMO DE ENTRENAMIENTO PARA REDES NEURONALES
BACK-PROPAGATION: UN ALGORITMO DE ENTRENAMIENTO PARA REDES NEURONALES Paul Acquatella B. Universidad Simón Bolívar, Valle de Sartenejas, Caracas, Venezuela. acquatella@usb.ve Resumen Este trabajo presenta
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 detallesEl Sistema Nervioso. Sistema Nervioso Central Sistema Nervioso Periférico. Cerebro Cerebelo Tronco del Encéfalo
Temas básicos de Neurología Quien dirige las funciones del cuerpo humano? El Sistema Nervioso Sistema Nervioso Central Sistema Nervioso Periférico Medula Espinal Encéfalo Cerebro Cerebelo Tronco del Encéfalo
Más detallesMonografía Curso de Capacitación Docente en Neurociencias
Monografía Curso de Capacitación Docente en Neurociencias Alumna: Milca Arakelian www.asociacioneducar.com Mail: informacion@asociacioneducar.com Facebook: www.facebook.com/neurocienciasasociacioneducar
Más detallesDetección Multiusuario para DS-CDMA basado en SVM
9 Otra técnica basada en el aprendizaje y más conocida que la anterior es la basada en. Vamos a realizar una pequeña comparativa teórica de sobre ambas técnicas de clasificación. Estudiaremos los conceptos
Más detallesf) Calendario escolar y periodos para administrar las unidades de aprendizaje Calendario escolar anual, con dos periodos regulares y un intensivo
CARACTERÍSTICAS GENERALES a) Nombre del Proyecto Curricular Licenciatura en Ingeniería en Computación 2004 b) Título que se otorga Ingeniero/a en Computación c) Espacios donde se imparte Facultad de Ingeniería
Más detalles