PDF de programación - Redes Neuronales (Parte 1)

Imágen de pdf Redes Neuronales (Parte 1)

Redes Neuronales (Parte 1)gráfica de visualizaciones

Publicado el 20 de Septiembre del 2019
103 visualizaciones desde el 20 de Septiembre del 2019
599,7 KB
5 paginas
Creado hace 11a (01/10/2008)
White paper:


Redes neuronales (parte 1)


Autor: Ramiro A. Gómez
Sitio web: www.peiper.com.ar

Introducción
En esta oportunidad tratarémos un tema particular de la
inteligencia artificial, que parece quebrar paradigmas anteriores en
los que todo proceso tiene una manera exacta de llevarse a cabo
(algoritmos). Entran en escena las redes neuronales.
Las redes neuronales son un concepto relativamente nuevo (las
primeras aproximaciones datan de 1950) en comparación con
otros como el cálculo, las ecuaciones, los algoritmos, etc. Se
inventaron teniendo en mente realizar procesos similares a los que
se producen física y biológicamente en la mente de los animales y
humanos. Teniendo esta premisa, se elaboraron modelos
matemáticos muy simplificados que intentan de alguna manera
simular el comportamiento de las neuronas.
El principal elemento de una red neuronal, al igual que el del
cerebro, es la neurona. Luego se consideran las relaciones e
interacciones que existen entre éstas.
Al ser un modelo simplificado, los resultados sólo se aproximan a
imitar a la mente, pero son suficientes para reconocer patrones,
clasificar elementos, etc.

La neurona biológica y artificial
La neurona es el principal componente del cerebro. Está formada
por complejas uniones de elementos químicos (moléculas) que
interaccionan de acuerdo a las leyes físicas. La neurona tal cual se
conoce es el resultado de millones de años de evolución de
especies muy primitivas que se fueron adaptando para sobrevivir
en el medio. Estamos hablando, de esta manera, de una especie
de optimización: una búsqueda de un máximo que satisfaga
ciertas condiciones para lograr un objetivo: la supervivencia. Este
máximo es la configuración molecular y atómica que presentan las

www.peiper.com.ar

neuronas (y el resto del cuerpo, claro).
Volviendo a la Tierra, una neurona es una célula especializada que
consiste de un núcleo, un cuerpo celular, dendritas
(ramificaciones), axones, etc.
Una neurona se puede considerar como un pequeño procesador de
información, que recibe entradas, las procesa y devuelve salidas
hacia otras neuronas.

Las neuronas están conectadas unas con otras, de manera que la
salida de una es la entrada de otra. Se estima que en el cerebro
humano hay alrededor de 100.000 millones de neuronas. Cada una
puede presentar hasta miles de conexiones con otras neuronas.
Como nos podemos dar cuenta, es un gran problema
computacional. Es por eso que actualmente se contruyen redes
neuronales artificiales (software) con una cantidad mucho menor
de neuronas artificiales.
Por su parte, tanto una neurona artificial como una red neuronal
completa se modelan como software.

La neurona artificial
Ya que es un modelo simplificado, se omiten las interacciones
químicas de la neurona y se las reemplaza por datos de entrada y
salida.
Una neurona artifical puede tener una o muchas entradas (que
pueden ser bits, números enteros o números decimales), hay una
función que procesa estas señales (las combina), y devuelve el
valor resultante a otras neuronas con las que se encuentra
conectada.
La combinación de las señales suele ser cada entrada multiplicada
por un peso de interconexión (cuán conectada se encuentra la
entrada con la neurona) y la suma de todas estas.
La parte interesante de este proceso se encuentra en que si la
suma de las entradas supera un umbral (valor numérico crítico) la
neurona se excita. En caso contrario, se inhibe.
El resultado de este proceso aplicado a gran cantidad de neuronas
es que, luego de la propagación de la señal a través de la red
neuronal, las neuronas adquieren un estado de excitación o
inhibición. Se pueden formar, de esta manera, áreas inhibidas o
excitadas que responden positiva o negativamente ante las nuevas
entradas que se le presenten.

www.peiper.com.ar

Las redes neuronales
Existen muchos tipos de redes, pero explicaremos la más usual.
Un red neuronal se compone de neuronas de entrada, neuronas
ocultas y neuronas de salida. Cada una de éstas se agrupan en
capas. La última capa, la de salida, suele tener menor cantidad de
neuronas que las de entrada.
Las señales (datos) se propagan por toda la red partiendo desde
las neuronas de entrada hasta llegar a las de salida. A su paso van
“cargando” los pesos de cada una de éstas. Lo que generalmente
importa es sólo el peso final de las neuronas de salida.
Cuando las señales de salida se transmiten a las neuronas de
entrada (las primeras de la red), el conjunto de señales se procesa
nuevamente modificando los pesos neurales. La discusión sobre si
este proceso converge a estados específicos para cada neurona a
través de las iteraciones es complejo, pero muchas veces es así. Es
decir que en las redes neuronales se minimizan o maximizan
valores hasta encontrar óptimos (valores máximos o mínimos para
los pesos de las neuronas).

Conexiones sinápticas
Muchos expertos coinciden en que en el cerebro la mayor cantidad
de información no se almacena dentro de la neurona, sino en las
dendritas. Esto quiere decir que se encuentra en las conexiones
neuronales propiamente dichas. El modelo explicado arriba omite
este detalle de importancia, y considera a la neurona como un
punto de memoria que se actualiza con la entrada de nuevos
datos.

www.peiper.com.ar

Usos de las redes neuronales
A pesar de haber tenido una época oscura, hoy en día las redes
neuronales son una excelelente herramienta para realizar tareas
que sólo pueden hacer los humanos. Algunas de éstas son:
reconocimiento de patrones (reconocer objetos en imágenes y
dibujos), reconocimiento del habla, detección de explosivos,
identificación de rostros humanos (en los aeropuertos, por ej.,
para saber qué personas entran y salen del mismo), realizar
predicciones, compresión de datos, videojuegos y aprendizaje
artificial. Aún no se ha logrado una inteligencia humana, pero se
aproxima en algunos aspectos.
Muchas veces se opta por aplicarlas para resolver un problema ya
que existen ciertos procesos para los que no existen algoritmos
para resolverlos (como puede ser el reconocimiento de imágenes).
Esto ocurre porque los algoritmos son exactos, mientras que las
redes neuronales tienen más flexibilidad.

Ventajas de las redes neuronales

● Ausencia de agotamiento: A diferencia de las personas,

una red neuronal no sufre fatiga por trabajo excesivo.

● Aprendizaje: son capaces de aprender de comparar un

patrón específico con los patrones de entrada.

● Tolerancia a fallos: Debido a su estructura, puede seguir

funcionando a pesar de “perder” parte de su estructura.

● Paralelismo masivo: Al ser un conjunto de neuronas
distribuidas en capas, el cómputo es paralelo. Esto significa
que una neurona procesa sus entradas al mismo tiempo
que otra que se encuentra en su misma capa.

● Autoorganización: De alguna manera, una red neuronal
organiza automáticamente la información dentro de ella,
tiene su propia representación de la información que se
organiza por sectores de acuerdo a los pesos o
ponderaciones de cada neurona.

● Fáciles de implementar: su estructura no es muy

compleja en comparación con otras aplicaciones.

www.peiper.com.ar

Entrenamiento
Sabemos que un algoritmo se programa, se prueba y corrige en
caso de tener errores. Pero la situación es distinta con las redes
neuronales: se entrenan. Es decir, la programación de la
estructura, funciones de transición, etc. se hace sólo una vez.
Luego se entrena para solucionar el problema deseado.
Si lo que queremos de nuestra red neuronal es que reconozca
números y letras a mano alzada, deberemos “mostrarle” varios de
éstos. A través de un proceso que se realiza en las conexiones
entre las neuronas, será capaz (si el entrenamiento es bueno y la
red está debidamente programada) de reconocer éstos números y
letras aunque varíen un poco. Si le mostramos un 2 escrito a mano
alzada y la entrenamos con éste, luego le mostramos otro 2
(aproximadamente similar al primero) y lo reconocerá con bajo
grado de error.
Se sabe que cuantas más capas ocultas tenga una red neuronal,
más lenta es la convergencia del entrenamiento. Es por eso que
los esquemas más comúnes son con sólo 1 capa oculta.

Conclusión
Hemos visto, en forma sintética, el funcionamiento básico de las
neuronas artificiales y de las redes neuronales.
Vimos también que son útiles para resolver muchos problemas que
antes parecían imposibles de lograr con algoritmos tradicionales.
Es por eso que los investigadores se encuentran muy interesados
en ellas y se están haciendo muchos avances.
¿Llegará el día que se consiga simular el pensamiento humano en
todas sus formas y virtudes?
La respuesta no se conoce por el momento, pero ganas no faltan.

Autor: Ramiro A. Gómez

www.peiper.com.ar
  • Links de descarga
http://lwp-l.com/pdf16594

Comentarios de: Redes Neuronales (Parte 1) (0)


No hay comentarios
 

Comentar...

Nombre
Correo (no se visualiza en la web)
Valoración
Comentarios
Es necesario revisar y aceptar las políticas de privacidad