Redes Neuronales

Redes neuronales
Que son las redes neuronales artificiales?
Las Redes Neuronales son una red compuesta de

muchas unidades de procesamiento simple cada
una puede tener una cantidad pequeña de
memoria local las unidades están comunicadas
atreves de conexiones que usualmente transportan
información numérica.
Donde surgen las redes neuronales artificiales
1958 – Perceptron:
Entre las décadas de 1950 y 1960 el

científico Frank Rosenblatt, inspirado en el
trabajo de Warren McCulloch y Walter Pitts
creó el Perceptron, la unidad desde donde
nacería y se potenciarían las redes
neuronales artificiales.
Un perceptron toma varias entradas binarias

x1, x2, etc y produce una sola salida binaria.
Para calcular la salida, Rosenblatt introduce el concepto de “pesos” w1, w2,
etc, un número real que expresa la importancia de la respectiva entrada con
la salida. La salida de la neurona será 1 o 0 si la suma de la multiplicación de
pesos por entradas es mayor o menor a un determinado umbral.
Sus principales usos son decisiones binarias sencillas.

1965 – Multilayer Perceptron
Como se imaginarán, el
multilayer perceptron es una
“amplicación” del percepción de
una única neurona a más de una.
Además aparece el concepto de
capas de entrada, oculta y salida.
Pero con valores de entrada y
salida binarios. No olvidemos
que tanto el valor de los pesos
como el de umbral de cada neurona lo asignaba manualmente el científico.
Cuantos más perceptrones en las capas, mucho más difícil conseguir los
pesos para obtener salidas deseadas.
2014 – Generative Adversarial Networks
Estas redes pueden aprender a

crear muestras, de manera similar
a los datos con las que las
alimentamos.La idea detrás de
GAN es la de tener dos modelos de
redes neuronales compitiendo.
Uno, llamado Generador, toma
inicialmente “datos basura” como
entrada y genera muestras. El otro
modelo, llamado Discriminador, recibe a la vez muestras del Generador y del
conjunto de entrenamiento (real) y deberá ser capaz de diferenciar entre las
dos fuentes. Estas dos redes juegan una partida continua donde el Generador
aprende a producir muestras más realistas y el Discriminador aprende a
distinguir entre datos reales y muestras artificiales. Estas redes son
entrenadas simultáneamente para finalmente lograr que los datos generados
no puedan detectarse de datos rea
Ventajas
Aprendizaje Adaptativo:
Capacidad de aprender a realizar tareas basadas en un entrenamiento o en

una experiencia inicial.
Auto-organización:
una red neuronal puede crear su propia organización o representación de la

información que recibe mediante una etapa de aprendizaje.
Tolerancia a fallos:
la destrucción parcial de una red conduce a una degradación de su

estructura; sin embargo, algunas capacidades de la red se pueden retener,
incluso sufriendo un gran daño.
Operación en tiempo real:
los cómputos neuronales pueden ser realizados en paralelo; para esto se

diseñan y fabrican máquinas con hardware especial para obtener esta
capacidad.
Fácil inserción dentro de la tecnología existente:
se pueden obtener chips especializados para redes neuronales que mejoran

su capacidad en ciertas tareas. Ello facilitará la integración modular en los
sistemas existentes.
Desventajas
 Complejidad de aprendizaje para grandes tareas, cuanto más cosas se

necesiten que aprenda una red, mas complicado será enseñarle.
 Tiempo de aprendizaje elevado. Esto depende de dos factores:

primero si se incrementa la cantidad de patrones a identificar o
clasificar y segundo si se requiere mayor flexibilidad o capacidad de
adaptación de la red neuronal para reconocer patrones que sean
sumamente parecidos, se deberá invertir mas tiempo en lograr que la
red converja a valores de pesos que representen lo que se quiera
enseñar.
 No permite interpretar lo que se ha aprendido, la red por si sola

proporciona una salida, un número, que no puede ser interpretado por
ella misma, sino que se requiere de la intervención del programador y
de la aplicación en si para encontrarle un significado a la salida
proporcionada.
 Elevada cantidad de datos para el entrenamiento, cuanto mas flexible

se requiera que sea la red neuronal, mas información tendrá que
enseñarle para que realice de forma adecuada la identificación.

Redes Neuronales

Cargado por

Copyright:

Formatos disponibles

Redes Neuronales

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Redes Neuronales

Cargado por

Copyright:

Formatos disponibles

Redes neuronales

Que son las redes neuronales artificiales?

Las Redes Neuronales son una red compuesta de

Donde surgen las redes neuronales artificiales

Entre las décadas de 1950 y 1960 el

Un perceptron toma varias entradas binarias

Sus principales usos son decisiones binarias sencillas.

2014 – Generative Adversarial Networks

Estas redes pueden aprender a

Capacidad de aprender a realizar tareas basadas en un entrenamiento o en

una red neuronal puede crear su propia organización o representación de la

la destrucción parcial de una red conduce a una degradación de su

Operación en tiempo real:

los cómputos neuronales pueden ser realizados en paralelo; para esto se

Fácil inserción dentro de la tecnología existente:

se pueden obtener chips especializados para redes neuronales que mejoran

 Complejidad de aprendizaje para grandes tareas, cuanto más cosas se

 Tiempo de aprendizaje elevado. Esto depende de dos factores:

 No permite interpretar lo que se ha aprendido, la red por si sola

 Elevada cantidad de datos para el entrenamiento, cuanto mas flexible

También podría gustarte