Redes Neuronales ¿Qué son? Tradicionalmente se refiere a una red dentro de nuestro sistema nervioso, el cual puede procesar y transmitir información. ● En inteligencia artificial, paradigma que trata de emular la estructura y características del sistema nervioso con el fin de alcanzar una funcionalidad similar en la resolución de problemas. ● Las redes neuronales artificiales consisten de grupos interconectados de neuronas artificiales que utilizan un modelo matemático o computacional para el procesamiento de información basado en el conexionismo. ● ¿Qué es el conexionismo? El conexionismo es un conjunto de enfoques en los ámbitos de la inteligencia artificial, psicología cognitiva, ciencia cognitiva, neurociencia y filosofía de la mente, que presenta los fenómenos de la mente y del comportamiento como procesos que emergen de redes formadas por unidades sencillas interconectadas. ● Hay muchas formas de conexionismo, pero las formas más comunes son los modelos de redes neuronales. ● Redes Neuronales Neurona Biológica Cuerpo celular o soma El cerebro consiste de un conjunto densamente interconectado de neuronas (aproximadamente 10 billones de neuronas y 60 trillones de conexiones) Redes Neuronales Proceso de transmición de informacion entre neuronas Redes Neuronales - Las señales son propagadas de una neurona a otra mediante reacciones electroquímicas complejas. - Las sustancias químicas liberadas de las sinapsis causan un cambio en el potencial eléctrico del cuerpo celular. - Cuando el potencial alcanza un umbral, se produce un impulso eléctrico que se envía a través del axón. Importante: Las redes neuronales exhiben plasticidad En respuesta a estímulos externos, las neuronas modifican la fuerza de sus conexiones (intensidad sináptica). También pueden formar nuevas conexiones. Este mecanismo forma la base para el aprendizaje en el cerebro Redes Neuronales Warren McCulloch y Walter Pitts, 1943 ● ● ● Introdujeron un modelo simplificado de las Redes Neuronales. Son generalmente reconocidos como los creadores de la primera Red Neuronal Artificial. Combinaron varias unidades de procesamiento sencillas con la finalidad de obtener un incremento en poder computacional. Dendritas = canal de entrada Axón = canal de salida Soma = procesador Redes Neuronales Warren McCulloch y Walter Pitts, 1943 La red McCulloch/Pitts carece de varias caracterísitcas: ● ● ● ● ● Input y Output no binario Suma no lineal. Umbral Suavizado. Procesamiento de información temporal y estocástica. Aprendizaje. ¿Como manejar el aprendizaje? En 1949, Donald Hebb desarrollo la primera regla de aprendizaje para Redes Neuronales, consistía en que si dos neuronas se encontraban activas al mismo tiempo, entonces la fuerza de la conexión entre ellos debía ser incrementado. En los 50s y 60s, varios investigadores (Block, Minsky, Papert y Rosenblatt) trabajaron en Perceptron. Durante su investigación desarrollaron una regla de aprendizaje basado en pesos sinápticos, la cual retornaba mejores resultados que la desarrollada anteriormente por Hebb. Actualmente la mayoría de las redes neuronales basan su aprendizaje en esta regla. Redes Neuronales Elementos de una Red Neuronal Artificial Una red neuronal está conformado por entradas/salidas, pesos sinápticos, función de entrada, función de activación y función de salida. Redes Neuronales Entradas/Salidas Binarias Reales Pesos sinápticos Intensidad de la conexión entre neuronas Función de entrada Calcula la entrada a la neurona (potencial postsináptico). Producto interno Distancia Euclídea (h) Función de activación Proporciona el estado de activación de la neurona. (f) Función de salida (F) Proporciona la salida global de la neurona. Generalmente se utiliza la función identidad Escalón Escalón simétrico Identidad Sigmoide Sigmoide bipolar Gaussiana Redes Neuronales Salidas Entradas Monocapa Entrada Salida Multicapas Entrada Ocultas Salida Estructura por capas Arquitectura Patrón de interconexión (determina el flujo de información) Conexiones hacia adelante Conexiones hacia atrás (recurrentes) Conexiones laterales Redes Neuronales Supervisado Modos de operación Aprendizaje (actualización de los pesos) No supervisado Híbrido Ejecución o recuerdo Existen diferentes tipos de redes neuronales Supervisadas No supervisadas Híbridas Perceptron Adaline Perceptron multicapa Mapas de Kohonen Hopfield ART (teoría de resonancia adaptativa) BAM (Memoria asociativa bidireccional) Red de función de base radial LVQ (aprendizaje de vectores de cuantificación)