Professional Documents
Culture Documents
Introduccin
Una forma de emular caractersticas propias de los humanos: memorizar y asociar hechos. Se aprende de la experiencia. El cerebro humano es el ejemplo ms perfecto de sistema capaz de adquirir conocimiento. Se modela artificialmente ese sistema.
2
IC - Redes Neuronales - 2012
Definicin
Una Red Neuronal Artificial (RNA) es un sistema para el tratamiento de la informacin, cuya unidad bsica de procesamiento est inspirada en la clula fundamental del sistema nervioso humano: la neurona. Las neuronas son un componente relativamente simple pero conectadas de a miles forman un poderoso sistema.
4
IC - Redes Neuronales - 2012
Estructura biolgica
Las dendritas son la va de entrada de las seales que se combinan en el cuerpo de la neurona. El axn es el camino de salida de la seal generada por la neurona.
7
IC - Redes Neuronales - 2012
Estructura biolgica
En las terminaciones de las sinpsis se encuentran unas vesculas que contienen unas sustancias qumicas llamadas neurotransmisores, que propagan seales electroqumicas de una neurona a otra. La neurona es estimulada por sus entradas y cuando alcanza cierto umbral, se dispara o activa pasando una seal hacia el axn.
8
IC - Redes Neuronales - 2012
Neurona artificial
Estructura Artificial
Se interconectan neuronas en tres tipos de capas:
De entrada: reciben estmulos externos. Oculta: elementos internos de procesamiento (se pueden estructurar en varias capas). De salida: reciben la informacin procesada y retornan la respuesta del sistema al exterior.
10
IC - Redes Neuronales - 2012
11
La columna 1 de la matriz de pesos, contiene los pesos de las conexiones que salen desde la primer entrada.
12
IC - Redes Neuronales - 2012
Funciones transferencia
13
Nmero de capas. Nmero de neuronas por capa. Tipo de conexiones. Normalmente, todas las neuronas de una capa reciben seales de la capa anterior (ms cercana a la entrada) y envan su salida a las neuronas de la capa posterior (ms cercana a la salida de la red).
Tipo de aprendizaje.
14
IC - Redes Neuronales - 2012
Redes feedforward
Las neuronas de una capa se conectan con las neuronas de la capa siguiente (hacia adelante). Las ms conocidas son:
Mecanismo de Aprendizaje
Biolgicamente se acepta que la informacin memorizada en el cerebro se relaciona con los valores sinpticos de las conexiones. En las RNA se considera que el conocimiento se encuentra representado en los pesos de las conexiones. El proceso de aprendizaje se basa en cambios en estos pesos.
16
IC - Redes Neuronales - 2012
Mecanismo de Aprendizaje
Los cambios en el proceso de aprendizaje se reducen a destruccin, modificacin y creacin de conexiones entre las neuronas. La creacin de una conexin implica que el peso de la misma pasa a tener un valor distinto de cero. Una conexin se destruye cuando su valor pasa a ser cero.
17
IC - Redes Neuronales - 2012
Reglas de Aprendizaje
Una regla de aprendizaje es un procedimiento para modificar los pesos y umbrales de una red. Este proceso tambin puede ser llamado algoritmo de entrenamiento. El aprendizaje puede ser supervisado o no supervisado.
18
IC - Redes Neuronales - 2012
Comportamiento
19
IC - Redes Neuronales - 2012
PERCEPTRN
EL MODELO NEURAL NETWORK TOOLBOX - MATLAB
20
La neurona perceptrn
Utiliza la funcin transferencia escaln (hardlim). Produce un 1 si la entrada a la funcin es mayor o igual que 0 y produce un 0 en caso contrario. Esto permite clasificar vectores de entrada dividiendo el espacio de entrada en dos regiones.
21
IC - Redes Neuronales - 2012
La neurona perceptrn
Ejemplo:
22
IC - Redes Neuronales - 2012
Arquitectura
La red Perceptrn consiste de una nica capa oculta de S neuronas perceptrn conectadas a R entradas a travs de conexiones con pesos wi,j. Los ndices i y j indican que wi,j es el peso de la conexin desde la j-sima entrada hacia la i-sima neurona.
IC - Redes Neuronales - 2012
23
24
IC - Redes Neuronales - 2012
Inicializacin
net = init(net); % pesos y bias en cero net.IW{1, 1} = [3, 4]; net.b{1} = 5; net.inputweights{1, 1}.initFcn = 'rands'; net.biases{1}.initFcn = 'rands';
25
IC - Redes Neuronales - 2012
Simulacin
Para obtener la salida de una red se realiza una simulacin: Ejemplo:
p1 = [1;1]; a1 = sim(net, p1);
26
IC - Redes Neuronales - 2012
29
Entrenamiento I
Se utilizan repetidamente sim y learnp introduciendo entradas al perceptrn y actualizando sus pesos. La funcin que lleva a cabo este loop es llamada train. La funcin train realiza una pasada por todas las entradas calculando para cada una la salida y el error.
32
IC - Redes Neuronales - 2012
Entrenamiento II
Despus de obtener el error para una entrada se realiza el correspondiente ajuste y se introduce la entrada siguiente. Se necesita una pasada posterior por todas las entradas para evaluar si se ha alcanzado el objetivo. Estas pasadas se denominan pocas.
33
IC - Redes Neuronales - 2012
RED ADALINE
REDES LINEALES ADAPTATIVAS
34
Redes lineales
Son similares al perceptrn pero su funcin transferencia es lineal. Al igual que el perceptrn estas redes resuelven problemas linealmente separables. En este caso minimiza el promedio de los errores al cuadrado. La funcin newlin crea una red lineal.
35
IC - Redes Neuronales - 2012
36
IC - Redes Neuronales - 2012
37
IC - Redes Neuronales - 2012
e2(w) = (t - a(w))2
El gradiente apunta hacia la direccin de crecimiento ms rpido
IC - Redes Neuronales - 2012
38
39
IC - Redes Neuronales - 2012
REDES BACKPROPAGATION
40
Redes Backpropagation I
Son una generalizacin de las redes lineales. Admiten mltiples capas y funciones derivables no lineales. Con una capa sigmoidea y una capa de salida lineal son capaces de aproximar cualquier funcin con un nmero finito de discontinuidades.
41
IC - Redes Neuronales - 2012
Redes Backpropagation II
Utilizan la regla de aprendizaje de Widrow-Hoff con una serie de variaciones. El trmino backpropagation se refiere a cmo se aplica el clculo del gradiente hacia capas anteriores (el nuevo peso deseado en la capa s es el target de la capa s-1). La funcin newff crea una red backpropagation.
42
IC - Redes Neuronales - 2012
43
45
La red backpropagation ms comunmente utilizada posee una capa oculta con 20 neuronas.
>> newff(houseInputs, houseTargets, 20);
La cantidad de neuronas de entrada tanto como la de salida quedan determinadas por las caractersticas del dataset.
>> net = train(net, houseInput, houseTargets)
46
IC - Redes Neuronales - 2012
47
60% de los datos se utilizan para entrenamiento. 20% de los datos se utilizan para validacin. 20% de los datos se utilizan para test.
48
El entrenamiento contina mientras se reduce el error de validacin. Esta es una tcnica muy utilizada para evitar el sobreentrenamiento.
IC - Redes Neuronales - 2012
Para un conjunto de nuevos datos se espera un error similar al calculado para el conjunto de test. Se puede mejorar la precisin de una red.
49
IC - Redes Neuronales - 2012
50
Se puede agregar como cuarto argumento un arreglo con los nombres de las funciones transferencia a usar en cada capa.
Bibliografa
Machine Learning - Tom Mitchell McGrawHill Neural Network Toolbox (For Use with MATLAB) - Howard Demuth, Mark Beale. Curso de doctorado "Aprendizaje Automatizado y Data Mining" Grupo de Ingeniera de Sistemas y Automtica (Universidad Miguel Hernndez)
http://isa.umh.es/asignaturas/aprendizaje/index.html
52
IC - Redes Neuronales - 2012