Tarea 1 Conceptos Basicos

Inteligencia Artificial
Redes Neuronales Artificiales

Tarea 1. Introducción a las redes neuronales

Describa brevemente (mínimo de 10 líneas) el funcionamiento de una neurona biológica.

Una red neuronal biológica está compuesta por millones de neuronas, algunas de estas se conectan hasta con 1000 neuronas mas mientras que otras solamente se conectan con unas pocas. Interactúan entre sí por medio de señales analógicas, llamamos axón a la terminal de la neurona que envía los estímulos de salida, estos estímulos se hacen a través de una señal analógica que se encuentra en un cierto rango dependiendo de la decisión tomada y capacidad de dicha neurona; generalmente la señal disparada va hacia varias neuronas mas, las mismas reciben este impulso a través de terminales llamadas dendritas, las dendritas se encargan de recoger los impulsos enviados y llevarlos al núcleo de la neurona para ser procesado, la conexión de una dendrita con un axón se denomina sinopsis. Una vez recibido el estimulo este va hacia el núcleo de la neurona en donde se toma la decisión de activarse o no activarse y en qué medida hacerlo (la forma de la señal analógica), aun no se sabe muy bien cómo es que las neuronas interactúan entre si y como es q deciden actuar.

Describa brevemente (mínimo de 3 líneas) el funcionamiento de una neurona artificial.

La neurona artificial al intentar asemejarse a la real tiene varios elementos que le ayudan a tener analogía con la misma. Para empezar tenemos impulsos de entrada que se asemejan a los estímulos recibidos por las dendritas solo que en este caso la señal es discreta, así mismo tenemos la intensidad de dichas señales que se define como el peso de las mismas, la entrada total ponderada pasa a una función la cual, según sea su tipo y el valor de entrada, define el valor de salida esto vendría a asemejarse al axón.

Describa los criterios de clasificación de las redes neuronales artificiales y sus principales tipos dentro de cada clasificación.

Hay varios tipos de clasificaciones que podemos encontrar para las redes neuronales artificiales iremos describiéndolos uno por uno y presentando los principales tipos de los mismos.
La primera clasificación es según su topología, que es según el patrón de conexiones que tenga, aquí tenemos 3 tipos los cuales son:

Monocapa y Multicapa, estos dos son redes que van solamente hacia delante y en todo el ciclo no existen bucles ni conexiones entre neuronas de una misma capa, esto quiere decir que van desde la capa de entrada a la de salida directamente.

Redes recurrentes, estas son las que si tienen ciclos, por lo menos uno dentro de su topología.

Podemos clasificar por la forma de aprendizaje, esto es si la red en su aprendizaje necesita ser supervisada o no supervisada.

Las principales en la forma supervisada son Basadas en decisión, Perceptrón, ADALINE (LMS), Perceptrón Multicapa, Modelos Temporales Dinámicos, Modelos Ocultos de Markov, mientras que en la manera no supervisada tenemos Mapa de características, Aprendizaje competitivo.
Por tipos de funciones de activación, esto es según la función que se utilice en cada una de las neuronas artificiales, tenemos muchos tipos de funciones tales como FUNCIÓN PASO, FUNCIÓN RAMPA, FUNCIÓN SIGMOIDAL, FUNCIÓN GAUSSIANA.

Por último tenemos la clasificación por los valores de entrada que puede tener, estos pueden ser analógicos o discretos.

Los analógicos procesan datos con valores de entrada continuos los más importantes de esta rama son Hopfield, Kohonen y las redes de aprendizaje competitivo.

Los discretos procesan datos con valores de entrada lógicos booleanos los más reconocidos son las máquinas de Bolzman y Cauchy, y la red discreta de Hopfield.

Defina con sus propias palabras al Aprendizaje Supervisado

Es cuando disponemos de un maestro o supervisor que verificara si la salida que debería generar la red es la deseada según ciertos datos de entrada (de los cuales previamente se sepa la salida que nos gustaría generar) y si no se cumple este objetivo proceder a modificar los pesos de las conexiones para q la respuesta se asemeje a la requerida.

Defina con sus propias palabras al Aprendizaje No supervisado

Este tipo de aprendizaje no necesita ayuda externa para poder ajustar los pesos de las conexiones. La interpretación que se dé a la información de salida, si es válida o no, dependerá del tipo de red algunas se basan en la similitud entre los datos de entrada y salida, mientras que otras lo que hacen es codificar los datos de entrada de manera que tenga menos bits pero manteniendo la información relevante.

Enumere 5 problemas que se pueden resolver con el uso de redes neuronales artificiales

· Reconocimiento de caracteres escritos
· Sintesís de voz desde texto
· Optimización de plazas y horarios en líneas de vuelo.
· Previsión del tiempo.
· Previsión de la evolución de los precios.


http://es.wikipedia.org/wiki/Red_neuronal_artificial
http://jpordonez.wordpress.com/2008/08/06/introduccion-a-las-redes-neuronales-artificiales/
http://www.redes-neuronales.netfirms.com/tutorial-redes-neuronales/clasificacion-de-las-redes-neuronales-artificiales.htm
http://es.wikipedia.org/wiki/Aprendizaje_no_supervisado
http://www.monografias.com/trabajos12/redneur/redneur.shtml

Inteligencia Artificial

Describa brevemente (mínimo de 10 líneas) el funcionamiento de una neurona biológica.

Respuesta:

El cerebro consta de un gran número de elementos interconectados llamadas neuronas. Las neuronas tienen tres componentes principales, las dendritas, soma, y el axón. Las dendritas, son el árbol receptor de la red, son como fibras nerviosas que cargan de señales eléctricas el soma. El soma, realiza la suma de esas señales de entrada. El axón es una fibra larga que lleva la señal desde el cuerpo de la célula hacia otras neuronas. El punto de contacto entre un axón de una célula y una dendrita de otra célula es llamado sinapsis, la longitud de la sinapsis es determinada por la complejidad del proceso químico que estabiliza la función de la red neuronal.

Describa brevemente (mínimo de 3 líneas) el funcionamiento de una neurona artificial.

Respuesta:

El funcionamiento de una neurona artificial es muy parecida a la de una neurona biológica, ya que la neurona artificial tiene que recibir un estimulo para que esta se active. La función de activación calcula el estado de actividad de la neurona, y la función de salida determina el valor q se va a transferir a las neuronas vinculadas, si la función de activación está por debajo de un umbral entonces no pasa ningún valor de lo contrario sí.

Describa los criterios de clasificación de las redes neuronales artificiales y sus principales tipos dentro de cada clasificación.

Respuesta:

Clasificación según su topología o estructura de la red, podemos distinguir como característica de una red, el número de capas, el tipo de las capas, que pueden ser ocultas o visibles, de entrada o de salida y la direccionalidad de las conexiones de las neuronas.

- Las Redes neuronales MonoCapa: Redes con una sola capa, Para unirse las neuronas crean conexiones laterales para conectar con otras neuronas de su capa.

- Las Redes neuronales Multicapa: Las conexiones son de dos formas:

o feedforward o hacia delante.

o feedback o retroalimentadas.

Clasificación según su algoritmo de aprendizaje o como la red aprende los patrones, podemos distinguir como características, si es supervisada, no supervisada, competitiva o por refuerzo.

- Aprendizaje supervisado en redes neuronales

- Aprendizaje no supervisado

o Aprendizaje Por componentes Principales

o Aprendizaje competitivo

o Aprendizaje reforzado

Defina con sus propias palabras al Aprendizaje Supervisado

Respuesta:

El aprendizaje supervisa en una neurona artificial se lo realiza indicando a la neurona cual es el valor que nosotros deseamos que aprenda, por ejemplo si nosotros deseamos que la neurona reconozca una letra(A) en este tamaño y forma debemos indicarle y guardar este dato, pero si nosotros deseamos que reconozca la letra de otra forma (A) entonces debemos indicarle y guardar el cambio.

Defina con sus propias palabras al Aprendizaje No supervisado

Respuesta:

Estos usan modelos de los objetos a reconocer y a clasificar. Por ejemplo una aplicación de reconocimiento de caras podríamos pasar la fotografía como un mapa de bits pero esto sería muy costoso computacionalmente, pero sin embargo si pasáramos una serie de valores como anchura de ojos, anchura de boca, tamaño de frente, etc., esto nos podría clasificar la cara en función de sus parecidos.

Enumere 5 problemas que se pueden resolver con el uso de redes neuronales artificiales

- Reconocimientos de cuerpos

- Identificación de candidatos para posiciones específicas.

- Explotación de bases de datos.

- Evaluación de probabilidad de formaciones geológicas y petrolíferas.

- Síntesis de voz desde texto.

Bibliografía:

http://www.monografias.com/trabajos12/redneur/redneur.shtml#APLICAC

http://ohm.utp.edu.co/neuronales/Capitulo1/RNBiologica.htm

http://www.slideshare.net/christmo/introduccin-a-la-ia/

Inteligencia Artificial Redes Neuronales Artificiales

1.- Describa brevemente el funcionamiento de una neurona biológica.

Todos los organismos vivos están formados por células. Los elementos básicos del sistema nervioso son las células nerviosas, llamadas neuronas. Una neurona biológica es una célula viva, y como tal, contiene los mismos elementos que forman parte de todas las células biológicas, además, de poseer elementos característicos que la diferencian. En general una neurona biológica consta de un cuerpo celular más o menos esférico de 5 a 10 micras de diámetro, del que sale una rama principal el axón, y varias ramas más cortas denominadas dentritas. El funcionamiento de una neurona biológica, las dentritas y el cuerpo celular reciben señales de entrada, el cuerpo celular las combina e integra y emite señales de salida. El axón transporta esas señales a los terminales axónicos, que se encargan de distribuir información a un nuevo conjunto de neuronas. Una neurona recibe información de miles de otras neuronas y, a su vez, envía información a miles de neuronas más. Se calcula que en el cerebro humano existen del orden de 10 a la 15 conexiones.

2.- Describa brevemente el funcionamiento de una neurona artificial.

El funcionamiento de una neurona artificial se basa en una especie de simulación de los sistemas nerviosos los mismos que están constituidos por conjuntos de neuronas o también llamados nodos que están conectados entre si, estos nodos que se encuentran conectados unos con otros forman parte de los sistemas biológicos. Se puede decir también que una neurona artificial tiene un cierto parecido a la neurona biológica en su funcionamiento.

3.- Describa los criterios de clasificación de las redes neuronales artificiales y sus principales tipos dentro de cada clasificación.

Por Topología

Las neuronas se agrupan formando capas y consiste en la organización y disposición de las neuronas en la red. Y se dividen en:

Monocapa.- Son redes con una sola capa, las neuronas crean conexiones laterales para conectar con otras neuronas de su capa. Las redes monocapa han sido ampliamente utilizadas en circuitos eléctricos ya que debido a su topología, son adecuadas para ser implementadas mediante hardware, usando matrices de diodos que representan las conexiones de las neuronas.

Multicapa.- Son las que están formadas por varias capas de neuronas, estas redes se pueden a su vez clasificar atendiendo a la manera en que se conexionan sus capas. Y se clasifican en:

Redes Con Conexiones Hacia Adelante.- Una capa no puede tener conexiones a una que reciba la señal antes que ella en la dinámica de la computación.
Ejemplos de estas redes son Perceptron, Adaline, Madaline, Backpropagation y los modelos LQV y TMP de Kohonen.

Redes Con Conexiones Hacia Atrás.- La información puede regresar a capas anteriores en la dinámica de la red. Ejemplos de estas redes son las redes ART, Bidirectional Associative Memory (BAM) y Cognitron.

Aprendizaje

Es el proceso de presentar los patrones a aprender, a la red y el cambio de los pesos de las conexiones usando una regla de aprendizaje. Y se clasifican en

Supervisados.- La red dispone de los patrones de entrada y los patrones de salida que deseamos para esa entrada y en función de ellos se modifican los pesos de las sinapsis para ajustar la entrada a esa salida.

No Supervisados.- No presentan patrones objetivos, si no solo patrones de entrada, y dejar a la red clasificar dichos patrones en función de las características comunes de los patrones.

4.- Defina con sus propias palabras al Aprendizaje Supervisado

Requieren de un “profesor” por llamarlo así para que les diga cual es la salida deseada para una entrada dada.

5.- Defina con sus propias palabras al Aprendizaje No supervisado

No requieren de profesor puesto que producen su propia salida que será posteriormente evaluada.

6.- Enumere 5 problemas que se pueden resolver con el uso de redes neuronales artificiales

Hay muchas aplicaciones de las Redes Neuronales en la industria de petróleo y gas por ejemplo:

1.- Aplicaciones al desarrollo de campos

2.- Identificación de modelos en la interpretación de pruebas de pozos

3.- Flujo bifásico en tuberías

En el ámbito informático tenemos:

4.- Sistemas de navegación de robots

Otros:

5.- Síntesis de voz desde texto.

Bibliografía

Al‑Kaabi, A., Lee, W. J., "Using Artificial Neural Nets to Identify the Well Test Interpretation Model," SPE Formation Evaluation, Sept. 1993.

Doraisamy, H., Ertekin, T., Grader, A. "Key Parameters Controlling the Performance of Neuro Simulation Applications in Field Development," SPE 51079, Proceedings, SPE Eastern Regional Conference Nov. 9-11, 1998, Pittsburgh, PA.

http://ingenieria-de-yacimientos.blogspot.com/2008/02/redes-neuronales-artificiales-una.html

http://www.redes-neuronales.netfirms.com/tutorial-redes-neuronales/clasificacion-de-redes-neuronales-por-topologia-arquitectura.htm

Conceptos Básicos de Redes Neuronales

¿Cómo funciona una neurona biológica.?
Las neuronas son las encargadas de transmitir los impulsos nerviosos, y por esta razón todas ellas están interconectadas entre sí.
Una neurona recibe estímulos de otras células, como por ejemplo otras neuronas, glándulas o células musculares; mediante la sinapsis, estos estímulos que en su mayoría son eléctricos son recibidos y procesados por el cuerpo de la neurona, para posteriormente salir por un solo “canal” que es el axón, pero este a su vez tiene ramificaciones al final, lo que le permite conectarse con más células y transmitir estos impulsos, para que el ciclo se vuelva a repetir.
En resumidas cuentas una neurona es la encargada de recibir miles y miles de estímulos y procesarlos para obtener un solo resultado, que es el estímulo de salida el mismo que es enviado a través del axón.


¿Cómo funciona una neurona artificial.?
Dado que una neurona artificial debe asemejarse a una biológica, el funcionamiento de una neurona artificial, se puede definir básicamente como el comportamiento de un circuito sumador que realice la suma de las diferentes señales que recibe de otras unidades iguales y produzca en la salida un solo resultado (uno o un cero) según el resultado de la suma .


Criterios de clasificación de las redes neuronales artificiales y sus principales tipos dentro de cada clasificación.
Pueden existir una discrepancia en cuanto a la clasificación de las redes neuronales, pero la mayoría coincide en la siguiente manera de clasificación:

• Por Topología

Se define en función del patrón de conexiones que la red neuronal presente y se subdivide en:

Monocapa.- como su nombre lo indica son redes con una sola capa. Para unirse, las neuronas crean conexiones laterales para conectar con otras neuronas de su misma capa.

Multicapa.- Las redes multicapa están formadas por varias capas de neuronas, las capas están ordenadas por el orden en que reciben la señal desde la entrada hasta la salida y están unidas en ese orden.

Las redes, independientemente de su estructura, puede tener dos tipos diferente de comportamiento, así tenemos:

Conexión hacia delante.- es cuando las neuronas se conectan en una orden, es decir, desde la entrada hacia la salida, y no tienen conexiones a sí mismas o a neuronas de su misma capa (conexión en cascada).

Conexión recurrente.- es cuando las neuronas pueden conectarse con neuronas de su misma capa e incluso conectarse a si misma, o seguir un ciclo, es decir conectar la salida de nuevo a la entrada.

• Por Aprendizaje

Se define así al proceso de presentar los patrones a aprender, a la red, estos patrones pueden ser el cambio de los valores y de las conexiones usando una regla de aprendizaje. Se clasifican en:

Aprendizaje supervisado .- en este modo de aprendizaje se muestran los patrones a la red y la salida deseada para esos patrones y se usa una fórmula matemática de minimización del error que ajuste los pesos para dar la salida más cercana posible a la salida deseada.

Aprendizaje no supervisado.- Este tipo de aprendizaje no necesita que le mostremos los patrones de salida, ya que el algoritmo y la regla de modificación de las conexiones producen patrones de salida consistentes basándose en patrones que tiene almacenados y en función de ello los agrupa en una categoría o otra. Cuando la red procesa patrones con bastante grado de similitud, da la misma salida para ambos patrones, esto es, clasifica los patrones en categorías de patrones parecidos.


Definiendo en terminos más simples:

Aprendizaje Supervisado
Es cuando “entrenamos” a la red neuronal, presentándole patrones de entrada y de salida, es decir le indicamos desde un principio que es lo que debe presentarnos cómo salida.

Aprendizaje No supervisado
El aprendizaje no supervisado se parece mas aún al funcionamiento del cerebro humano, ya que para este tipo de aprendizaje, se le indican a la red neuronal una serie de patrones, los mismos que son almacenados y posteriormente son tomados para realizar las comparaciones con nuevos patrones de entrada, así, no se necesita especificar a la red el patrón de salida, sino ella misma decidirá que patrón es el que más se ajusta.


¿Qué problemas se pueden resolver con el uso de redes neuronales artificiales?
Por la robustez y la gran capacidad que tiene una red neuronal, estas son capaces de resolver problemas que un simple algoritmo no podría hacerlo, es por esto que una red neuronal tienen mas alcances y mejores aplicaciones, entre ellas mencionamos algunas de las más relevantes:

• Reconocimiento de imágenes.
  
• Tareas de búsqueda que demandan de algoritmos demasiado complejos.
  
• Sistemas de necesiten “tomar decisiones”.
  
• Sistemas que generen predicciones.
  
• Reconocimiento de sonidos.
  

Bibliografía

http://es.wikipedia.org/wiki/C%C3%A9lula_nerviosa

http://es.wikipedia.org/wiki/Red_neuronal_artificial

http://www.dynamics.unam.edu/DinamicaNoLineal/Articulos/MineriaDatos/Articulo03.pdf