REDES NEURONALES ARTIFICIALES

MsC. Ing. Jesús R. Rodríguez R.

Punto Fijo, Mayo 2012

REPUBLICA BOLIVARIANA DE VENEZUELAMINISTERIO DEL PODER POPULAR PARA LA DEFENSA

UNIVERSIDAD NACIONAL EXPERIMENTAL DE LAFUERZA ARMADA NACIONAL

NÚCLEO FALCÓN – EXTENSIÓN PUNTO FIJO

RESUMEN CURRICULARJESÚS R. RODRÍGUEZ R.

Ingeniero en Informática (2000) y Msc. En Ciencias de la Computación mención Inteligencia Artificial (2005) en la Universidad Centroccidental “Lisandro Alvarado ” (UCLA).

Analista de Sistemas Técnicos en PDVSA – CRP (Actualidad)Coordinador de unidades de Producción, SAIA Nacional Universidad “Fermín Toro” , 2003Miembro del personal Docente y de Investigación en el área de Inteligencia Artificial, Universidad Yacambú 2002 Coautor del trabajo “Un enfoque de Lógica Difusa para la asignación de presupuestos de capital” presentado en la LII convención anual de ASOVAC.Ponente en la Cátedra de Seminario. Con la ponencia sobre “Lógica Difusa y sus aplicaciones ” Ponente en las IV Jornadas de Investigación y Postgrado, con la ponencia “Optimización de Funciones Mediante la Utilización de Algoritmos Genéticos

Introducción

Introducción

Nuestro Cerebro (súper computadora)

Redes Neuronales Biológicas

Neurona Artificial

Súper-simplificación Analogía Metafórica Sorprendente poder de

cómputo

Redes Neuronales Artificiales

Redes Neuronales Artificiales

Redes Neuronales Artificiales

Redes Neuronales Artificiales

Topología Redes Neuronales Artificiales

Topología Redes Neuronales Artificiales

Tipos Redes Neuronales Artificiales

Características Redes Neuronales Artificiales

El estilo de procesamiento es mas bien como el de procesamiento de señales, no simbólico. La combinación de señales para producir nuevas señales contrasta con la ejecución de instrucciones almacenadas en memoria

La información se almacena en un conjunto de pesos, no en un programa. Los pesos se deben adaptar cuando le mostramos ejemplos a la red.

Las redes son tolerantes a ruido: pequeños cambios en la entrada no afecta drásticamente la salida de la red.

Los conceptos se ven como patrones de actividad a lo largo de casi toda la red y no como el contenido de pequeños grupos de celdas de memoria.

La red puede generalizar el conjunto de entrenamiento y así tratar con ejemplos no conocidos.

RNA son buenas para tareas perceptuales y asociaciones. Justamente con lo que se topa la computación tradicional.

Problemas en lo que se usa Redes Neuronales ArtificialesTres tipos de problemasa) OptimizaciónEn los problemas de optimización se trata de determinar una solución que

sea óptima. En la gestión empresarial, son decisiones de optimización encontrar los niveles adecuados de tesorería, de existencias, de producción, construir de carteras óptimas, etc.

b) ReconocimientoEn los problemas de reconocimiento se entrena una red neuronal con

inputs como sonidos, números, letras y se procede a la fase de test presentando esos mismos patrones con ruido. Este es uno de los campos más fructíferos en el desarrollo de redes neuronales y casi todos los modelos de red neuronal han sido aplicados con mayor o menor éxito.

c) GeneralizaciónEn los problemas de generalización la red neuronal se entrena con unos

inputs y el test se realiza con otros casos diferentes. Problemas típicos de generalización son los de clasificación y predicción. Son problemas de generalización tratar de predecir la quiebra de las empresas a partir de su información contable o la concesión de préstamos, la calificación de obligaciones, la predicción en los mercados de valores, etc.

Los libros de Refenes (1995) y Deboeck y Kohonen (1998) recogen una amplia colección de trabajos aplicados en contabilidad y finanzas.

Para el diseño de una Redes Neuronales Artificiales

Dado un conj. de EjemplosSeleccionar una arquitectura

adecuada:Tipo de conexión# neuronas/capa

Entrenar con TSValidar con VSProbar con TS

Para el diseño de una Redes Neuronales Artificiales

Dado un conj. de EjemplosSeleccionar una arquitectura

adecuada:Tipo de conexión# neuronas/capa

Entrenar con TSValidar con VSProbar con TS

Elementos:Conjunto de entradas, xjPesos sinápticos, wi

Función de activación: w1·x1+ w2·x2 + ... + wn·xn = aFunción de transferencia: y = F (w1·x1+ w2·x2 + ... + wn·xn )Bias o polarización: entrada constate de magnitud 1, y peso b que se introduce en el sumador

Función de transferencia de las Redes Neuronales Artificiales

Principales funciones de transferencia:Lineal: y=kaEscalón: y = 0 si a<0; y=1 si a>=0SigmoideGaussiana.

Una neurona aislada dispone de poca potencia de cálculo.

Los nodos se conectan mediante la sinapsis Las neuronas se agrupan formando una

estructura llamada capa. Los pesos pasan a ser matrices W (n x m) La salida de la red es un vector: Y=(y1, y2, ... ,

yn)T

Y=F(W·X+b)a1

a2

an

y1

y2

yn

Redes Neuronales Artificiales de una capa

Redes multicapa: capas en cascada.Tipos de capas:

◦ Entrada◦ Salida◦ Oculta

No hay realimentación => red feedforward◦ Salida depende de entradas y pesos.

Si hay realimentación => red recurrente Efecto memoria Salida depende también de la

historia pasada. Una RNA es un aproximador general de funciones no lineales.

Redes Neuronales Artificiales multi capas

Entrenamiento: proceso de aprendizaje de la red. Objetivo: tener un comportamiento deseado. Método:

Uso de un algoritmo para el ajuste de los parámetros libres de la red: los pesos y las bias.

Convergencia: salidas de la red = salidas deseadas. Tipos de entrenamiento:

Supervisado.Pares de entrenamiento: entrada - salida deseada.Error por cada par que se utiliza para ajustar parámetros

No-supervisado.Solamente conjunto de entradas.Salidas: la agrupación o clasificación por clases

Reforzado.

Redes Neuronales Artificiales Entrenamiento

Aprendizaje adaptativo: lo necesario es aplicar un buen algoritmo y disponer de patrones (pares) de entrenamiento.

Auto-organización => conduce a la generalizaciónTolerancia a fallos: las redes pueden aprender

patrones que contienen ruido, distorsión o que están incompletos.

Operación en tiempo real: procesan gran cantidad de datos en poco tiempo.

Facilidad de inserción en tecnología ya existente.

Redes Neuronales Artificiales Ventajas

Modelado de funcionesRegresiónPronóstico

ClasificaciónClasificación no supervisadaClasificación supervisada

Procesamiento de señales/imágenesFiltrado dinámico de señalesCompresión de datos

Clasificación supervisadaClasificación no supervisada

PIB (US$)

Regresión

Pronóstico

Filtrado dinámico de señales

Aplicación deRedes Neuronales Artificiales

ÁREA PROBLEMA DE INTERÉS

CAMPO FINANCIERODetección de fraude Clasificación supervisadaSegmentación del mercado Clasificación no

supervisadaClasificación para créditos Clasificación supervisada

INDUSTRIAModelado y control de plantas RegresiónRobótica Clasificación supervisada,

RegresiónELECTRODOMÉSTICOSLavadoras RegresiónHornos microondas RegresiónCámaras digitales Clasificación no

supervisada

Aplicación deRedes Neuronales Artificiales

ÁREA PROBLEMA DE INTERÉS

ÁREA DE SISTEMASSeguridad Clasificación supervisada,

Clasificación no supervisada, Pronóstico, Filtrado dinámico de señales

Buscadores web (e.g., Google) Pronóstico, Identificación de patrones, Compresión de datos

Juegos (inteligencia artificial) Pronóstico, Identificación de patrones

MEDICINADiagnóstico médico Clasificación supervisadaBioinformática Clasificación supervisada,

Clasificación no supervisada, Regresión, Pronóstico, Filtrado dinámico de señales

Aplicación deRedes Neuronales Artificiales

Aplicación deRedes Neuronales Artificiales

Determinando el origen de un vidrio en la escena de un crimen:Se realizó un estudio forense en el cual se clasificó una muestra de fragmentos de vidrio provenientes de 6 tipos de vidrio, a través de 9 características, con el propósito de crear un clasificador que permita determina la clase a la cual pertenece un pedazo de vidrio tomado de una escena de un crimen

Atributos:RI Índice de refracciónNa Porcentaje de óxido de sodioMg Porcentaje de óxido de magnesioAl Porcentaje de óxido de aluminioSi Porcentaje de óxido de silicioK Porcentaje de óxido de potasioCa Porcentaje de óxido de calcioBa Porcentaje de óxido de barioFe Porcentaje de óxido de hierroTipo Codificado de 1 a 6

Los tipos de vidrio son: 1 : moldeados sobre un metal fundido 2 : no moldeados sobre un metal fundido 3 : ventana de un carro 4 : frasco 5 : vaso 6 : faro de vehículo

El problema es un caso de Clasificación supervisadaEl Perceptrón Multicapa

28/40

Ejemplos de usos deRedes Neuronales Artificiales

Clasificación de ciudades de Estados Unidos por su criminalidad:Se realizó un estudio de la criminalidad en todos los estados con el propósito de agruparlos de acuerdo a sus índices de criminalidad. Los tipos de delitos considerados fueron:

Atributos:a) Asesinatob) Violaciónc) Robo a bancosd) Asalto a mano armadae) Robo a residenciasf) Hurto g) Robo de vehículos

El problema es un caso de Clasificación no supervisadaEl Perceptrón Multicapa

29/40

Ejemplos de usos deRedes Neuronales Artificiales

Trayectoria de un huracán:Se quiere conocer la trayectoria de un huracán, y para ello se dispone de las coordenadas de ubicación del centro del mismo en los últimos 10 días

El problema es un caso de Pronóstico

El Perceptrón Multicapa30/

40

Ejemplos de usos deRedes Neuronales Artificiales

Conclusiones

Conclusiones

Preguntas y Respuestas

¡¡¡¡ Gracias por su atención!!!!