REDES NEURONALES

TEORÍA MODERNA DE LA FIRMA 2010

Qué son ?
•Las redes neuronales consisten en unidades
de procesamiento que intercambian datos e
información.

•Se utilizan para reconocer patrones,

incluyendo imágenes, manuscritos y
secuencias de tiempo (tendencias
financieras).

•Estas tienen la capacidad de aprender y

mejorar su funcionamiento.
Para qué son útiles?

Para aprender estrategias de solución

basadas en ejemplos de comportamiento
típico de patrones; estos sistemas no
requieren que la tarea a ejecutar se
programe, ellos generalizan y aprenden
de la experiencia.
Ventajas de las redes neuronales

Aprendizaje Auto-
Adaptativo organización

Tolerancia a Operación en
fallos tiempo real

Fácil inserción
dentro de la
tecnología
existente
- 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.
Predicción - Clasificación

Ante el Mapas
fracaso del autoorganizativos
análisis
clásico de las
series
temporales.
 Características de la redes neuronales:
Pesos:
•Los datos de entrada de las redes neuronales pueden
tener pesos fijos o adaptables.

•Los datos que tienen pesos adaptables emplean leyes

de aprendizaje para ajustar el valor de la fuerza de una
interconexión con otras neuronas.

•Los datos que utilizan pesos fijos tendrán una tarea

que deberá estar previamente definida.

•Los pesos serán determinados a partir de una

contextualización completa del problema. Por otra
parte, los pesos adaptables son esenciales si no se
conoce previamente cual deberá de ser su valor
correcto.
Tipos/Mecanismos de aprendizaje:
Aprendizaje: Proceso por el cual una red neuronal modifica sus
pesos en respuesta a una información de entrada. Los cambios que
se producen durante el proceso de aprendizaje se reducen a la
destrucción, modificación y creación de conexión entre las
neuronas.

Aprendizaje por
corrección de error

Redes con
Aprendizaje por
aprendizaje
refuerzo
supervisado

Aprendizaje
Se pueden distinguir estocástico
2 tipos de redes
neuronales:

Aprendizaje
Hebbiano
Redes con
aprendizaje no
supervisado Aprendizaje
competitivo y
cooperativo
Redes con aprendizaje supervisado: Se caracterizan por que
el proceso de aprendizaje se realiza mediante un
entrenamiento controlado por un agente externo que
determina la respuesta que debería generar la red a partir
de una entrada determinada. Existen tres formas de llevarlo
a cabo, como lo son:
Aprendizaje por corrección de error: Consiste en ajustar los
pesos de las conexiones de la red en función de la diferencia
entre los valores deseados y los obtenidos a la salida; es
decir, en función del error cometido en la salida.
Aprendizaje por refuerzo: se trata de un aprendizaje
supervisado, más lento que el anterior, que se basa en la
idea de no disponer de un ejemplo completo del
comportamiento deseado, es decir, de no indicar durante el
entrenamiento exactamente la salda que se desea que
proporcione la red ante una determinada entrada.
Aprendizaje estocástico: Consiste básicamente en realizar
cambios aleatorios en los valores de los pesos de las
conexiones de la red, y evaluar su efecto a partir del objetivo
deseado y de distribuciones de probabilidad.
Redes con aprendizaje no supervisado: No requiere 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 a salida generada en respuesta a una
determinada entrada es o no correcta; por ello, suele decirse
que estas redes son capaces de autoorganizarce. Existen dos
tipos de llevarlo a cabo:
Aprendizaje Hebbiano: Esta regla de aprendizaje es la base de
muchas otras. Pretende medir la familiaridad o extraer
características de los datos de entrada. El fundamento es una
suposición bastante simple: si dos neuronas toman el mismo
estado simultáneamente (ambas activas o ambas inactivas), el
peso de la conexión entre ambas se incrementa.
Aprendizaje competitivo y cooperativo:Se orienta a la
clasificación de los datos de entrada. Si el patrón de entrada se
determinó que no pertenece a ninguna de las clases
reconocidas anteriormente, entonces la estructura y los pesos
de la red neuronal serán ajustados para reconocer la nueva
clase.
Cómo funcionan?
Cada neurona recibe impulsos procedentes de
otras neuronas a través de las dentritas, que están
conectadas a las salidas de otras neuronas por
puntos de contacto especiales (sinapsis).
El aprendizaje resulta de la modificación de estos
pesos, que unido al procesamiento de información
de la neurona determinan el mecanismo básico de
la memoria.
 Funcionamiento de una red neuronal
Las redes neuronales artificiales simulan las propiedades de
los sistemas neuronales biológicos a través de modelos
matemáticos creados mediante mecanismos artificiales. Su
objetivo es conseguir respuestas similares a las que es capaz
de dar el cerebro, caracterizadas por su generalización y su
robustez.

•Cada neurona recibe una serie de entradas por medio de

interconexiones que tienen un peso específico, ya sea positivo o
negativo, que serán procesadas en la capa oculta de acuerdo a
los pesos y la función de activación correspondiente, para luego
emitir un resultado a través de las conexiones con las neuronas
de la capa siguiente.
Esquema
 Niveles de la Red Neuronal

Entrada Ocultas Salidas

- De entrada: es la capa que recibe
directamente la información proveniente
de las fuentes externas de la red.

-Ocultas:son internas a la red y no tienen

contacto directo con el entorno exterior. El
número de niveles ocultos puede estar
entre cero y un número elevado. Las
neuronas de las capas ocultas pueden
estar interconectadas de distintas
maneras, lo que determina, junto con su
número, las distintas topologías de redes
neuronales.

- De salidas: transfieren información de la

red hacia el exterior.
Técnica de decisión
Aplicaciones
-Asociación y clasificación

-Regeneración de patrones

-Regeneración y generalización

-Optimización

-La predicción de precios de las acciones

-La selección de empresas en un proceso de

contratación pública
Ejemplo:
La predicción de precios de las acciones: Acá definimos los
factores que afectan a nuestra variable, precio; entre las cuales
destacamos las utilidades de las empresas, los precios de las
divisas y la tasa de interés o el mismo índice de la bolsa de
valores.
Ahora construimos nuestra base de datos, recolectando
información como los valores actuales e históricos de cada
factor. Y con esto especificamos como van a ser las entradas y
sus pesos, esto a partir del modelo a utilizar por el analista. Con
este modelo también definimos las capas ocultas, o sea como se
va a desarrollar la activación de las neuronas o el proceso de
aprendizaje; aclarando que toda la arquitectura de nuestra red
neuronal ya depende de cómo el analista pretenda averiguar
nuestro dato de salida o el modelo de red neuronal que vaya a
usar.
Finalmente, al activarse nuestra neurona y desarrollar el
proceso de aprendizaje obtendremos nuestro(s) dato(s) de
salida.
Principales autores

Warren McCulloch y Walter Pitts

Alan Turing

Donald Hebb

Frank Rosenblatt