Redes Neuronales
Redes Neuronales
Redes Neuronales
REDES NEURONALES
Las redes neuronales se han convertido en una de las familias de algoritmos del
Machine Learning mas importantes en la actualidad.
Existen de mediados del siglo pasado, pero no ha sido hasta hace unos años que
hemos empezado a utilizarlas de gran manera.
- Reconocimiento de Caracteres, imágenes y Voz
- Pronostico de Enfermedades
- Predicción versátil
- Conducción Autónoma
- Prevención de Fraude
Incluso llegar a clasificar pepinos.
Las complejidades de estos sistemas emergen desde la interacción de muchas
partes más simples trabajando conjuntamente. En este caso se definen como
Neuronas Artificiales. De manera similar a una Neurona biológicamente
establecida, se debe contemplar la Neurona como un sistema de entradas, y de
estimulos que generaran internamente un cambio, un cálculo para luego así
producir un valor de salida.
Recordemos que en un nivel profundo en la neurona tenemos un conjunto de
entradas asociadas a una serie de pesos y parámetros que se deben ajustar
internamente para obtener un valor deseado.
Pero como son modelos regresión lineal, sumar muchas líneas rectas, daria como
resultado otra línea recta. Y esto hace que la red colapse como si solo tuviéramos
una única neurona solucionando un Gran problema. Y ahí aparece La función de
activación, esta lo que hará será distorsionar el plano generado por la neurona, y
que esta se adapte a la solución de modelos mucho más complejos.
Estructura de la Red Neuronal
Redes Monocapa
En las redes monocapa, se establecen conexiones entre las neuronas de la única
capa que constituye la red. Las redes monocapas se utilizan generalmente en
tareas relacionadas con lo que se conoce como autoasociación (regenerar
información de entrada que se presenta a la red de forma incompleta o
distorsionada).
Redes Multicapa:
Las redes multicapas son aquellas que disponen de un conjunto de neuronas
agrupadas en varios (2, 3, etc.) niveles o capas.
Redes de Hopfield
La red de hopfield, fue desarrollada en 1982 por John Hopfield, en una red
monocapa cuyas salidas son números binarios. Cada neurona de la red se
encuentra conectada con todas las demás, pero no consigo mismo.
La red de hopfield cuenta con dos etapas de trabajo:
- Etapa de Aprendizaje
- Etapa de Evaluacion
Los pesos de las sinapsis o relaciones, son simétricos. Y se trata de una red
autoasociativa. Esto quiere decir, que puede recibir y almacenas información
(patrones), como si de una memoria se tratase en su etapa de aprendizaje. Para
después ante una determinada entrada, la red evolucione hasta estabilizarse
ofreciendo como salida la informacion que coincida o se parezca más a su
reciente entrada.
Ejemplo
Se desea entrenar una Red de Hopfield, que sea capaz de reconocer información
(patrones) de imágenes formadas por cuatro pixeles, en una matriz de 2x2.
En la figura siguiente se muestran ejemplos de patrones que podrían utilizarse
como entradas a la red:
Los pixeles negros podrían representarse mediante el valor binario 1, y los blancos
con el valor binario -1. En este caso, las informaciones serían dos vectores de
cuatro elementos (N = 4) que contienen los valores de los pixeles. La red, por
tanto, tendría 4 neuronas para que cada una reciba el valor de un pixel.
Los valores de los vectores de entrada que representan cada patrón son:
E1= [1, 1,-1,-1] y E2 = [-1,-1, 1, 1]
Etapa de Aprendizaje:
El aprendizaje de estas dos informaciones consiste en la obtención de los pesos
de la red (matriz W).
Utilizaremos la fórmula
TE1 * E1 – I =
Para la entrada E2, la salida W2 es:
TE2 . E2 – I =
Sumando W1 y W2 se obtiene la matriz de pesos definitiva, W:
Ejercicio: Punticos !!
Verificar si la red neuronal reconoce el siguiente patrón:
Mecanismos de Aprendizaje
El aprendizaje es el proceso por el cual una red neuronal modifica sus pesos en
respuesta a una información de entrada que brindamos.
Un aspecto importante respecto al aprendizaje de las redes neuronales es el
conocer cómo se modifican los valores de los pesos, es decir, cuáles son los
criterios que se siguen para cambiar el valor asignado a las conexiones cuando se
pretende que la red aprenda una nueva información.
Hay dos métodos de aprendizaje importantes que pueden distinguirse:
a- Aprendizaje supervisado.
b- Aprendizaje no supervisado.
(Santiago)
Aprendizaje No Supervisado, Las redes con aprendizaje no supervisado
(también conocido como auto supervisado) no requieren influencia externa para
ajustar los pesos de las conexiones entre sus neuronas.
La red no recibe ninguna información por parte del entorno que le indique si la
salida generada en respuesta a una determinada entrada es o no correcta. Estas
redes deben encontrar las características, regularidades, correlaciones o
categorías que se puedan establecer entre los datos que se presenten en su
entrada.
- Aprendizaje Hebbiano
- Aprendizaje Competitivo y Comparativo
- Los otros 3 que encontro
Redes de Kohonen (Santiago)
Que son? Caracteristicas? Algoritmo.
Ejemplos que quedo de hacer