redes neuronales artificiales.pptx

8/15/2019 redes neuronales artificiales.pptx

1/23

UNIVERSIDAD NACIONAL DE TRUJILLOFACULTAD DE INGENIERIAESCUELA ACADEMICO PROFESIONAL

DE INGENIERIA DE SISTEMAS

”“REDES

NEURONALESARTIFICIALES”

INTEGRANTES: Infante Quispe Antony

Miranda Huamán Erwin Revilla Chicoma Verushka Vásue! Ca"anillas Melany

DOCENTE: M$% &ulio 'uis (enorio Ca"rera


2/23

REDES NEURONALES

ARTIFICIALES

Las Redes Neuronales Artificiales (las cuales

llamaremos RNA) son dispositivos o software

programado de manera tal que tratan de

representar el cerebro humano, simulando suproceso de aprendizaje


3/23

Neuronas Biológicas• Nuestros cerebros cuentan con millones de neuronas que

se interconectan para elaborar Redes Neuronales ! queprocesan informacion"• #ada neurona trabaja como un simple procesador $ la

interacci%n masiva entre ellas as& como su procesamientoen paralelo hacen posible las habilidades del cerebro"


4/23

Caracteristicas del cerebro deseables para unsistema de procesamiento digital:

1.Es robusto y tolerante a fallas, diariamentemueren neuronas sin afectar su desempeño.

2.Es flexible, se ajusta a nuevos ambientes poraprendizaje, no hay que programarlo.

.!uede manejar informaci"n difusa, con ruido oinconsistente.

#.Es altamente paralelo$.Es pequeño, compacto y consume poca energ%a.

El cerebro humano constituye una computadora muynotable, es capaz de interpretar informaci"nimprecisa suministrada por los sentidos a un ritmo

incre%blemente veloz.


5/23

)uestro Cere"ro *s+percomputadora,


6/23

-ise.o/ 0 C1mo se construyen las R)A2

3e pueden reali!ar de varias maneras% 4or e5emplo enhardware utili!ando transistores a efecto de campo*6E(, o ampli7cadores operacionales8 pero la mayor9ade las R) se construyen en software8 esto es enpro$ramas de computaci1n%%


7/23


8/23


9/23

(opolo$9aRedes )euronales Arti7ciales


10/23

(ipos Redes )euronalesArti7ciales


11/23

Caracter9sticasRedes )euronales Arti7ciales

'a informaci1n se almacena en un con5unto de pesos8

no en un pro$rama% 'os pesos se de"en adaptar

cuando le mostramos e5emplos a la red%

'as redes son tolerantes a ruido/ peue.os cam"iosen la entrada no afecta drásticamente la salida de la

red%

'a red puede $enerali!ar el con5unto de entrenamiento

y as9 tratar con e5emplos no conocidos%R)A son "uenas para tareas perceptuales y

asociaciones% &ustamente con lo ue se topa la

computaci1n tradicional%


12/23

4ro"lemas en lo ue se usaRedes )euronales Arti7ciales

Tres tipos de probe!"s"# Opti!i$"%i&'En los pro"lemas de optimi!aci1n se trata de determinar una soluci1n ue

sea 1ptima% En la $esti1n empresarial8 son decisiones de optimi!aci1nencontrar los niveles adecuados de tesorer9a8 de e:istencias8 deproducci1n8 construir de carteras 1ptimas8 etc%

b# Re%o'o%i!ie'toEn los pro"lemas de reconocimiento se entrena una red neuronal con

inputs como sonidos8 n+meros8 letras y se procede a la fase de testpresentando esos mismos patrones con ruido% Este es uno de los camposmás fruct9feros en el desarrollo de redes neuronales y casi todos losmodelos de red neuronal han sido aplicados con mayor o menor ;:ito%

%# Ge'er"i$"%i&'

En los pro"lemas de $enerali!aci1n la red neuronal se entrena con unosinputs y el test se reali!a con otros casos diferentes% 4ro"lemas t9picos de$enerali!aci1n son los de %"si(%"%i&' y predi%%i&'% 3on pro"lemas de$enerali!aci1n tratar de predecir la uie"ra de las empresas a partir desu informaci1n conta"le o la concesi1n de pr;stamos8 la cali7caci1n deo"li$aciones8 la predicci1n en los mercados de valores8 etc%


13/23

6unci1n de transferencia de lasRedes )euronales Arti7ciales

4rincipales funciones detransferencia/'ineal/ y=kaEscal1n/ y = 0 si a=03i$moide


14/23

=na neurona aislada dispone de pocapotencia de cálculo% 'os nodos se conectan mediante la sinapsis 'as neuronas se a$rupan formando una

estructura llamada capa% 'os pesos pasan a ser matrices > *n : m, 'a salida de la red es un vector/ ?@* y 8 y B8 %%% 8 y n, (

Y=F(W·X+b)

Redes )euronales Arti7ciales deuna capa

a1

a2

an

y1

y2

yn


15/23

Redes multicapa/ capas en cascada% (ipos de capas/

◦ Entrada◦ 3alida◦ culta

)o hay realimentaci1n @D redfeedforward

◦ 3alida depende de entradas y pesos%

3i hay realimentaci1n @D red

recurrente Efecto memoria 3alida depende tam"i;n de la

historia pasada% =na R)A es un apro:imador $eneralde funciones no lineales%

Redes )euronales Arti7cialesmulti capas


16/23

Entrenamiento/ proceso de aprendi!a5e de la red%"5etivo/ tener un comportamiento deseado%M;todo/=so de un al$oritmo para el a5uste de los parámetros

li"res de la red/ los pesos y las "ias%Conver$encia/ salidas de la red @ salidas deseadas% (ipos de entrenamiento/3upervisado%4ares de entrenamiento/ entrada salida deseada%

Error por cada par ue se utili!a para a5ustar parámetros)osupervisado%3olamente con5unto de entradas%3alidas/ la a$rupaci1n o clasi7caci1n por clases

Refor!ado%

Redes )euronales Arti7cialesEntrenamiento


17/23

Aprendi!a5e adaptativo/ lo necesario es aplicar un"uen al$oritmo y disponer de patrones *pares, de

entrenamiento%Autoor$ani!aci1n @D conduce a la $enerali!aci1n (olerancia a fallos/ las redes pueden aprender

patrones ue contienen ruido8 distorsi1n o ueestán incompletos%peraci1n en tiempo real/ procesan $ran cantidad

de datos en poco tiempo%6acilidad de inserci1n en tecnolo$9a ya e:istente%

Redes )euronales Arti7cialesVenta5as


18/23

)REA PRO*LEMA DEINTER+S

CAM4 6I)A)CIER

-etecci1n de fraude Clasi7caci1n supervisada

3e$mentaci1n del mercado Clasi7caci1n nosupervisada

Clasi7caci1n para cr;ditos Clasi7caci1n supervisada

I)-=3(RIA

Modelado y control de plantas Re$resi1n

Ro"1ticaClasi7caci1n supervisada8Re$resi1n

E'EC(R-MF3(IC3

'avadoras Re$resi1n

Hornos microondas Re$resi1n

Cámaras di$itales Clasi7caci1n nosupervisada

Aplicaci1n deRedes )euronales Arti7ciales


19/23

)REA PRO*LEMA DEINTER+S

GREA -E 3I3(EMA3

3e$uridad Clasi7caci1n supervisada8Clasi7caci1n no

supervisada8 4ron1stico86iltrado dinámico dese.ales

uscadores we" *e%$%8


20/23

Deter!i'"'do e ori,e' de -' .idrio e' "es%e'" de -' %ri!e':3e reali!1 un estudio forense en el cual se clasi7c1 unamuestra de fra$mentos de vidrio provenientes de tiposde vidrio8 a trav;s de J caracter9sticas8 con el prop1sito de

crear un clasi7cador ue permita determina la clase a lacual pertenece un peda!o de vidrio tomado de una escenade un crimen

Atri"utos/RI Kndice de refracci1nN" 4orcenta5e de 1:ido de sodioM, 4orcenta5e de 1:ido de ma$nesio

A 4orcenta5e de 1:ido de aluminioSi 4orcenta5e de 1:ido de silicio/ 4orcenta5e de 1:ido de potasioC" 4orcenta5e de 1:ido de calcio*" 4orcenta5e de 1:ido de "arioFe 4orcenta5e de 1:ido de hierroTipo Codi7cado de a

'os tipos de vidrio son/0 / moldeados so"re un metal fundido

1 / no moldeados so"re un metalfundido 2 / ventana de un carro

3 / frasco 4 / vaso 5 / faro de veh9culo

El pro"lema es un caso de C"si(%"%i&'s-per.is"d"'l erceptr%n ulticapa

E5emplos de usos deRedes )euronales Arti7ciales


21/23

C"si(%"%i&' de %i-d"des de Est"dosU'idos por s- %ri!i'"id"d:3e reali!1 un estudio de la criminalidad en todos losestados con el prop1sito de a$ruparlos de acuerdo asus 9ndices de criminalidad% 'os tipos de delitosconsiderados fueron/

Atri"utos/a, Asesinato

", Violaci1n

c, Ro"o a "ancos

d, Asalto a mano armadae, Ro"o a residencias

f, Hurto

$, Ro"o de veh9culos

El pro"lema es un caso de C"si(%"%i&' 'os-per.is"d"'l erceptr%n ulticapa

E5emplos de usos deRedes )euronales Arti7ciales


22/23

Conclusiones


23/23

redes neuronales artificiales.pptx

Documents

Transcript of redes neuronales artificiales.pptx