![Función sigmoidea (para obtener valores en el intervalo [0,1]) y la tangente hiperbólica (para obtener valores en el intervalo.](https://image.slidesharecdn.com/sistemasneuronales-110303153105-phpapp02/85/SISTEMAS-NEURONALES-11-320.jpg)
SISTEMAS NEURONALES
- 2. Ejemplo:
- 3. REDES NUERONALES El hombre se ha caracterizado siempre por una búsqueda constante de nuevas vías para mejorar sus condiciones de vida. Estos esfuerzos han servido para reducir el trabajo en aquellas operaciones en las que la fuerza juega un papel primordial. Los progresos obtenidos han permitido dirigir estos esfuerzos a otros campos .
- 4. Es el desarrollo de máquinas que puedan imitar la capacidad de aprendizaje del hombre es actualmente un desafío en el que pone sus miras buena parte de la comunidad científica. Con esta introducción a las redes neuronales, pretendemos dar a conocer los elementos básicos de lo que comúnmente se denomina Inteligencia Artificial, para así comprender de qué modo pueden llegar a «pensar» y «a prender» las máquinas.
- 6. ¿QUÉ SON REDES NEURONALES? Redes neuronales artificiales son redes interconectadas masivamente en paralelo de elementos simples (usualmente adaptativos) y con organización jerárquica, las cuales intentan interactuar con los objetos del mundo real del mismo modo que lo hace el sistema nervioso biológico.
- 7. L as redes neuronales no son más que un modelo artificial y simplificado del cerebro humano, que es el ejemplo más perfecto del que disponemos de sistema que es capaz de adquirir conocimiento a través de la experiencia , son otras forma de emular ciertas características propias de los humanos, como la capacidad de memorizar y de asocias hechos.
- 8. Por lo tanto, las Redes Neuronales: · Consisten de unidades de procesamiento que intercambian datos o información. · Se utilizan para reconocer patrones, incluyendo imágenes, manuscritos y secuencias de tiempo tendencias financieras. · Tienen capacidad de aprender y mejorar su funcionamiento.
- 9. Funcionamiento Las redes neuronales consisten en una simulación de las propiedades observadas en los sistemas neuronales biológicos a través de modelos matemáticos recreados mediante mecanismos artificiales (como un circuito integrado, un ordenador o un conjunto de válvulas). El objetivo es conseguir que las máquinas den respuestas similares a las que es capaz de dar el cerebro que se caracterizan por su generalización y su robustez.
- 10. Una red neuronal se compone de unidades llamadas neuronas. Cada neurona recibe una serie de entradas a través de interconexiones y emite una salida. Esta salida viene dada por tres funciones: Función de propagación (también conocida como función de excitación), que por lo general consiste en el sumatorio de cada entrada multiplicada por el peso de su interconexión (valor neto). Si el peso es positivo, la conexión se denomina excitatoria ; si es negativo, se denomina inhibitoria .
- 11. Función sigmoidea (para obtener valores en el intervalo [0,1]) y la tangente hiperbólica (para obtener valores en el intervalo.
- 12. Las RNA: están compuestas de muchos elementos sencillos que operan en paralelo, el diseño de la red está determinado mayormente por las conexiones entre sus elementos. Al igual que las conexiones de las neuronas cerebrales. Las RNA han sido entrenadas para la realización de funciones complejas en variados campos de aplicación. Hoy en día pueden ser entrenadas para la solución de problemas que son difíciles para sistemas computacionales comunes o para el ser humano.
- 13. Características de las Redes Neuronales Existen cuatro elementos que caracterizan una red neuronal: su topología, el mecanismo de aprendizaje, tipo de asociación realizada ente la información de entrada y salida y la forma de representación de estas informaciones.
- 14. Topología de las Redes Neuronales Consiste en la organización de las neuronas en la red formando capas o agrupaciones de neuronas más o menos alejadas de la entrada y salida de la red. Los parámetros fundamentales de la red son: el número de capas, el número de neuronas por capa, el grado de conectividad y el tipo de conexiones ente neuronas.
- 15. En términos topológicos podemos clasificar las redes entre: Redes de una sola capa . Redes con múltiples capas.
- 16. SOFTWARE DE REDES NEURONALES APLICACIÓN de software : NEURAL STOCK. Desarrollado por infocel Financiero en México. Combina Redes Neuronales Artificiales, junto con tecnologías como Algoritmos de Genéticos, para obtener una capacidad de análisis acertada, recomendando operaciones de compra y venta en el mundo financiero y versátil.
- 17. Permite analizar el desarrollo del mercado financiero, día tras día. Obtiene los datos de la bolsa en tiempo real. Es robusto y tiene un interfaz amigable. No se emociona y se ”adapta”, es sensible. Permite adquirir la experiencia requerida para obtener la mejor rentabilidad posible. Posee u indicador inteligente.
- 18. OPTIMACH : Administrador de publicidad dirigida para internet, analiza y decide los banners o anuncios que presentará un sitio de internet a cada tipo de usuario, para aumentar el interés en él patrocinador , trabaja con servidor Windows NT4 y se utiliza junto con el SiteServer 3.0 Commer Edition. Es el valor agregado al sistema que maximiza el flujo de vistas en las páginas.
- 19. ATRASOFT : Se dedica a ser software para analizar financiero y reconocimiento de imágenes a través de redes neuronales de Hopfiend y la máquina de Boltzman ,s e utiliza para clasificar imágenes, buscar imágenes en Internet obtener predicciones sobre una serie de datos, reconocimiento de patrones.
- 20. APLICACIÓN DE REDES NEURONALE S Finanzas Predicción de índices. Detección de fraudes. Riesgo crediticio, clasificación. Predicción de la rentabilidad de acciones. Negocios Marketing. Venta cruzada. Campanas de venta.
- 21. Empresa Reconocimiento de caracteres escritos. Identificación de candidatos para posiciones especificas. Explotación de base de datos. Evaluación de probabilidad de formaciones geológicas y petrolíferas.
- 22. Función de activación: modifica a la anterior. Puede no existir, siendo en este caso la salida la misma función de propagación. función de transferencia: se aplica al valor devuelto por la función de activación. Se utiliza para acotar la salida de la neurona y generalmente viene dada por la interpretación que queramos darle a dichas salidas. Algunas de las más utilizadas son la
- 23. Ventajas que ofrecen las redes neuronales Debido a su constitución y a sus fundamentos, las redes neuronales artificiales presentan un gran número de características semejantes a las del cerebro. Por ejemplo, son capaces de aprender de la experiencia, de generalizar de casos anteriores a nuevos casos, de abstraer características esenciales a partir de entradas que representan información irrelevante, etc.
- 24. Entre las ventajas se incluyen : Aprendizaje Adaptativo: capacidad de aprender a realizar tareas basadas en un entrenamiento en una experiencia inicial . Auto-organización: una red neuronal puede crear su propia organización o representación de la información que recibe mediante una etapa de aprendizaje. Esto hace que ofrezcan numerosas ventajas y que este tipo de tecnología se esté aplicando en múltiples áreas.
- 25. Auto-organización: una red neuronal puede crear su propia organización o representación de la información que recibe mediante una etapa de aprendizaje . Tolerancia a fallos: la destrucción parcial de una red conduce a una degradación de su estructura; sin embargo, algunas capacidades de la red se pueden retener, incluso sufriendo un gran daño.
- 26. Operación en tiempo real: los cómputos neuronales pueden ser realizados en paralelo; para esto se diseñan y fabrican máquinas con hardware especial para obtener esta capacidad. Fácil inserción dentro de la tecnología existente: se pueden obtener chips especializados para redes neuronales que mejoran su capacidad en ciertas tareas. Ello facilitará la integración modular en los sistemas existentes.