Redes Neuronales Artificiales

INTRODUCCIÓN A LAS REDES NEURONALES ARTIFICALES

José Miguel Ruiz Gómez

Introducción

¿QUE ES UNA RED NEURONAL?

Una red neuronal es un método de la inteligencia artificial que enseña a las computadoras a procesar datos de una manera que está inspirada en la forma en que lo hace el cerebro humano.

¿QUE ES UNA RED NEURONAL?

Se trata de un tipo de proceso de machine learning llamado aprendizaje profundo, que utiliza los nodos o las neuronas interconectados en una estructura de capas que se parece al cerebro humano.

Objetivo de las RNA

RNA (Redes Neuronales Artificiales)

- Crea un sistema adaptable que las computadoras utilizan para aprender de sus errores y mejorar continuamente. De esta forma, las redes neuronales artificiales intentan resolver problemas complicados.- Resolver problemas complejos que no se pueden abordar fácilmente con algoritmos tradicionales, como clasificación, predicción y reconocimiento de patrones.

CARACTERÍSTICAS DE LAS REDES NEURONALES ARTIFICIALES

Las Redes Neuronales Artificiales, ANN (Artificial Neural Networks) están inspiradas en las redes neuronales biológicas del cerebro humano. Están constituidas por elementos que se comportan de forma similar a la neurona biológica en sus funciones más comunes.Las ANN al margen de "parecerse" al cerebro presentan una serie de características propias del cerebro. Por ejemplo las ANN aprenden de la experiencia, generalizan de ejemplos previos a ejemplos nuevos y abstraen las características principales de una serie de datos

CARACTERÍSTICAS DE LAS REDES NEURONALES ARTIFICIALES

• Aprender: las ANN pueden cambiar su comportamiento en función del entorno. Se les muestra un conjunto de entradas y ellas mismas se ajustan para producir unas salidas consistentes. • Generalizar: extender o ampliar una cosa. Las ANN generalizan automáticamente debido a su propia estructura y naturaleza. Estas redes pueden ofrecer, dentro de un margen, respuestas correctas a entradas que presentan pequeñas variaciones debido a los efectos de ruido o distorsión. • Abstraer: aislar mentalmente o considerar por separado las cualidades de un objeto. Algunas ANN son capaces de abstraer la esencia de un conjunto de entradas que aparentemente no presentan aspectos comunes o relativos.

Estructura de una Red Neuronal

• Neuronas artificiales: Unidades básicas que simulan las neuronas biológicas.
• Capas:

- Capa de entrada: Recibe los datos de entrada.- Capas ocultas: Procesan la información mediante transformaciones matemáticas.- Capa de salida: Produce el resultado final.

• Conexiones y pesos: Cada conexión tiene un peso que ajusta la influencia de una neurona en otra.

Tipos de Redes Neuronales

• Perceptrón: Red neuronal básica con una sola capa.
• Multicapa (MLP): Redes con múltiples capas ocultas.
• Redes Recurrentes (RNN): Se utilizan para datos secuenciales, como texto o series temporales.
• Redes Convolucionales (CNN): Se especializan en procesamiento de imágenes.

COMPUTACIÓN TRADICIONAL Y COMPUTACIÓN NEURONAL

• Programación/Entrenamiento

• Arquitectura

• Sistemas Expertos

PROGRAMACIÓN/ENTRETENIMIENTO

• Las técnicas tradicionales de programación utilizadas para la solución de un problema requieren la creación de un algoritmo bien definido, es decir, una secuencia detallada de pasos o instrucciones que conducen a una solución específica. Estas técnicas son eficaces cuando el problema es sencillo y las reglas para resolverlo están claramente definidas.• Por ejemplo, el diseño de una secuencia de instrucciones para resolver un problema de contabilidad puede ser relativamente sencillo, ya que las reglas y procedimientos son conocidos y bien estructurados. Sin embargo, existen muchos problemas en el mundo real que presentan una complejidad considerable, lo que dificulta la creación de un algoritmo capaz de resolverlos de manera eficiente.– Un claro ejemplo de esta dificultad es el reconocimiento de imágenes, como el desarrollo de un programa para identificar el rostro de una persona. En este tipo de problemas, no basta con aplicar reglas simples, ya que existen muchas variaciones en las imágenes de un rostro humano. La expresión facial puede variar (un rostro serio, sonriente o triste), la iluminación y el ángulo de la imagen pueden ser diferentes, entre otros factores. Estas variaciones hacen que diseñar un algoritmo que contemple todas las posibles situaciones sea extremadamente complicado, si no imposible, con métodos de programación tradicionales.

ARQUITECTURA

Las Redes Neuronales Artificiales (ANN) se diferencian de las computadoras tradicionales basadas en el modelo de Von Neumann en su arquitectura. Mientras que los sistemas tradicionales dependen de una CPU para ejecutar instrucciones secuenciales, las RNA emplean una estructura de procesamiento en paralelo, donde cada unidad realiza pocos cálculos de forma independiente. Su potencia se mide por la cantidad de interconexiones actualizadas por segundo, en contraste con los sistemas Von Neumann, que se evalúan por la cantidad de instrucciones ejecutadas por la CPU. Esta arquitectura permite a las RNA ajustarse automáticamente y resolver problemas complejos mediante el ajuste de conexiones ponderadas.

SISTEMAS EXPERTOS

Los sistemas expertos se diferencian de la programación tradicional principalmente en que la base de conocimiento está separada del motor de inferencia, que es el mecanismo encargado de procesar dicho conocimiento. Esta separación permite que el sistema sea más flexible, ya que el conocimiento adicional puede ser incorporado sin la necesidad de reprogramar todo el sistema. Para crear un sistema experto, es crucial la intervención de una persona experta en un área específica, quien debe colaborar en la creación de reglas que formalicen el conocimiento y lo hagan comprensible para la máquina.Por otro lado, en el desarrollo de una red neuronal artificial (ANN), no es necesario programar ni el conocimiento ni las reglas de procesamiento de este. En lugar de ello, la red neuronal aprende las reglas del procesamiento del conocimiento mediante el ajuste automático de las conexiones ponderadas entre las neuronas de las distintas capas de la red. Este proceso de aprendizaje permite a la red descubrir patrones y generar reglas implícitas a partir de los datos de entrenamiento.

Herramientas y Lenguajes Utilizados

• Frameworks: TensorFlow, Keras, PyTorch.
• Lenguajes: Python, R, Java.

HISTORIA DE LA COMPUTACIÓN NEURONAL

En 1943, el neurobiólogo Warren McCulloch, y el estadístico Walter Pitss, publicaron el artículo "A logical calculus of Ideas Imminent in Nervous Activity". Este artículo constituyó la base y el inicio del desarrollo en diferentes campos como son los Ordenadores Digitales (John Von Neuman), la Inteligencia Artificial (Marvin Minsky con los Sistemas Expertos) y el funcionamieto del ojo (Frank Rosenblatt con la famosa red llamada Perceptron). En 1956, los pioneros de la Inteligencia Artificial, Minsky, McCarthy, Rochester, Shanon, organizaron la primera conferencia de Inteligencia Artificial que fue patrocinada por la Fundación Rochester. Esta conferencia se celebró en el verano de 1956 en la localidad inglesa de Darmouth y en muchos libros se hace referencia al verano de este año como la primera toma de contacto seria con las redes neuronales artificiales. Nathaural Rochester del equipo de investigación de IBM presentó el modelo de una red neuronal que él mismo realizó y puede considerarse como el primer software de simulación de redes neuronales artificiales. En 1957, Frank Rosenblatt publicó el mayor trabajo de investigación en computación neuronal realizado hasta esas fechas. Su trabajo consistía en el desarrollo de un elemento llamado "Perceptron".

APLICACIONES DE LAS REDES NEURONALES ARTIFICIALES

• Análisis y Procesado de señales
• Reconocimiento de Imágenes
• Control de Procesos Filtrado de ruido

• Robótica Procesado del Lenguaje

• Diagnósticos médicos
• Conversión Texto a Voz
• Procesado Natural del Lenguaje
• Compresión de Imágenes
• Reconocimiento de Caracteres
• Reconocimiento de Patrones en
• Imágenes
• Problemas de Combinatoria
• Procesado de la Señal
• Predicción
• Modelado de Sistemas
• Filtro de Ruido
• Modelos Económicos y
• Financieros
• ServoControl

Conclusiones

Una presentación genial…

Las RNA son fundamentales en el campo de la inteligencia artificial, con aplicaciones en múltiples áreas, y continúan evolucionando con avances en hardware y algoritmos de aprendizaje.

¡GRACIAS!