MBC-6-M3-R1

Algoritmos de la Biología Computacional

Redes neuronales artificiales (ANN)

Redes neuronales artificiales (ANN)

Una red neuronal artificial o artificial neural network es un modelo matemático de la forma en que una red neuronal biológica procesa la información. Una red neuronal artificial intenta agrupar datos prediciendo etiquetas de muestras

Loaiza, K. (2020). Deep learning for decision support in dermatology. https://doi.org/10.13140/RG.2.2.14692.60800

Afshine Amidi & Shervine Amidi. (2018). Cheatsheet. CS 229 ― Machine Learning. https://stanford.edu/~shervine/teaching/cs-229/

Arquitectura

En la figura se muestra la arquitectura de red neuronal artificial. Una red neuronal artificial se construye con capas; cada capa está compuesta por unidades de procesamiento de información (neuronas) conectadas a otras neuronas por conexiones (pesos).

Loaiza, K. (2020). Deep learning for decision support in dermatology. https://doi.org/10.13140/RG.2.2.14692.60800

Afshine Amidi & Shervine Amidi. (2018). Cheatsheet. CS 229 ― Machine Learning. https://stanford.edu/~shervine/teaching/cs-229/

Modelo matemático

En la figura se ilustra el modelo matemático de una neurona biológica. Cada neurona en cada capa oculta calcula: z = wT x + b a = g(z) donde z es el resultado (output), w los pesos (weights), x las muestras (input), b el sesgo (bias), a es el valor de activación y g (z) es la función de activación

Loaiza, K. (2020). Deep learning for decision support in dermatology. https://doi.org/10.13140/RG.2.2.14692.60800

Fei-Fei Li. (2020). Course. CS231n: Convolutional Neural Networks for Visual Recognition. http://cs231n.stanford.edu/

Funciones de activación

En la figura se grafican las funciones de activación mas comunes.La función de activación g(z) es una función no lineal que se utiliza al final de una neurona oculta para introducir complejidades no lineales en el modelo.

Loaiza, K. (2020). Deep learning for decision support in dermatology. https://doi.org/10.13140/RG.2.2.14692.60800

Afshine Amidi & Shervine Amidi. (2018). Cheatsheet. CS 229 ― Machine Learning. https://stanford.edu/~shervine/teaching/cs-229/

Funciones de perdida (Loss function)

En la figura, se presenta la función de pérdida de las redes neuronales artificiales. La función de pérdida o loss function L es el criterio que una red neuronal artificial tiene como objetivo minimizar. Una función de pérdida L requiere 2 inputs: z: La etiqueta predicha. y: La etiqueta correspondiente. y es la etiqueta que se asoció con la muestra x. La función de pérdida L da como resultado cuán diferentes son la etiqueta predicha z y la etiqueta y.

Loaiza, K. (2020). Deep learning for decision support in dermatology. https://doi.org/10.13140/RG.2.2.14692.60800

Fei-Fei Li. (2020). Course. CS231n: Convolutional Neural Networks for Visual Recognition. http://cs231n.stanford.edu/

Pesos, sesgos, y tasa de aprendizaje (weights, biases, and learning rate)

Los pesos w y los sesgos b se pueden actualizar de acuerdo a la siguiente ecuación, dado el valor de pérdida L:

Donde α es la tasa de aprendizaje o learning rate. La tasa de aprendizaje α es un número que indica el ritmo al que se actualizan los pesos. El ritmo se puede fijar o cambiar de forma adaptativa.

Loaiza, K. (2020). Deep learning for decision support in dermatology. https://doi.org/10.13140/RG.2.2.14692.60800

Fei-Fei Li. (2020). Course. CS231n: Convolutional Neural Networks for Visual Recognition. http://cs231n.stanford.edu/