R EDES N EURALES

1. REDES NEURALES Duwan Ernesto Arismendy Rodríguez Pontificia Universidad Javeriana Facultad de Comunicación y Lenguaje Ciencia de la Información – Bibliotecología Bogotá D.C.

2. Neurona Célula especializada del tejido nervioso que asegura la conducción y la transmisión del influjo nervioso. Esta célula que pertenece al sistema nervioso, y que comprende un cuerpo celular y varias prolongaciones, constituye la unión funcional de diferentes áreas del cuerpo . Se estima que en el ser humano hay entre 20.000 millones y 200.000 millones de neuronas, cada una de las cuales puede tener hasta 30.000 conexiones con otras neuronas.

3. Red Neuronal Definición: Una red neuronal, es una estructura de procesamiento de información paralela y distribuida, que intenta simular las funciones computacionales elementales de la red nerviosa del cerebro humano, con base a la interconexión de multitud de elementos de procesamiento, cada uno de los cuales presenta un comportamiento completamente local.

4. Historia 1943. MacCulloch y Pitts (MacCulloch y Pitts, 1943) publicaban el artículo "A logical Calculus of ideas Immanent in Nervous Activity". La probabilidad que una neurona se activase dependía de la señal de entrada y de la sinapsis de conexión. 1949. Hebb (1949) Publica el libro "The organization of the Behavior" donde se describe cómo pueden aprender las neuronas. 1951. Marvin Minsky y Dean Edmons fabrican con tubos, motores y dispositivos mecánicos una máquina capaz de aprender.

5. 1956. Organizada por Minsky, John mcCarthy, Nathaniel Rochester y Claude Shannon se celebró la primera conferencia sobre Inteligencia Artificial. Historia 1959. Frank Rosenblatt (Rosenblatt, 1959) desarrolla su concepto de perceptron. Un sistema que permitía interpretar patrones tanto abstractos como geométricos. 1962. Marcian Hoff. Desarrolla un modelo llamado ADALINE. Este modelo de RNA es capaz de clasificar los datos en espacios separables linealmente.

6. 1986.Rumelhart, McClelland y el PDP (Rumelhart, McClelland & PDP, 1986) Estos dos investigadores fundaron el PDP (Parallel Distributed Processing) un grupo dedicado al estudio del conocimiento. De este grupo se editó el libro "Parallel Distributed Processing: Explorations in the Microstructures of Cognition". Historia 1969. Minsky y Papert (Minsky and Paperts, 1969) publican el libro llamado "perceptrons" en el que presentan el principal problema del perceptron, el famoso problema del XOR o el No exclusivo.

7. Es flexible, se ajusta a nuevos ambientes de aprendizaje, no hay que programarlo. Fundamentos Es robusto y tolerante a fallas, diariamente mueren neuronas sin afectar su desempeño. Puede manejar información difusa, con ruido o inconsistente. Es altamente paralelo. Es pequeño, compacto y consume poca energía.

8. Procesamiento de imágenes y de voz Fundamentos Reconocimiento de patrones Planeamiento Interfaces adaptivas para sistemas Hombre/máquina Predicción Control y optimización Filtrado de señales

9. El cuerpo de la célula, realiza la suma de esas señales de entrada. El axón es una fibra larga que lleva la señal desde el cuerpo de la célula hacia otras neuronas. El punto de contacto entre un axón de una célula y una dendrita de otra célula es llamado sinápsis. Características Neurona Biológica Estas neuronas tienen tres componentes principales, las dendritas, el cuerpo de la célula o soma, y el axón. Las dendritas, son el árbol receptor de la red, son como fibras nerviosas que cargan de señales eléctricas el cuerpo de la célula.

10. Características Redes Neuronales El modelo de una neurona artificial es una imitación del proceso de una neurona biológica.

11. Características Existen varias formas de nombrar una neurona artificial, entre las formas conocidas encontramos, nodo, neuronodo, celda, unidad o elemento de procesamiento (PE).

12. Características En esta figura puede observarse el recorrido de un conjunto de señales que entran a la red.

13. Características Tener una inclinación natural a adquirir el conocimiento a través de la experiencia. Tienen una altísima plasticidad y gran adaptabilidad. Poseen un alto nivel de tolerancia a fallas. Tienen un comportamiento altamente no-lineal. La red no se programa se entrena.

14. Clasificación de las Redes Neuronales Aprendizaje supervisado Se asemeja al método de enseñanza tradicional con un profesor que indica y corrige los errores del alumno hasta que éste aprende la lección. Si la red utiliza un tipo de aprendizaje supervisado debemos proporcionarle parejas de patrones entrada-salida y la red neuronal aprende a asociarlos. series temporales, etc.

15. Clasificación de las Redes Neuronales Aprendizaje no supervisado No hay un profesor que corrija los errores al alumno; recuerda más al autoaprendizaje. El alumno dispone del material de estudio pero nadie lo controla. Si el entrenamiento es no supervisado, únicamente debemos suministrar a la red los datos de entrada para que extraiga los rasgos característicos esenciales.

16. Clasificación de las Redes Neuronales

17. Tipos de Redes Redes Unidireccionales (Feedforward Networks) Usadas para transformar un conjunto de datos especificado en otro también especificado. El aprendizaje es supervisado y tiene lugar a través de un proceso de ajuste de los pesos sinápticos de las neuronas de la red. Suarquitectura típica es de una red multicapa. Prototitpo:Perceptrón multicapa.

18. Tipos de Redes Redes Recurrentes (Feedback Networks) Concebidas para almacenar eficientemente información. La red funciona como un sistema dinámico cuyos puntos de equilibrio representan los registros almacenados. Su arquitectura típica es la de una red monocapa con una gran realimentación. Prototipo: Red de Hopfield.

19. Tipos de Redes Redes Auto-Organizadas (Self-Organizing Networks) Uso: Estructurar la información que se presenta a la red en conjuntos a priori desconocidos. El entrenamiento es mediante un aprendizaje no supervisado denominado competitivo. Cada neurona tiene un cierto grado de conexión con neuronas colaterales.

20. Aplicaciones de las Redes Neuronales Clasificación Decidir a qué clase, de una serie dada, se asigna un dato de entrada a la red. Asociación La red funciona como un proceso de recuperación de un dato, a partir de una entrada relacionada con el dato almacenado. La entrada puede ser una versión incompleta o deformada del dato buscado.

21. Aplicaciones de las Redes Neuronales Agrupamiento (Clustering) Utilizada cuando no se conoce una clasificación de los datos de entrada, y se espera que la red genere esta clasificación. Generación de prototipos. Optimización Permite solucionar problemas de optimización de naturaleza complicada. Las RNA proporcionan un procedimiento rápido para generar una solución óptima.

22. Aplicaciones de las Redes Neuronales Predicción y Control En tareas de predicción para anticipar el estado futuro de un sistema. Tareas de control de sistemas dinámicos complejos.

23. Ventajas Redes Neuronales Algunas ventajas de las redes neuronales son : Aprenden de ejemplos. Procesan la información en paralelo. Pueden trabajar en sistemas no lineales. Trabajan mejor en sistemas ruidosos. No necesitan un modelo matemático. Capacidad de generalizar. Son baratas en su construcción.

24. Desventajas Redes Neuronales Algunas desventajas de las redes neuronales son : No se identifica claramente el mecanismo con el cual han resuelto un problema. No existe una metodología que nos indique que tipo de red debemos utilizar para resolver un problema específico, ni cuantas neuronas debemos utilizar en la capa escondida, o si tenemos que utilizar más de una capa escondida. Modelo de Clasificación incomprensible.

25. Bibliografía ACOSTA, Maria Isabel. Tutorial de redes neuronales [en línea]. 2000. Consultado el 21 de octubre de 2006. Disponible en: http://ohm.utp.edu.co/neuronales/. CASTELLANOS, Miguel Angel. Introducción a las Redes Neuronales y su aplicación a las Búsquedas de documentos [en línea]. Consultado el 22 de octubre de 2006. Disponible en: http://www.tid.es/documentos/boletin/numero19_1.pdf. HERRERA LÓPEZ, Enrique. Estimación de las concentraciones de biomasa y el pigmento astaxantina, mediante redes neuronales artificiales [en línea]. Consultado el 22 de octubre de 2006. Disponible en: http://iteso.mx/~rleal/archivos/cie97.pdf.

26. Bibliografía MARTÍN DEL BRÍO, Bonifacio.Redes neuronales y sistemas difusos. México: Alfaomega. 2002. 399 p. PALACIOS BURGOS, Francisco José. Herramientas en GNU/Linux para estudiantes universitarios. Redes Neuronales con GNU/Linux [en línea]. 2003. Consultado el 21 de octubre de 2006. Disponible en: http://softwarelibre.unsa.edu.ar/docs/descarga/2003/curso/htmls/redes_neuronales/index.html. REINOSO, Oscar. Curso 2002-2003. Redes Neuronales e Inteligencia Artificial [en línea]. 2002. Consultado el 22 de octubre de 2006. Disponible en: http://isa.umh.es/doct/rnia/. SERRANO, Carlos. Las redes neuronales artificiales [en línea]. 2000. Consultado el 22 de octubre de 2006. Disponible en: http://ciberconta.unizar.es/LECCION/REDES/INICIO.HTML.