• Author / Uploaded
• Deyguerman Guzman

Citation preview

Instituto Universitario Politécnico “Santiago Mariño” Extensión Caracas Escuela de Ingeniería de Sistemas “47”

Alumno: Deyguerman Guzmán C.I.: 25.510.244

Caracas, 07 de Marzo del 2018

¿QUE SON LAS NEURONAS? La neurona es la célula responsable de transferir la información y los impulsos eléctricos alrededor del cuerpo, funcionan por la transferencia de cargas eléctricas de una neurona a otra para llegar de un punto a otro. Por lo tanto, todos los datos son transferidos a través de este impulso eléctrico, este es el motivo por el cual la ciencia computacional se ha vuelto una herramienta tan importante en el estudio de la neurociencia. Para comprender mejor cómo funciona una neurona, es necesario conocer las partes que la componen. ¿QUE SON LAS REDES NEURONALES? Existen numerosas formas de definir a las redes neuronales; desde las definiciones cortas y genéricas hasta las que intentan explicar más detalladamente qué son las redes neuronales. Por ejemplo: 1) Una nueva forma de computación, inspirada en modelos biológicos. 2) Un modelo matemático compuesto por un gran número de elementos procesales organizados en niveles. 3) ...un sistema de computación compuesto por un gran número de elementos simples, elementos de procesos muy interconectados, los cuales procesan información por medio de su estado dinámico como respuesta a entradas externas. 4) Redes neuronales artificiales son redes interconectadas masivamente en paralelo de elementos simples (usualmente adaptativos) y con organización jerárquica, las cuales intentan interactuar con los objetos del mundo real del mismo modo que lo hace el sistema nervioso biológico. OPECACION DE LA REDES Existen dos fases principales en la operación de una red “Aprender” y “Recordar”. 1) Aprendizaje: Proceso de adapdacion o modificacion d elos pesos en respuesta a estimulos presentadors en capas de entradas y opcionalmente en capas de salida. 2) Recordar: hace referencia a como la red procesa un estimulo presentado en su bufer de entrada y crea una respuesta en su bufer de salida. Frecuentemente la recordacion es una parte integral del proceso de aprendizaje asi como cuando una respuesta

deseada de la red deba ser comparada con el valor real de la salida para crear una señal de error. VENTAJAS QUE OFRECEN LAS RED NEURONAL. Debido a su constitución y a sus fundamentos, las redes neuronales artificiales presentan un gran número de características semejantes a las del cerebro. Por ejemplo, son capaces de aprender de la experiencia, de generalizar de casos anteriores a nuevos casos, de abstraer características esenciales a partir de entradas que representan información irrelevante, etc. Esto hace que ofrezcan numerosas ventajas y que este tipo de tecnología se esté aplicando en múltiples áreas. Entre las ventajas se incluyen: 1) Aprendizaje Adaptativo. Capacidad de aprender a realizar tareas basadas en un entrenamiento o en una experiencia inicial. 2) Auto-organización. Una red neuronal puede crear su propia organización o representación de la información que recibe mediante una etapa de aprendizaje. 3) Tolerancia a fallos. La destrucción parcial de una red conduce a una degradación de su estructura; sin embargo, algunas capacidades de la red se pueden retener, incluso sufriendo un gran daño. 4) Operación en tiempo real. Los cómputos neuronales pueden ser realizados en paralelo; para esto se diseñan y fabrican máquinas con hardware especial para obtener esta capacidad. 5) Fácil inserción dentro de la tecnología existente. Se pueden obtener chips especializados para redes neuronales que mejoran su capacidad en ciertas tareas. Ello facilitará la integración modular en los sistemas existentes. ESTRUCTURAS DE LAS REDES NEURONALES ARTIFICIALES Las redes neuronales típicamente están formadas por una serie de capas de neuronas que están unidas entre si mediante sinapsis. Las neuronas artificiales como unidades independientes no son muy eficaces para el tratamiento de la información y se agrupan en estructuras más grandes, las redes de neuronas artificiales o redes neuronales.

NIVELES DE NEURONAS La distribución de neuronas dentro de la red se realiza formando niveles o capas de un número determinado de neuronas cada una. A partir de su situación dentro de la red se pueden distinguir tres tipos de capas: 1) De entrada: estas capas reciben la información desde el exterior. 2) De Salida: estas envían la información hacia el exterior. 3) Ocultas: son capas que solo sirven para procesar información y comunicar otras Capas. Según algunos autores, las capas de entrada y de salida no son validas para producir procesamiento, y son usadas solo como sensores. Tras plantearlo de diferentes modos nuestro marco de trabajo se ha diseñado de manera que puede usarse de las dos maneras, podemos usar las capas de entrada y salida para procesar o simplemente como sensores. Forma De Conexión De Las Capas Las neuronas se conectar unas a las otras usando sinapsis. Si miramos más detenidamente observamos que estas uniones a nivel de capa forman distintas estructuras. Podemos distinguir varias como: Unión Todos con Todos: Consiste en unir cada neurona de una capa con todas las neuronas de la otra capa. Este tipo de conexionado es el más usado en las redes neuronales, se usa en todo tipo de uniones desde el Perceptron multicapa a las redes de Hopfield o BAM

Unión Lineal: Consiste en unir cada neurona con otra neurona de la otra capa. Este tipo de unión se usa menos que el anterior y suele usarse para unir la capa de entrada con la capa procesamiento, si la capa de entrada se usa como sensor. También se usa en algunas redes de aprendizaje competitivo.

Predeterminado: Este tipo de conexionado aparece en redes que tienen la propiedad de agregar o eliminar neuronas de sus capas y de eliminar también conexiones.

FUNCIONES EN EL MODELO DE NEURONA ARTIFICIAL Las funciones que participan en el modelo de neurona artificial son: Función de propagación o ponderación Esta función se encarga de transformar las diferentes entradas que provienen de la sinapsis en el potencial de la neurona. Normalmente se usa como función de propagación la suma ponderada de las entradas multiplicadas por los pesos. En esta función se interpreta como un regulador de las señales que se emiten entre neuronas al ponderar las salidas que entran a la neurona. Otra regla de propagación usada es la distancia euclídea. Usada en los mapas de kohonen y algunas redes competitivas.En ella, los pesos sinápticos funcionan de manera distinta al anterior ya que lo que hacen es aproximarse lo máximo posible al vector de entrada. Es utilizada en redes no supervisadas para que se ajuste a los patrones. Otra versión de esta función es la misma pero con la distancia de Manhattan esto es en vez de usar el uadrado usamos el valor absoluto.En esta regla de propagación los pesos tienen la misma interpretación que la anterior, da la medida del parecido entre el patrón de entrada X y los pesos W. Función de activación La función de activación combina el potencial postsinaptico, que nos proporciona la función de propagación, con el estado actual de la neurona para conseguir el estado futuro de activación de la neurona. Sin embargo, es muy común que las redes neuronales no tomen su propio estado como un parámetro y que por tanto no se considere . Esta función es normalmente creciente monótona y podemos citar las funciones más comunes:  Lineal: Algunas redes neuronales usan esta función de activación como el Adeline por su eficiencia y facilidad.  Escalón: Esta función es la más usada para redes neuronales binarias ya que no es lineal y es muy simple. Algunas redes que usan esta función son el Perceptrón y Hopfield. Para redes que trabajan en el rango [-1,1] se usa la funcion signo  Hiperbólicas o tangenciales: Las redes con salidas continuas, como el Perceptron multicapa con retropropagación, usan esta función ya que su algoritmo de aprendizaje necesita una función derivable Función de Salida Esta función convierte el estado de la neurona en la salida hacia la siguiente neurona que se transmite por las sinapsis. Usualmente no se considera y se toma la identidad, esto es, de manera que la salida es el propio estado de activación de la neurona.

Existen algunas redes que transforman su estado de activación en una salida binaria y para eso usan la función escalón antes mostrada como salida. Otra opción, consiste en usar funciones probabilísticas como en la máquina de Boltzman. Las redes con este tipo de salidas no tienen un comportamiento determinista. REDES NEURONALES APLICADAS EN LA DOMOTICA Un ejemplo de la aplicación de las redes neuronales en la domotica podria ser el Servicio de reconociminto de voz Siri, este también cuenta con redes neuronales para ofrecer al usuario final la mejor calidad de servicio posible. Cuando se utiliza este reconocimiento de voz, los datos recogidos por el micrófono se envían a los servidores y se procesan por una gran red neuronal (concepto de Deep Learning, podéis investigar más sobre él aquí). Dicha red neuronal logra identificar lo que pides y actúa mostrándote los resultados pertinentes. En este caso pasa lo mismo que con Google Photos, cuanta más gente utiliza Siri, mejor calidad tiene el servicio ya que va aprendiendo de todas las voces. Es importante saber que la inmensa mayoría de servicios con redes neuronales se llevan a cabo en la nube, ya que los terminales actuales aún son incapaces de afrontar tal cantidad de procesamiento de datos. Las redes neuronales no solo se encuentran en complejos software de grandes compañías. Las aspiradoras inteligentes que tanto están de moda también cuentan con pequeñas redes neuronales (de 3 capas normalmente) que aprenden del entorno y optimizan la limpieza del suelo sin chocarse con los distintos obstáculos.