Download FUNDAMENTOS DE LA RNA El cerebro humano

FUNDAMENTOS DE LA RNA
JAIME CORDERO VERA
FUNDAMENTOS DE LA RNA
Conceptos básicos de redes neuronales
biológicas.
Las Redes Neuronales Artificiales se basan
vagamente en la estructura del cerebro. Se
supone que un modelo más exacto podría
presentar características más sorprendentes,
pero la construcción de este modelo requiere
información y tecnología con la que aún no se
cuenta.
El cerebro humano.
El cerebro sigue siendo un misterio. La
bioquímica cerebral es un secreto. Se sabe algo
acerca del comportamiento electromecánico y
cada vez salen a la luz nuevos niveles de
complejidad. Enseguida hablaremos de una
manera muy general de la estructura y función
cerebral.
Organización cerebral
Contiene elementos llamados neuronas. Estos se
comunican a través del cuerpo por medio de
hileras nerviosas, las cuales forman cerca de 100
trillones de conexiones llamadas sinapsis.
Neurón artificial
El funcionamiento de un neurón artificial
consiste en aplicar un conjunto de entradas,
cada una representando la salida de otro
neurón, o un entrada del medio externo.
Realizar una suma ponderada con estos
valores, y "filtrar" este valor con una función.
Red neuronal de 1 nivel.
Las RNAs de un nivel (o de una capa) es el
modelo más simple.
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.
RNA de varios niveles.
En una red con varios niveles o capas, la función
de activación debe ser no lineal, ya que de no
ser así una red con varios niveles equivaldría a
una red con un nivel. Esta afirmación puede
demostrarse de la siguiente manera:
Si F es una función lineal, entonces la salida del
primer nivel de la red esta dada por:
Si F es lineal
Tipos de entrenamiento.
Esta es una de las partes más ingeniosas y
sorprendentes de los sistemas neuronales
artificiales. Una red es entrenada de manera que
un conjunto de valores de entrada produce la
salida deseada.
Hay dos tipos de entrenamiento de RNA:
entrenamiento supervisado y entrenamiento
no supervisado.
Entrenamiento Supervisado.
Cada vector de entrada se aplica a la red, la
correspondiente salida (dada por los pasos de
la red) se calcula y se compara con la salida
deseada.
Entrenamiento no Supervisado
El
entrenamiento
no
supervisado
se
caracteriza porque no requiere de un vector de
salida.
El PERCEPTRON
Modelo simple que consiste en un solo neurón.
El neurón calcula la suma de pesos y los
substrae de un valor umbral, representado.
Representacion del perceptron
Representación esquemática del concepto de
redes neuronales perceptrón, puede verse
también como un gráfico con gran número de
conexiones internas entre vértices.
La separabilidad lineal limita a las redes con
sólo dos capas a la resolución de problemas en
los cuáles el conjunto de puntos (valores de
entrada) sean separables geométricamente. En
el caso de dos entradas, la separación se lleva a
cabo mediante una línea recta.
El hecho de que el perceptrón sólo es capaz de
representar funciones linealmente separables
se deduce de la expresión
Entrenamiento del perceptron
El perceptrón se entrena presentando un conjunto
de vectores de entrada, uno a la vez y ajustando
los pasos hasta que la salida deseada ocurra para
cada entrada. El entrenamiento del perceptrón es
supervisado.
Reconocimiento de patrones
El proceso de reconocimiento de patrones tiene
que ver con la actividad de clasificar un objeto o
hecho en alguna categoría determinada, en base
a particularidades del objeto que son comunes a
los miembros de una misma clase.
Actividades comunes de reconocimiento de
patrones realizados por humanos son:
Escuchar una conversación
Leer un libro
Reconocer un amigo entre la multitud
Traducir de un lenguaje a otro.
Una definición formal de Reconocimiento de
Patrones es la siguiente:
"Es la categorización de datos de entrada en
clases identificadas, por medio de la extracción de
características significativas o atributos de los
datos extraídos de un medio ambiente que
contiene detalles irrelevantes."