Presentación realizada para la materia de Inteligencia Artificial de la Licenciatura en Ingeniería en Mecatrónica de la Benemérita Universidad Autónoma de Puebla en el periodo de Primavera 2017, en el que se incluyen la definición de las redes neuronales, sus características, clasificación, comportamientos, modelos...
2. INTELIGENCIA ARTIFICIAL
• La inteligencia artificial es un intento por descubrir y describir
aspectos de la inteligencia humana que pueden ser simulados
mediante máquinas.
3. RED NEURONAL (NEURORED)
• Procesador de información, de distribución altamente paralela, constituido por
muchas unidades sencillas de procesamiento (neuronas)
• Un nuevo sistema para el tratamiento de la información, cuya unidad básica de
procesamiento está inspirada en la célula fundamental del sistema nervioso
humano: la neurona.
• Red interconectada masivamente en paralelo de elementos simples (usualmente
adaptativos) y con organización jerárquica, las cuales intentan interactuar con
los objetos del mundo real del mismo modo que lo hace el sistema nervioso
biológico
4. CARACTERÍSTICAS DE UNA NEURORED
Neurored
Aprendizaje por
experiencia
Alta plasticidad
Gran
Adaptabilidad
Alto nivel de
tolerancia a
fallas
Comportamiento
no lineal
Operación en
tiempo real
Auto-
organización
5. CLASIFICACIÓN DE REDES NEURONALES
• De acuerdo a su similitud con la realidad biológica:
• Modelo de tipo biológico: Redes que tratan de simular los sistemas
neuronales biológicos, así como las funciones auditivas o algunas
funciones básicas de la visión.
• Modelo dirigido a aplicación. Su arquitectura está fuertemente ligada a
las necesidades de las aplicaciones para la que es diseñada. No
necesariamente guarda similitud con los sistemas biológicos.
6. NEUROBIOLOGÍA
• Las neuronas son 5 o 6 órdenes de magnitud más lentas que
una compuerta lógica de silicio.
• Número inmenso de neuronas con interconexiones masivas
entre ellas.
• Eficiencia energética del cerebro del orden de 1010 veces mayor
que la de los mejores computadores actuales
7. NEUROBIOLOGÍA
• Potenciales de acción: Salidas de las neuronas codificadas en
una serie de breves pulsos periódicos originados cerca del
soma y propagados por el axón.
• Sinapsis: Interconexión entre 2 neuronas
• Botón Sináptico: Axón de neurona pre-sináptica
• Dendrita: Neurona post-sináptica
8. SINAPSIS QUÍMICA
• Señal neural eléctrica pre-sináptica llega al
botón sináptico.
• Se rompen las vesículas sinápticas (en azul)
• Se liberan un neurotransmisor (sustancia
química).
• El neurotransmisor se difunde en el espacio
entre las neuronas.
• El neurotransmisor es captado por la dendrita,
• Se estimula un nuevo impulso eléctrico, post-
sináptico
• El impulso se propaga hacia la derecha.
9. SINAPSIS QUÍMICA
• Dendritas = Zonas receptivas de una
neurona
• Axón = línea de transmisión
• Botones terminales = Comunican los
impulsos a otras neuronas
10. COMPORTAMIENTOS NEURONALES
IMPORTANTES
• El impulso que llega a una sinapsis y el que sale no son iguales
• El que sale depende de la cantidad de neurotransmisor
• La cantidad de neurotransmisor cambia durante el proceso de aprendizaje
• Ahí se almacena la información
• La sinapsis refuerza o debilita el pulso
• En el soma se suman las entradas de las dendritas
• Su se sobrepasa cierto umbral se transmite el pulso
• Después de la transmisión la neurona no puede transmitir durante 0.5 ms a 2 ms
(periodo refractario)
13. MODELO NEURONAL
• Neurona de interés yj
• X1…xj neuronas que envían
señales
• Wji pesos sinápticos en las
dendritas de yj
• Define la importancia de cada
entrada
15. MODELO NEURONAL
• Funciones de Activación
• Bipolares o antisimétricas
−𝑎 ≤ 𝑦𝑗 ≤ 𝑎
Generalmente 𝑎 = 1
• Binarias
0 ≤ 𝑦𝑗 ≤ 1
• Neurona
• Lineal
• Función de activación lineal
• No lineal
• Función de activación no lineal
16. MODELO NEURONAL
• Neurona de inclinación
• Para subir o bajar el umbral de
activación
• Entrada =1
• Peso sináptico = 𝑤𝑗0
• Nuevo umbral
𝑦𝑗(𝑖𝑛)
=
𝑖=0
𝑛
𝑤𝑗𝑖𝑥𝑖
con 𝑥0 = 1
17. MODELO NEURONAL MCCULLOCH-PITTS
• Neuronas son binarias [0;1]
• Umbrales y sinapsis son fijos
• Función de Activación del tipo
escalón
• Las funciones lógicas se pueden
describir mediante
combinaciones de neuronas.
• Se puede crear una red capaz de
resolver cualquier función
computable
Umbral =2
18. PROBLEMAS LINEALMENTE SEPARABLES
• Agregar una neurona de inclinación
• Definir un plano con las entradas
• 2 regiones y=1, y=0 definidas por la frontera (ecuación) lineal
19. CAPAS NEURONALES
• Neuronas con
comportamientos similares
que forman un vector de
neuronas
• La capa de entrada no se
contabiliza
• Red unicapa
• Solo para problemas
linealmente separables
• Capa de salida lineal o no lineal
• Red multicapa
• Capa de salida no lineal
• Resuelve problemas más
complejos
20. APRENDIZAJE
• Clave de la plasticidad
• Proceso en el que se adaptan las sinapsis para que la red
responda de manera distinta a los estímulos
• Clasificación
• Con profesor o supervisado
• Sin profesor o no supervisado