t14s-neuronales - Tema 14 Redes Neuronales ~ ~ Abdelmalik...

Tema 14: Redes Neuronales
Abdelmalik Moujahid, I
˜
naki Inza, Pedro Larra
˜
naga
Departamento de Ciencias de la Computaci ´ on e Inteligencia Artificial
Universidad del Pa´ ıs Vasco
http://www.sc.ehu.es/isg/
Tema 14: Redes Neuronales– p. 1/49

Contenido
•
Introducción
•
Sistema Neuronal Artificial
•
El Asociador Lineal
•
El Perceptrón Simple
•
La Adalina
•
El Perceptrón Multicapa
Tema 14: Redes Neuronales– p. 2/49

Introducción
•
Redes neuronales (artificiales) paradigma
muy popular en Inteligencia Computacional
•
En el tema se verán diferentes modelos para
clasificación supervisada
•
Alta capacidad de predecir correctamente la
clase
•
Baja transparencia
Tema 14: Redes Neuronales– p. 3/49

Introducción
Estructura de una neurona biológica
Tema 14: Redes Neuronales– p. 4/49

Introducción
Sinapsis: Conexión entre el axón de una neurona y la
dendrita de otra cercana por donde se transmite un
impulso nervioso
Tema 14: Redes Neuronales– p. 5/49

Introducción
•
100 · 10
6
neuronas en el cerebro. Procesadores de información
•
Neurona:
•
Cuerpo celular o soma (10 a 80 micras)
•
Del soma surge un árbol de ramificaciones (árbol dendrítico)
•
Del soma parte una fibra tubular (axón) (100 micras hasta el
metro)
•
El axón se ramifica en su extremo para conectarse con otras
neuronas
Tema 14: Redes Neuronales– p. 6/49

Sistema Neuronal Artificial
Neurona como procesador de información:
•
Dendritas canal de entrada de información
•
Soma como órgano de cómputo
•
Axón como canal de salida. Recibe impulso
de unas 10000 neuronas. Envia impulso a
cientos de neuronas
•
Algunas neuronas reciben información del
exterior
Tema 14: Redes Neuronales– p. 7/49

Sistema Neuronal Artificial
Tres conceptos clave a emular:
•
Procesamiento paralelo
•
Intervención de miles de millones de neuronas
•
Memoria distribuida
•
En un computador la información está en posiciones de memoria bien
definidas
•
En redes neuronales biológicas la información está distribuida por la sinapsis
de la red
•
Redundancia para evitar pérdida de información al resultar dañada una
sinapsis
•
Adaptabilidad al entorno
•
Por medio de la información de las sinapsis
•
Aprender de la experiencia
•
Posible generalizar conceptos a partir de casos particulares
Tema 14: Redes Neuronales– p. 8/49

Sistema Neuronal Artificial
El modelo estándard de neurona artificial
Rumelhart y McClelland (1986) y McClelland y
Rumelhart (1986)
Sistema global de proceso de una red neuronal
Tema 14: Redes Neuronales– p. 9/49

Sistema Neuronal Artificial
El modelo estándard de neurona artificial
Rumelhart y McClelland (1986) y McClelland y
Rumelhart (1986)
Modelo de neurona artificial standard
Tema 14: Redes Neuronales– p. 10/49

Sistema Neuronal Artificial
•
Conjunto de entradas X
j
y unos pesos sinápticos w
ij
, con
j = 1 , . . . , n
•
Regla de propagación h
i
( x
1
, . . . , x
n
, w
i
1
, . . . , w
i
n
) =
∑
n
j =1
w
ij
x
j
θ
i
umbral, el cual se acostumbra a restar al potencial
pos-sináptico
h
i
( x
1
, . . . , x
n
, w
i
1
, . . . , w
i
n
) =
n summationdisplay
j =0
w
ij
x
j
=
n