GoConqr has a new look! Let us know what you think.

Sign up free

Flowchart

Redes neuronales

Jose Hdez Spanish

Diagrama de flujo sobre Redes neuronales y sistemas de inteligencia artificial: capas, arquitectura y aprendizaje automático

Diagrama de flujo: Redes neuronales y sistemas de inteligencia artificial

Flowchart content

  1. Introducción a IA

  2. La inteligencia artificial creció notablemente en las últimas décadas, también es conocida como inteligencia de máquina o computadora. Utiliza reglas predeterminadas con parámetros ajustables y algoritmos de búsqueda y/o modelos de aprendizaje.

  3. "sistemas inteligentes con algoritmos que son capaces de aprender del entorno y/o de los datos recibidos" (Beale, 2020)

  4. En la IA tenemos ramas de:

  5. Aprendizaje Automático

  6. Aprendizaje Profundo

  7. Base de conocimiento de datos

  8. Minería de datos

  9. Se utilizan algoritmos con reglas matemáticas

  10. Rama del aprendizaje automático donde generalmente se utilizan redes neuronales sofisticadas.

  11. Introducción a Redes Neuronales

  12. Los sistemas neuronales artificiales (ANS) en cierta forma imitan la estructura del sistema nervioso, generando sistemas de procesamiento paralelos, distribuidos y adaptativos, que llegan a presentar cierto comportamiento “inteligente”

  13. El elemento esencial de los ANS lo constituye la neurona artificial, organizada en distintas capas que forman una red neuronal.

  14. Una red neuronal, o varias interconectadas, pueden formar un sistema global de procesamiento.

  15. Una red neuronal artificial (RNA), también conocida como red neuronal está formada por la interconexión de muchas unidades de procesamiento llamadas neuronas, formadas por bloques no lineales distribuidas en toda la red neuronal.

  16. La arquitectura de la red neuronal es la estructura de capas y conexiones que tiene la red. Generalmente las neuronas se agrupan en capas, una o más capas constituyen la red neuronal.

  17. Se distinguen por tres capas

  18. Salida

  19. Oculta

  20. Entrada

  21. Entradas y Capas

  22. Generalmente las redes neuronales tienen muchas entradas. Para una neurona con entradas múltiples se utiliza notación matricial para los pesos .

  23. Breve historia de las redes neuronales

  24. En 1943, el neurofisiólogo W. McCulloch junto con el matemático Walter Pitts presentaron un artículo sobre cómo podrían funcionar las neuronas del cerebro.

  25. En el año 1949, Donald Hebb escribió un trabajo que mostraba el hecho de que las vías y las conexiones neuronales se fortalecen cada vez que se utilizan, un concepto fundamentalmente esencial para las formas en que los humanos aprenden.

  26. En la década de 1950 avanzaron mucho las computadoras, se pudo simular una red neuronal hipotética.

  27. En 1959, el profesor Bernard Widrow y su alumno Marcian Hoff de la universidad de Stanford diseñaron los modelos llamados "Adaline" y "Madaline". Adaline se desarrolló para reconocer muestras binarias

  28. En 1962, Widrow y Hoff desarrollaron un procedimiento básico de aprendizaje que evalua los datos antes de ajustar sus pesos,

  29. En 1972, Kohonen y Anderson diseñaron redes similares de forma independiente entre sí. Ambos utilizaron matemáticas matriciales para describir sus ideas

  30. La primera red multicapa se desarrolló en 1975, una red no supervisada. Las neuronas pueden activar un conjunto de salidas distintas.

  31. En 1982, se renovó el interés por el campo. John Hopfield presentó un enfoque para crear máquinas más útiles utilizando líneas bidireccionales.

  32. En 1986, el problema era cómo extender la regla Widrow-Hoff a múltiples capas.

  33. En la actualidad, las redes neuronales artificiales (ANN o RNA) son muy diversas en modelos, topologías, aplicaciones, aprendizaje diseños, etc.

  34. Clasificación de Redes Neuronales

  35. Se pueden clasificar según su aplicación o uso:

  36. Redes neuronales para Clasificar (clasificadores)

  37. Redes neuronales para Regresión (regresores)

  38. Las redes neuronales se pueden implementar como clasificadores o como regresores. En el caso de clasificadores se asigna una clase discreta a un vector de entradas. En el caso de regresores, se asigna un vector de salida continuo o analógico a un vector de entrada continuo.

  39. topología o arquitectura

  40. Red neuronal monocapa – Perceptrón simple

  41. Red neuronal Multicapa

  42. La red neuronal monocapa es la más sencilla, tiene una sola capa de neuronas que utilizan las entradas para obtener directamente las salidas de la red. Las redes multicapa contienen varias capas ocultas entre la capa sensorial o de entrada y la capa de salida

  43. dependencia temporal

  44. Estáticas

  45. Dinámicas

  46. Las estaticsa no tienen memoria y las dinámicas se agrega memoria

  47. Redes neuronales Multicapa

  48. Las redes neuronales generalmente tienen varias capas. Se utiliza superíndice en la variable de interés para distinguir la pertenencia a las distintas capas en las matrices de peso, los sesgos y los vectores de salida

  49. Funciones de Procesamiento de entradas y salidas

  50. Estas funciones transforman los datos de entrada del usuario a una forma que es más fácil o eficiente para una red. Por ejemplo, en Matlab la función mapminmax transforma los datos de entrada de modo redes. La tercera función de procesamiento común es fixunknowns, que se encarga de recodificar datos desconocidos en una forma numérica para la red. La función fixunknowns conserva información sobre qué valores se conocen y cuáles se desconocen.

  51. Redes Neuronales en sistemas adaptativos

  52. En otras palabras, obtenemos la respuesta deseada donde la red neuronal trata de ajustar sus parámetros mediante un proceso de aprendizaje iterativo

  53. La aproximación se realiza ajustando en forma sistemática un conjunto de parámetros libres, denominados pesos sinápticos.

  54. Ventajas

  55. No linealidad

  56. Capacidad de aprendizaje

  57. Generalización

  58. Tolerancia a errores

  59. Red neuronal Perceptron

  60. En este modelo se realiza una suma ponderada de señales de entrada y se compara con un umbral o límite para obtener la salida de la neurona

  61. Las redes con estas neuronas podrían calcular cualquier aritmética o función lógica

  62. Se considera una red importante, que es una red rápida y confiable para resolver algunas aplicaciones sencillas

  63. Además, el estudio de la red perceptrón proporciona una buena base para comprender redes más complejas.

  64. Procesos de Aprendizaje

  65. Para aprendizaje supervisado, entrada y respuesta.

    Corrígete, debes tener un conjunto de entrenamiento donde se conozcan los problemas

    {p1, t1}, {p2, t2}, ……. {pn, tn}

  66. Se usa para salida de red y para errores

  67. se define como:

  68. inicialización aleatoria del peso w y el desplazamiento b de la red

  69. muestreo de entrada-salida {pi, t}

  70. Calcular el valor recibido por la salida de la red

  71. Se calcula el error, los pesos y los sesgos nuevos mediante las siguientes ecuaciones

  72. Se repite el paso 2 hasta completar el conjunto completo de entrenamiento.

  73. Luego, se repiten los pasos hasta que se alcanza el criterio de detención.

  74. Criterios de Percepctron simple

  75. Establecer un número máximo de ciclos.

  76. Cuando la tasa de éxito en la clasificación de patrones de entrenamiento no cambia durante cierta cantidad de ciclos

  77. Cuando la tasa de éxito en la clasificación de patrones de entrenamiento no cambia durante cierta cantidad de ciclos

  78. Perceptron de múltiples neuronas

  79. Se tiene 1 límite de decisión correspondiente a una neurona, solo se separan 2 categorías.

  80. La red Perceptron con múltiples neuronas puede clasificar las entradas en varias categorías, cada una de ellas es representada por un vector de salida distinto.

  81. Debido a que cada salida puede ser 0 o 1, para s neuronas se tiene 2s posibles categorías.

  82. Se representan los límites de cada neurona con la siguiente ecuación, el subíndice indica el número de neurona.

  83. Limitaciones del perceptron

  84. Muchas aplicaciones no se pueden separar linealmente.

  85. Por ejemplo, la red clásica Perceptron no separa correctamente la compuerta XOR. Se representan las entradas con pi y para las respuestas correctas se utiliza ti

  86. Red neuronal Adaline y Madaline

  87. Las redes neuronales Adaline utilizan las funciones de transferencia lineales. Tomamos de ejemplo una red Adaline con solo una neurona y dos entradas.

  88. La matriz de pesos W en este caso tiene solo una fila. La salida de la red (a) se calcula con la función de transferencia:

  89. Así como el perceptrón, el Adaline tiene un límite de decisión que está determinado por el vector de entrada para los cuales la entrada neta es cero.

  90. Procesos de aprendizaje Adaline

  91. Se entrena la red para que tenga un error mínimo utilizando el algoritmo de mínimos cuadrados medios

  92. Desarrollado por el profesor B. Widrow y su alumno T. Hoff. Se buscan los pesos óptimos de la red neuronal w

  93. Desarrollado por el profesor B. Widrow y su alumno T. Hoff. Se buscan los pesos óptimos de la red neuronal w

  94. Aprendizaje de la red neuronal Adaline simple

  95. Paso 1: Inicializar los pesos y los sesgos de forma aleatori

  96. Paso 2: Tomar un patrón de entrenamiento con entrada X(K)

  97. Paso 3: Calcular la salida a = y(k), compararla con la salida deseada d(k) y obtener la diferencia

  98. Paso 4: Para todos los pesos y todos los sesgos

  99. Paso 6: Repetir los pasos anteriores: 2, 3, 4 y 5 para todos los datos de entrenamiento (1 vez)

  100. Paso 7: Repetir los pasos 2, 3, 4, 5 y 6 la cantidad de ciclos hasta que se cumpla el criterio de detención

  101. Filtros adaptativos de redes neuronales

  102. Las redes Adaline (neurona lineal adaptativa) son similares al perceptrón, pero se utiliza función de transferencia lineal en lugar función de limitador fuerte (hard-limiting).

  103. Esto permite que sus salidas tomen cualquier valor, mientras que la salida del perceptrón está limitada a 0 o 1.

  104. La red Adaline como la red neuronal perceptrón solo resuelven problemas que sean linealmente separables.

  105. Sin embargo, aquí se utiliza la regla de aprendizaje LMS (mínimos cuadrados medios), que es mucho más poderosa que la regla de aprendizaje utilizada en el perceptrón.

  106. Las redes lineales que se ajustan en cada paso de tiempo en función de vectores nuevos de entrada y de salida, pueden encontrar pesos y sesgos que minimicen la suma del error cuadrático medio de la red para los vectores de entrada y destino recientes.

  107. Funciones adaptativas

  108. La función adaptar, cambia los pesos y bias de una red de forma incremental durante el entrenamiento.

  109. La función adaptar, cambia los pesos y bias de una red de forma incremental durante el entrenamiento.

  110. Esto no es una desventaja, ya que las redes lineales con solo una capa son igual de capaces que las redes lineales multicapas.

  111. Evidencia 14

Information

Description
Flowchart on Redes neuronales, created by Jose Hdez on 08/08/2022.
Created by
Jose Hdez
Views
1
Rating

More on Redes neuronales y aprendizaje profundo

Feedback

What is it about?

What do you think of the new look?

How do you like it?