Introducción a la redes neuronales artificiales. Segunda Parte (original) (raw)
Related papers
Introducción a las redes neuronales artificiales
Introducción Origen del paradigma de computación conexionista Un poco de historia Distintas visiones o enfoques de los modelos conexionistas Redes neuronales biológicas Redes neuronales artificiales Analogía con las redes neuronales biológicas Estructura y formas de interconexión La función de propagación Función lineal de base Función radial de base La función de activación Función de umbral Función sigmoidal o logística Función gausiana Redes síncronas vs asíncronas Métodos deterministas vs estadísticos Introducción: El cerebro es un procesador de información con unas características muy notables: es capaz de procesar a gran velocidad grandes cantidades de información procedentes de los sentidos, combinarla o compararla con la información almacenada y dar respuestas adecuadas incluso en situaciones nuevas. Logra discernir un susurro en una sala ruidosa, distinguir una cara en una calle mal iluminada o leer entre líneas en una declaración política; pero lo más impresionante de todo es su capacidad de aprender a representar la información necesaria para desarrollar tales habilidades sin instrucciones explícitas para ello. Aunque todavía se ignora mucho sobre la forma en que el cerebro aprende a procesar la información, se han desarrollado modelos que tratan de mimetizar tales habilidades; denominados redes neuronales artificiales ó modelos de computación conexionista (otras denominaciones son computación neuronal y procesamiento distribuido paralelo o P.D.P.). La elaboración de estos modelos supone en primer lugar la deducción de los rasgos o características esenciales de las neuronas y sus conexiones, y en segundo lugar, la implementación del modelo en una computadora de forma que se pueda simular. Es obvio decir que estos modelos son idealizaciones burdas de las auténticas redes neuronales, en muchos casos de dudosa plausibilidad neurofisiológica, pero que sin embargo resultan interesantes cuando menos por sus capacidades de aprendizaje. En este curso vamos describir los modelos conexionistas a partir de una analogía con el sistema nervioso y después nos centraremos en los aspectos computacionales: como se implementan y programan estos modelos
Introduccion a las Redes de Neuronas Artificiales
El siguiente tutorial no pretende ser un documento exhaustivo acerca de las Redes de Neuronas Artificiales. Más bien una referencia avanzada que sirva para permita al lector conocer la terminología, los conceptos claves y una bibliografía de base.
Redes Neuronales con Scikit-Learn: una introducción -Parte 1
En este cuaderno se presenta una breve introducción de los principales aspectos para crear, en-trenar y validar redes neuronales artificiales en Python con la librería scikit-learn. A lo largo del cuaderno se hará especial énfasis en el Perceptrón multicapa como herramienta para realizar tar-eas de clasificación. Como primer punto, es importante verificar que tengamos todos las librerías instaladas. 1.1 Prerrequisitos: A fin de poder ejecutar las instrucciones de este cuaderno, debemos verificar que tengamos insta-ladas las siguientes librerías: • Python (versiones >=2.7 o >=3.3) • Numpy >= 1.8.2 • SciPy >= 0.13.3 1.2 Instalación: La instalación de scikit-learn se puede realizar de manera sencilla a través del siguiente comando: pip install-U scikit-learn Donde la opción-U indica que si existe el paquete, deberá actualizarse a la última versión estable existente. De igual forma, si se desean mayores detalles, es factible consultar el siguiente enlace.
Introducción a las redes neuronales aplicadas Conceptos básicos
Las Redes Neuronales (NN: Neural Networks) fueron originalmente una simulación abstracta de los sistemas nerviosos biológicos, constituidos por un conjunto de unidades llamadas neuronas o nodos conectados unos con otros. El primer modelo de red neuronal fue propuesto en 1943 por McCulloch y Pitts en términos de un modelo computacional de actividad nerviosa. Este modelo era un modelo binario, donde cada neurona tenía un escalón o umbral prefijado, y sirvió de base para los modelos posteriores.
Redes Neuronales Artificiales aplicadas a Ciencias Sociales
Resumen: Como modelo computacional que implementa la metodología de estimación del riesgo para la salud de la vivienda urbana desde el enfoque de la vulnerabilidad social, propuesta por el IIGHI-CONICET, el software desarrollado de redes neuronales artificiales emula una red conceptual de relación de factores sociales, económicos y demográficos que no ajusta a los modelos clásicos. Los demógrafos del IIGHI suponen el dominio de problema como complejo y no lineal; indican además que aún no existen mediciones precisas de causa y efecto para el mismo, por lo que su tratamiento por ecuaciones matemáticas no es posible. Se han utilizando cinco redes de tipo perceptron multicapa trabajando en forma conjunta para calcular un índice de riesgo que permitiría a las autoridades de salud dirigir más acertadamente los fondos disponibles, en la medida que la metodología sea confirmada por trabajo de campo, tarea que está en marcha en algunos países de América Latina. Palabras clave: Redes Neurona...
Redes Neuronales Artificiales y sus Aplicaciones
Libros complementarios del curso Libros de interés y consultados para la elaboración del curso 65 65 67 71 73 73 74 © Xabier Basogain Olabe 1.3.-ESTRUCTURA BÁSICA DE UNA RED NEURONAL Analogía con el cerebro.-La neurona es la unidad fundamental del sistema nervioso y en particular del cerebro. Cada neurona es una simple unidad procesadora que recibe y combina señales desde y hacia otras neuronas. Si la combinación de entradas es suficientemente fuerte la salida de la neurona se activa. La Figura (1.1) muestra las partes que constituyen una neurona. Curso: Redes Neuronales Artificiales y sus Aplicaciones © Xabier Basogain Olabe La Figura (1.2) representa un elemento procesador de una red neuronal artificial implementada en un ordenador.
La Granja, 2015
Resumen En las últimas décadas son muchos los avances que han tenido lugar en el desarrollo de aplicaciones y alcances de las redes neuronales artificiales, y de igual modo el desarrollo tecnológico en el área de la computación. Este tipo de avances han incidido directamente en el número de publicaciones de aplicaciones, en diversas áreas del conocimiento, basadas en este método de inteligencia artificial. Ahora bien, hasta el presente sigue siendo tema de discusión la idoneidad y aplicabilidad de herramientas de software libre para facilitar la implementación y la calidad de resultados. En este contexto, este trabajo representa un análisis comparativo de aplicaciones usando las librerías ALGLIB y Open NN (Open Source Neural Networks C++ Library), orientadas al entrenamiento y reproducción de redes neuronales artificiales. De igual modo, se establece una evaluación de los resultados obtenidos a partir de los niveles de correlación entre la salida de valores para redes entrenadas y un conjunto de datos de entrenamiento simulados.
Redes Neuronales Artificiales en La Vida Moderna: Conociendo La Evolución Tecnológica
2022
Direitos para esta edição cedidos à Atena Editora pelos autores. Open access publication by Atena Editora Todo o conteúdo deste livro está licenciado sob uma Licença de Atribuição Creative Commons. Atribuição-Não-Comercial-NãoDerivativos 4.0 Internacional (CC BY-NC-ND 4.0). O conteúdo dos artigos e seus dados em sua forma, correção e confiabilidade são de responsabilidade exclusiva dos autores, inclusive não representam necessariamente a posição oficial da Atena Editora. Permitido o download da obra e o compartilhamento desde que sejam atribuídos créditos aos autores, mas sem a possibilidade de alterá-la de nenhuma forma ou utilizá-la para fins comerciais. Todos os manuscritos foram previamente submetidos à avaliação cega pelos pares, membros do Conselho Editorial desta Editora, tendo sido aprovados para a publicação com base em critérios de neutralidade e imparcialidade acadêmica. A Atena Editora é comprometida em garantir a integridade editorial em todas as etapas do processo de publicação, evitando plágio, dados ou resultados fraudulentos e impedindo que interesses financeiros comprometam os padrões éticos da publicação. Situações suspeitas de má conduta científica serão investigadas sob o mais alto padrão de rigor acadêmico e ético.