REDES NEURONALES ARTIFICIALES

1. REPUBLICA BOLIVARIANA DE VENEZUELA MINISTERIO DEL PODER POPULAR PARA LA DEFENSA UNIVERSIDAD NACIONAL EXPERIMENTAL DE LA FUERZA ARMADA NACIONAL NÚCLEO FALCÓN – EXTENSIÓN PUNTO FIJO REDES NEURONALES ARTIFICIALES MsC. Ing. Jesús R. Rodríguez R. Punto Fijo, Mayo 2012

2. 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” , 2003 • Miembro 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

3. Introducción

4. Introducción

5. Nuestro Cerebro (súper computadora)

6. Redes Neuronales Biológicas

7. Neurona Artificial • Súper-simplificación • Analogía Metafórica • Sorprendente poder de cómputo

8. Redes Neuronales Artificiales

9. Redes Neuronales Artificiales

10. Redes Neuronales Artificiales

11. Redes Neuronales Artificiales

12. Topología Redes Neuronales Artificiales

13. Topología Redes Neuronales Artificiales

14. Tipos Redes Neuronales Artificiales

15. 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.

16. Problemas en lo que se usa Redes Neuronales Artificiales Tres tipos de problemas a) Optimización En 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) Reconocimiento En 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) Generalización En 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.

17. Para el diseño de una Redes Neuronales Artificiales • Dado un conj. de Ejemplos • Seleccionar una arquitectura adecuada: • Tipo de conexión • # neuronas/capa • Entrenar con TS • Validar con VS • Probar con TS

18. Para el diseño de una Redes Neuronales Artificiales • Dado un conj. de Ejemplos • Seleccionar una arquitectura adecuada: • Tipo de conexión • # neuronas/capa • Entrenar con TS • Validar con VS • Probar con TS • Elementos: • Conjunto de entradas, xj • Pesos sinápticos, wi • Función de activación: w1·x1+ w2·x2 + ... + wn·xn= a • Función 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

19. Función de transferencia de las Redes Neuronales Artificiales • Principales funciones de transferencia: • Lineal: y=ka • Escalón: y = 0 si a<0; y=1 si a>=0 • Sigmoide • Gaussiana.

20. Redes Neuronales Artificiales de una capa • 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)

21. Redes Neuronales Artificiales multi capas • 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.

22. Redes Neuronales Artificiales Entrenamiento • 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.

23. Redes Neuronales Artificiales Ventajas • Aprendizaje adaptativo: lo necesario es aplicar un buen algoritmo y disponer de patrones (pares) de entrenamiento. • Auto-organización => conduce a la generalización • Tolerancia 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.

24. Aplicación de Redes Neuronales Artificiales • Modelado de funciones • Regresión • Pronóstico • Clasificación • Clasificación no supervisada • Clasificación supervisada • Procesamiento de señales/imágenes • Filtrado dinámico de señales • Compresión de datos Filtrado dinámico de señales Clasificación supervisada Clasificación no supervisada PIB (US$) Pronóstico Regresión

25. Aplicación de Redes Neuronales Artificiales

26. Aplicación de Redes Neuronales Artificiales

27. Aplicación de Redes Neuronales Artificiales

28. Ejemplos de usos de Redes 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 refracción Na Porcentaje de óxido de sodio Mg Porcentaje de óxido de magnesio Al Porcentaje de óxido de aluminio Si Porcentaje de óxido de silicio K Porcentaje de óxido de potasio Ca Porcentaje de óxido de calcio Ba Porcentaje de óxido de bario Fe Porcentaje de óxido de hierro Tipo 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 supervisada El Perceptrón Multicapa

29. Ejemplos de usos de Redes 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: • Asesinato • Violación • Robo a bancos • Asalto a mano armada • Robo a residencias • Hurto • Robo de vehículos El problema es un caso de Clasificación no supervisada El Perceptrón Multicapa

30. Ejemplos de usos de Redes 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 Multicapa

31. Conclusiones

32. Conclusiones

34. Preguntas y Respuestas

35. ¡¡¡¡ Gracias por su atención!!!!