Redes Neuronales

Las redes neuronales son una tecnología excitante con el potencial cambiar la
manera cómo resolvemos en "el mundo real" los problemas en ciencia, ingeniería y
economía.
NeuroDimension

Introducción
Se puede comprender fácilmente que el cerebro humano es muy superior a un
computador digital en muchos aspectos. Un ejemplo es el procesamiento de información
visual. Un bebe de menos de un año reconoce mejor y más rápidamente objetos y caras
que el mejor sistema de inteligencia artificial funcionando en el más rápido
supercomputador existente.
Definición
Una red neuronal es un paradigma diferente al computador. Una red neuronal es un
conjunto de elementos de procesamiento simples, interconectados entre sí, que
intercambian mensajes, cuya funcionalidad está basada en la neurona animal. La habilidad
de procesamiento de la red se guarda en las fuerzas de interconexión entre los elementos
(llamadas pesos), obtenidos por un proceso de adaptación o aprendizaje a partir de un
conjunto de patrones de entrenamiento.

Neuronas y Cerebro
La arquitectura de las redes neuronales están inspiradas por modelos del cerebro y las
células nerviosas. Aunque no está muy claro cómo funciona el cerebro, existe mucha
información anatómica y fisiológica.
El cerebro humano consiste en un gran número de células nerviosas (más de 100 billones)
que procesan información. Cada célula trabaja como un simple procesador y solo la
interacción entre las células y su procesamiento paralelo hace las habilidades del cerebro
posible.
Las neuronas tienen cinco funciones especializadas:
 reciben señales de las neuronas adyacentes
 integran estas señales
 generan un impulso nervioso
 conducen el impulso nervioso
 transmiten estos impulsos a otras neuronas que son capaces de recibirlos.
Las neuronas pueden dividirse en tres partes: el cuerpo de la célula, las dendritas y el
axón. El cuerpo de la célula contiene el núcleo de la neurona y realiza las transformaciones
bioquímicas necesarias para sintetizar las enzimas y otras moléculas necesarias para la
vida de la neurona.
Las dendritas son una fina extensión tubular que salen del cuerpo de la célula y son los
principales receptores de las neuronas y sirven para conectar estas a las señales
entrantes, su longitud es entre unas décimas de micras a unas decenas de micras.
El axón es una fibra nerviosa y es la conexión saliente para las señales emitidas por la
neurona. La diferencia en relación con las dendritas es respecto a las propiedades de su
membrana externa y en su longitud desde 1 milímetro a 1 metro.

La conexión entre dos neuronas se llama unión sináptica o sinapsis. La comunicación entre
dos neuronas tiene lugar como resultado de la liberación de unas sustancias llamadas
neurotransmisores

Modelo de una Neurona

La neurona es el elemento de procesamiento fundamental en la operación de la red
neuronal. Pueden identificarse tres elementos básicos:
 Un conjunto de sinapsis.
 un sumador
 Una función de activación para limitar a amplitud de salida de la neurona
 𝑝

𝑢𝑘 = ∑ 𝑤𝑘𝑗 ∙ 𝑥𝑗
𝑗=1

𝑦𝑘 = (𝑢𝑘 − 𝜃𝑘 )

Tipos de Funciones de activación:

 Función Umbral
1 v0
 (v )  
0 v0

 Función Lineal truncada

1 v   12

 (v )  v  12  v   12
0 v   12

 Función Sigmoidal
1
 (v ) 
1  e av
v
 v  1 e
 (v)  tanh    v
 2  1 e
 Función Gaussiana

 (v )  a e
 
x  x0

Conexiones entre neuronas.

Conexión en la misma capa

Conexión entre capas

Conexión Recurrente
Estructura de una capa recurrente simple con conexiones laterales

Estructura de dos capas con conexión hacia adelante

Estructura de dos capas con realimentación

Estructura de tres capas con conexión hacia adelante

Estructura de una capa recurrente simple

Por qué se necesita una nueva tecnología?
Que hacen los computadores:
Buenos para No buenos para
Realizar aritmética rápida Actuar con datos ruidosos o tomados
directamente del ambiente
Hacer precisamente lo que el programador Realizar paralelismo masivo
quiere que haga.
Adaptarse a las circunstancias
Tolerar fallas

Comparación entre un computador digital y una red neuronal

Computador Digital Redes Neuronales
Uno o unos pocos procesadores de alta Número grande (1011) de procesadores de
velocidad (ns) con considerable poder de baja velocidad (ms) con poder de cálculo
cálculo limitado
Uno o varios buses compartidos de alta Número grande (1015) de conexiones de
velocidad para comunicación baja velocidad
El conocimiento de resolución de problemas El conocimiento de resolución de problemas
se separa del componente de computación reside en la conectividad de las neuronas
Difícil de ser adaptativo Adaptación cambiando la conectividad
Razonamiento Deductivo. Se aplican reglas a Razonamiento Inductivo. Se toman los
los datos de entrada para producir una datos de entrada y salida (ejemplos de
salida. entrenamiento), para la construcción de
reglas.
Computación centralizada, sincrónica y Computación colectiva, asincrónica y
serial. paralela.
La memoria es compacta. Almacena la La memoria es distribuida y de contenido
información en una posición especifica de direccionable.
memoria.
No tolera fallas. Un transistor hace fallar el Tolerante a fallas. Existe redundancia y se
transistor. comparten responsabilidades.
Rápido. Millonésimas de segundos Lento. Medidos en milésimas de segundos.
Exacto Inexacto
Conexiones estáticas Conexiones dinámicas
Aplicable si están definidas las reglas para Aplicable si las reglas son desconocidas o
entrada de datos precisos. complicadas, o si los datos contienen ruido
o son parciales.
Alto consumo de energía Bajo consumo de energía

Dónde las redes neuronales pueden ayudarnos?

 Donde no podemos formular una solución algorítmica.
 Donde podemos conseguir muchos ejemplos.
 Donde necesitamos escoger datos de la estructura existente.

¿Dónde las redes Neuronales son aplicadas?

Las redes neuronales hacen lo que las técnicas de la informática tradicionales pueden
hacer, pero hacen algunas cosas que serían muy difíciles hacerla usando técnicas
tradicionales. Normalmente se utilizan en problemas de optimización y clasificación
destacándose:
 Calificación y reconocimiento de patrones.
Datos de entrada: conjunto de características de un objeto
Salida: clase a la cual pertenece un objeto.
por ejemplo si alguien es elegible o no para un crédito bancario
Otros ejemplos:
o Reconocimiento de caracteres
o Clasificación de imágenes/texto
o Clasificación de señales (EEG,EKG)
o Clasificación de tipos de terreno
 Agrupamiento de datos
 Datos de entrada: conjunto de características de un objeto, por ejemplo la
información concerniente a la sesión de usuario en un sistema de comercio
electrónico
Salida: clase a la cual pertenece un objeto
Por ejemplo grupos de usuarios con igual comportamiento
Otros ejemplos: segmentación de imágenes
 Aproximación / Estimación
Datos de entrada: valores de algunas variables independientes, por ejemplo los
valores obtenidos en las mediciones
Salida: valores correspondientes a las variables dependientes, por ejemplo valores
estimados de las mediciones que dependen de las variables independientes.
 Predicción.
Datos de entrada: secuencia de valores, por ejemplo el tipo de cambio en el
último mes
Salida: Estimación del valor siguiente por ejemplo estimación del tipo de cambio
de la moneda para mañana
Otros ejemplos: estimación de inventarios, mediciones meteorologicas
 Optimización
Encontrar una aproximación del óptimo de un problema difícil
 Memorias asociativas
El proceso de recuperación se basa en el contenido almacenado no en una
dirección
 Control adaptativo
Encontrar una señal de control que asegure una salida dada de un sistema
 Procesamiento de imágenes.
 Análisis de voz.
 Problemas de optimización.
 Procesamiento de entradas inexactas e incompletas.
 Simulación.
En particular, las redes neuronales pueden formar un modelo a partir de datos de
entrenamiento (o posiblemente los datos existentes a su entrada) exclusivamente.
Esto es particularmente útil con datos de sensores, o con datos de un proceso en el que
puede haber un algoritmo, pero no es conocido, o tiene demasiadas variables, en este
caso es más fácil permitir que la red neuronal aprenda de los ejemplos.
Están usándose redes neuronales:
 En análisis de la inversión: intentar predecir el movimiento de dineros de las
acciones etc., a partir de los datos anteriores.
 En análisis de la firma: Como un mecanismo para comparar firmas.
 se han usado redes para supervisar el estado de dispositivos en aviones