Вы находитесь на странице: 1из 31

Redes Neuronales Artificiales

UNIVERSIDAD PERUANA DE
CIENCIAS E INFORMTICAS
CARRERA PROFESIONAL DE INGENIERA DE SISTEMAS
BS!EDA DE INFORMACI"N

IMPACTO DE LAS REDES NERONALES
ARTIFICIALES EN LA INTELIGENCIA ARTIFICIAL
PRESENTADO POR EL GRPO I


PARA OPTAR LA APROBACI"N DEL CRSO DE
INTELIGENCIA ARTIFICIAL
LIMA # PER
$%&'
P a ( e % ) *&
Redes Neuronales Artificiales
Resumen
En el presente trabajo, se introduce al lector en el campo de las redes neuronales artificiales
(RNA) - caractersticas generales, arquitecturas, reglas de aprendizaje, ejemplos ilustrativos
aplicaciones generales -, se realiza una revisi!n de las aplicaciones llevadas a cabo con
esta tecnologa en el campo de las conductas adictivas" #os resultados de las
investigaciones demuestran la capacidad de las RNA para predecir el consumo de drogas,
e$traer las caractersticas prototpicas del sujeto adicto seleccionar el tratamiento m%s
adecuado en funci!n de esas caractersticas" Aunque tales estudios son preliminares, los
resultados se pueden considerar prometedores, perfil%ndose las RNA como un potente
instrumento al servicio del profesional dedicado al campo de las conductas adictivas"
&alabras claves
'A, RNA, 'nteligencia Artificial, Redes Neuronales Artificiales
P a ( e & ) *&
Redes Neuronales Artificiales
Abstract
'n t(is paper, )e introduce to t(e reader in t(e field of artificial neural net)or*s (ANN)
-general features, arc(itectures, learning rules, illustrative e$amples and general
applications -, and )e revie) t(e applications carried out )it( t(is tec(nolog in t(e field
of addictive be(aviors" Results of researc( s(o) t(e capacit of ANN in order to predict
drug consumption, e$tract prototpe c(aracteristics of addicted subjects and c(oose t(e
treatment most appropiate according to t(ose c(aracteristics"
Alt(oug( t(ese studies are preliminar, t(e results can be qualified as ver promising+ so,
ANN are a po)erful tool for professional dedicated to field of addictive be(aviors"
,e )ords
A', ANN, Artificial 'ntelligence, Artificial Neuronal Net)or*
P a ( e $ ) *&
Redes Neuronales Artificiales
-abla de .ontenido
1 Introduccin+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++ *
1.1 Antecedentes.+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++ ,
1.2 Definicin del Problema+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++ -
1.3 Objetivos de la Investigacin++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++-
1.4 i!tesis++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++ .
1." #ustificacin+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++ .
2 An$lisis de fundamento+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++ .
2.1 %arco &erico++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++ .
2.1.1 'structura de la &eor(a ) sus '*!licaciones Referenciales++++++++++++++++++++++++++++++++.
3 Pro!iedades++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++ /
4 +lasificacin de las Redes ,euronales++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++/
/"0 +aracteri-acin tem!oral. 1e refiere a la caracterizaci!n temporal de las entradas"+++++++/
/"2 +aracteri-acin !or 'ntrenamiento. se refiere al aprendizaje seguido por la Red"+++++&%
/"3 Realimentacin.+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++ &&
" +aracteri-acin de una Red ,euronal++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++&&
".1.1 Princi!ios /$sicos de la &eor(a+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++&*
".1.2 A!licacin de la &eor(a al Objeto de 'studio++++++++++++++++++++++++++++++++++++++++++++++++++&/
".2 %arco +once!tual++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++$$
".2.1 &abla de los Princi!ales +once!tos &ericos+++++++++++++++++++++++++++++++++++++++++++++++++++$$
".3 'stado del Arte++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++ $$
0 +onclusiones+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++ $0
1 Recomendaciones++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++ $0
1.1 &emas !ara 2uturas Investigaciones+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++$0
3 Referencias documentales++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++$0
4 /ibliograf(a++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++ *%
1 Introduccin
P a ( e * ) *&
Redes Neuronales Artificiales
El (ombre se (a caracterizado siempre por su b4squeda constante de nuevas vas para
mejorar sus condiciones de vida" Estos esfuerzos le (an servido para reducir el trabajo en
aquellas operaciones en las que la fuerza juega un papel primordial" #os progresos
obtenidos (an permitido dirigir estos esfuerzos a otros campos, como por ejemplo, a la
construcci!n de m%quinas calculadoras que auden a resolver de forma autom%tica r%pida
determinadas operaciones que resultan tediosas cuando se realizan a mano"

5no de los primeros en acometer esta empresa fue .(arles 6abbage, quien trat!
infructuosamente de construir una m%quina capaz de resolver problemas matem%ticos"
&osteriormente otros tantos intentaron construir m%quinas similares, pero no fue (asta la
1egunda 7uerra 8undial, cuando a se dispona de instrumentos electr!nicos, que se
empezaron a recoger los primeros frutos" En 09/: se constru! la primera computadora
electr!nica, EN'A." ;esde entonces los desarrollos en este campo (an tenido un auge
espectacular"
Estas m%quinas permiten implementar f%cilmente algoritmos para resolver multitud de
problemas que antes resultaban engorrosos de resolver" 1in embargo, se observa una
limitaci!n importante< =qu> ocurre cuando el problema que se quiere resolver no admite un
tratamiento algortmico, como es el caso, por ejemplo, de la clasificaci!n de objetos por
rasgos comunes? Este ejemplo demuestra que la construcci!n de nuevas m%quinas m%s
vers%tiles requiere un enfoque del problema desde otro punto de vista" #os desarrollos
actuales de los cientficos se dirigen al estudio de las capacidades (umanas como una
fuente de nuevas ideas para el dise@o de las nuevas m%quinas" As, la inteligencia artificial
es un intento por descubrir describir aspectos de la inteligencia (umana que pueden ser
simulados mediante m%quinas" Esta disciplina se (a desarrollado fuertemente en los 4ltimos
a@os teniendo aplicaci!n en algunos campos como visi!n artificial, demostraci!n de
teoremas, procesamiento de informaci!n e$presada mediante lenguajes (umanos""" etc"
#as redes neuronales son m%s que otra forma de emular ciertas caractersticas propias de los
(umanos, como la capacidad de memorizar de asociar (ec(os" 1i se e$aminan con
atenci!n aquellos problemas que no pueden e$presarse a trav>s de un algoritmo, se
observar% que todos ellos tienen una caracterstica en com4n< la e$periencia" El (ombre es
capaz de resolver estas situaciones acudiendo a la e$periencia acumulada" As, parece claro
que una forma de apro$imarse al problema consista en la construcci!n de sistemas que sean
capaces de reproducir esta caracterstica (umana"
En definitiva, las redes neuronales no son m%s que un modelo artificial simplificado del
cerebro (umano, que es el ejemplo m%s perfecto del que disponemos para un sistema que es
capaz de adquirir conocimiento a trav>s de la e$periencia" 5na red neuronal es Aun nuevo
P a ( e ' ) *&
Redes Neuronales Artificiales
sistema para el tratamiento de la informaci!n, cua unidad b%sica de procesamiento est%
inspirada en la c>lula fundamental del sistema nervioso (umano
1.1 Antecedentes.
En esta presentaci!n se describe una breve (istoria de las Redes Neuronales (RN), se
presentan algunas definiciones de RN, as como sus ventajas desventajas, con el fin de
identificar los conceptos b%sicos fundamentos de redes neuronales"
093: - Alan -uring" Bue el primero en estudiar el cerebro como una forma de ver el mundo
de la computaci!n"
8c.ullog( &itts realizaron en 09/3 un estudio biol!gico del cerebro obteniendo un
modelo formal de neurona, con lo que introdujeron as el concepto de umbral< una neurona
responde a un cierto estmulo siempre que >ste sobrepase un cierto umbral de activaci!n"
&osteriormente, en 09/9, Cebb desarroll! el Hebbian Learning: aprendizaje mediante
adaptaci!n de sinapsis o reforzamiento de las cone$iones"
En 09D9, Rosenblat defini! el perceptr!n, uno de los conceptos m%s importantes dentro
del desarrollo de las Redes Neuronales< el perceptr!n consiste en una estructura m%s una
regla de aprendizaje o regla del perceptr!n" Esa estructura es la combinaci!n de una
neurona una funci!n de salida que es la que define el umbral de activaci!n" #a misi!n de
la neurona es implementar una combinaci!n lineal de las entradas" .ada entrada posee un
peso, que se adapta temporalmente" Es esto lo que se conoce como aprendizaje"
8is* &apert desarrollaron en 09:9 un perceptr!n unicapa que consegua una
clasificaci!n de primer orden (EFR)" 1e plante! entonces el problema del entrenamiento de
varias capas" As, en 09G/ Herbos defini! el algoritmo de retropropagaci!n el uso de la
funci!n sigmoidal como funci!n de salida de un perceptr!n" El algoritmo de
retropropagaci!n permite modificar los pesos partiendo de la 4ltima capa (asta la inicial
bas%ndose en el error cometido en la iteraci!n anterior" Ese error es la diferencia entre la
salida de la Red Neuronal la salida real que deberamos (aber obtenido" .omo el
algoritmo de retropropagaci!n est% basado en la derivada del error, se decidi! utilizar la
funci!n sigmoidea en vez del escal!n para representar el umbral de activaci!n (la funci!n
escal!n tiene derivada infinita en el origen)"
&osteriormente se desarrollaron otros tipos de redes< ,o(onen en los GI cre! los mapas
topol!gicos las memorias asociativas, en 09J2 Copfield defini! las redes de Copfield"
P a ( e , ) *&
Redes Neuronales Artificiales
Binalmente, en 09J: Rumel(art 8c.lelland desarrollaron el perceptr!n multicapa,
populariz%ndose as el algoritmo de retropropagaci!n" En 09J9, .ben*o, Corni* et al"
Buna(as(i definieron el perceptr!n multicapa como el apro$imador universal
1.2 Definicin del Problema
=.u%l es el impacto de las redes neuronales en la inteligencia artificial?
1.3 Objetivos de la Investigacin
;eterminar el impacto de las redes neuronales en la inteligencia artificial por ejemplo
'mpacto social
'mpacto tecnol!gico
'mpacto ambiental
'mpacto econ!mico
Redes neuronales !ara el monitoreo ambiental
5n soft)are de amplia aplicabilidad que sirve para la predicci!n de contaminantes
del aire, es desarrollado por investigadores de 6a(a 6lanca
El trabajo de los cientficos se (a concentrado en la aplicaci!n de Redes Neuronales
Artificiales (RNAs)" #a red debe entrenarse para cada contaminante especfico"
En particular, estas investigaciones est%n focalizadas en la ciudad de 6a(a 6lanca,
su polo petroqumico su puerto de granos" .omo primera etapa, se (a preparado
una red para la predicci!n de concentraci!n del &80I" Este modelo servir% para
disparar alertas tempranas de &80I en el observatorio local, en cuo dise@o se est%
trabajando actualmente
El &80I es material s!lido o lquido suspendido en la atm!sfera, que se refiere a la
medida de ciertas partculas atmosf>ricas cuo di%metro es menor o igual a 0I
micr!metros"
1abemos que los niveles crecientes de partculas finas en el aire est%n asociados a
riesgos en la salud (por ejemplo enfermedades del coraz!n, alteraci!n de las
funciones pulmonares, c%ncer de pulm!n, etc)"
!ronstico de inflacin en costa rica. una estimacin con redes neuronales
Este documento se enmarca dentro de la investigaci!n desarrollada por el 6anco
P a ( e - ) *&
Redes Neuronales Artificiales
.entral de .osta Rica para pronosticar la inflaci!n" 8ejorar complementar los
ejercicios de pron!stico de la inflaci!n son de suma importancia para el dise@o e
implementaci!n de la poltica monetaria , en consecuencia para el logro del
objetivo esencial de estabilidad interna e$terna de la moneda nacional
encomendado a la 'nstituci!n"
E$iste consenso en que la inflaci!n, en el mediano largo plazo, tiene un origen
estrictamente monetario, raz!n por la cual es de esperar que los agregados
monetarios contengan informaci!n 4til acerca de la direcci!n futura de la inflaci!n
1.4 i!tesis
8edir el impacto del estudio de las Redes Neuronales Artificiales en la 'nteligencia
Artificial
#a Red Neuronal Artificial es la implementaci!n del pensamiento ejecuci!n de ideas del
cerebro (umano en m%quinas artificiales"
1." #ustificacin
2 An$lisis de fundamento
$+& %arco &erico
$+&+& 'structura de la &eor(a ) sus '*!licaciones Referenciales
1. Definiciones de una Red ,euronal
E$isten numerosas formas de definir a las redes neuronales+ desde las definiciones cortas
gen>ricas (asta las que intentan e$plicar m%s detalladamente qu> son las redes neuronales"
&or ejemplo<
5na nueva forma de computaci!n, inspirada en modelos biol!gicos"
5n modelo matem%tico compuesto por un gran n4mero de elementos procesales
organizados en niveles"
P a ( e . ) *&
Redes Neuronales Artificiales
5n sistema de computaci!n compuesto por un gran n4mero de elementos simples,
elementos de procesos mu interconectados, los cuales procesan informaci!n por
medio de su estado din%mico como respuesta a entradas e$ternas"
Redes neuronales artificiales son redes interconectadas masivamente en paralelo de
elementos simples (usualmente adaptativos) con organizaci!n jer%rquica, las
cuales intentan interactuar con los objetos del mundo real del mismo modo que lo
(ace el sistema nervioso biol!gico
2. 5entajas 6ue Ofrecen las Red ,euronal
;ebido a su constituci!n a sus fundamentos, las redes neuronales artificiales presentan un
gran n4mero de caractersticas semejantes a las del cerebro" &or ejemplo, son capaces de
aprender de la e$periencia, de generalizar de casos anteriores a nuevos casos, de abstraer
caractersticas esenciales a partir de entradas que representan informaci!n irrelevante, etc"
Esto (ace que ofrezcan numerosas ventajas que este tipo de tecnologa se est> aplicando
en m4ltiples %reas" Entre las ventajas se incluen<
A!rendi-aje Ada!tativo. .apacidad de aprender a realizar tareas basadas en un
entrenamiento o en una e$periencia inicial"
Auto7organi-acin. 5na red neuronal puede crear su propia organizaci!n o
representaci!n de la informaci!n que recibe mediante una etapa de aprendizaje"
&olerancia a fallos. #a destrucci!n parcial de una red conduce a una degradaci!n
de su estructura+ sin embargo, algunas capacidades de la red se pueden retener,
incluso sufriendo un gran da@o"

O!eracin en tiem!o real. #os c!mputos neuronales pueden ser realizados en


paralelo+ para esto se dise@an fabrican m%quinas con (ard)are especial para
obtener esta capacidad"
P a ( e 0 ) *&
Redes Neuronales Artificiales
2$cil insercin dentro de la tecnolog(a e*istente" 1e pueden obtener c(ips
especializados para redes neuronales que mejoran su capacidad en ciertas tareas"
Ello facilitar% la integraci!n modular en los sistemas e$istentes"
* Pro!iedades
5na red neuronal se compone de unidades llamadas neuronas" .ada neurona recibe una
serie de entradas a trav>s de intercone$iones emite una salida" Esta salida viene dada por
tres funciones<
0" 8na funcin de !ro!agacin (tambi>n conocida como funci!n de e$citaci!n), que
por lo general consiste en el sumatorio de cada entrada multiplicada por el peso de
su intercone$i!n (valor neto)" 1i el peso es positivo, la cone$i!n se denomina
excitatoria+ si es negativo, se denomina inhibitoria"
2" 8na funcin de activacin, que modifica a la anterior" &uede no e$istir, siendo en
este caso la salida la misma funci!n de propagaci!n"
3" 8na funcin de transferencia, que se aplica al valor devuelto por la funci!n de
activaci!n" 1e utiliza para acotar la salida de la neurona generalmente viene dada
por la interpretaci!n que queramos darle a dic(as salidas" Algunas de las m%s
utilizadas son la funci!n sigmoidea (para obtener valores en el intervalo )
la tangente (iperb!lica (para obtener valores en el intervalo
4 +lasificacin de las Redes ,euronales
E$isten diferentes criterios de clasificaci!n para las Redes Neuronales<
P a ( e / ) *&
Redes Neuronales Artificiales
'+& +aracteri-acin tem!oral. 1e refiere a la caracterizaci!n temporal de las entradas"
+ontin9a en el tiem!o. .uando la funci!n de entrada es una funci!n contin4a" Este
tipo de redes se utiliza en sistemas donde es necesario una clasificaci!n inmediata
de las entradas, como por ejemplo un sistema de alarma que se active ante la
presencia de ciertos par%metros peligrosos"
Discreta. .uando las entradas se toman en determinados instantes de tiempo" 1e
utilizan en sistemas donde no es necesario un control inmediato de las entradas
s!lo se busca ver su evoluci!n sin saturar demasiado el sistema con una gran
cantidad de datos"
'ntrada. 1e refiere a los valores que toman las entradas"
/inaria. .ero o uno" 1e puede utilizar cuando las entradas son codificadas, por
ejemplo, representando el intervalo sobre el que caen dentro de un rango" 1i el
rango se divide en x intervalos, cada entrada se representa con x valores, todos a
cero menos uno, el que corresponde al intervalo de valores de la entrada"
+ontinua. El valor de la entrada puede ser cualquiera dentro de un rango" Es
posible definir diferentes rangos de variaci!n"
'+$ +aracteri-acin !or 'ntrenamiento. se refiere al aprendizaje seguido por la Red"
:u!ervisado. .uando se vigila la evoluci!n de la Red" &or ejemplo, cuando se le
ofrecen a la Red ejemplos se@alando las salidas que se deberan obtener"
P a ( e &% ) *&
Redes Neuronales Artificiales
+on recom!ensa;castigo. .uando la Red acierta se le ofrece una recompensa"
.uando falla se le castiga" As aprende c!mo debe comportarse"
,o su!ervisado. No se le dice a la Red lo que debe dar" Esto se suele utilizar en
aquellos casos en que tenemos una serie de entradas no sabemos c!mo
clasificarlas" ;ependiendo de lo que se obtenga tras el entrenamiento tendremos un
criterio de clasificaci!n"
4.3 Realimentacin.
2eedfor<ard. Realimentaci!n (acia delante" Es la estructura normal, donde las
salidas de una capa se introducen en la siguiente"
2eedbac=. Realimentaci!n (acia atr%s" #as salidas de ciertas capas se introducen en
capas anteriores para que >stas sepan cu%l (a sido el comportamiento posterior se
adapten en consecuencia"
Entre los modelos m%s representativos se encuentran los mapas asociativos, el perceptr!n
multicapa, las redes de Copfield (memorias auto asociativas), los mapas topol!gicos auto
organizativos de ,o(onen las redes (ebbianas K8artn-I0L"
" +aracteri-acin de una Red ,euronal
#os tres puntos clave para desarrollar una Red Neuronal son<
.aracterizaci!n de la neurona (unidad b%sica de computaci!n)"
;efinici!n de una topologa de intercone$i!n"
;efinici!n de unas reglas de aprendizaje"
P a ( e && ) *&
Redes Neuronales Artificiales
4.1 Pro!iedades
#as propiedades que comparten todas las Redes Neuronales son<
Alto grado de paralelismo (varias neuronas pueden estar trabajando a la vez)
B%cil implementaci!n Card)are (o 1oft)are)"
Robustez frente a posibles fallos (la informaci!n est% distribuida)
Naturaleza adaptativa que sustenta la capacidad de aprendizaje"
4.2 &o!olog(a
.omprende varios aspectos<
Definicin de conectividad. 1e refiere a la forma de conectarse las neuronas para
formar una cierta estructura" ;e esta forma, podemos obtener redes mono capa o
multicapa" #as redes mono capa consiguen una clasificaci!n de primer orden como
puede ser un EFR" 1in embargo, una red de varias capas puede diferenciar entre
diferentes regiones, como se ver% pr!$imamente"
&em!ori-acin o sincroni-acin del flujo de informacin.
&iem!o continuo7discreto. se refiere a si la informaci!n se actualiza
continuamente o s!lo en ciertos instantes de tiempo"
P a ( e &$ ) *&
Redes Neuronales Artificiales
:ecuencia de com!utaciones. flujo directo o bucles de realimentaci!n" El flujo
directo consiste en un mero paso de informaci!n de una capa a la siguiente" &ero
con la realimentaci!n una capa obtiene informaci!n sobre lo que est%n (aciendo las
capas que la siguen, as, se obra en consecuencia"
,+&+& Princi!ios /$sicos de la &eor(a
1. 'l Prototi!o /iolgico
#as diferentes configuraciones algoritmos que se dise@an para las redes neuronales
artificiales est%n inspiradas en la organizaci!n del complejo sistema neuronal del cerebro
(umano" No obstante conviene aclarar que esta inspiraci!n no supone que las ANN lleguen
a emular al cerebro como algunos optimistas lo desean a que entre otras limitaciones el
conocimiento sobre el modo de funcionamiento comportamiento del cerebro es bastante
simple reducido" ;e (ec(o los dise@adores de redes artificiales van m%s lejos del
conocimiento biol!gico actual prueban nuevas estructuras que presentan un
comportamiento adecuado 4til"
El sistema nervioso (umano constituido por c>lulas llamadas neuronas presenta una
estructura mu compleja" El n4mero estimado de neuronas es de 0I00 las intercone$iones
entre ellas son del orden de 0I0D"
.ada neurona comparte muc(as caractersticas con otras c>lulas del cuerpo (umano pero
tiene propiedades particulares especiales para recibir, procesar transmitir se@ales
electroqumicas a trav>s de todas las intercone$iones del sistema de comunicaci!n del
cerebro"
#a Bigura (2"0) muestra la estructura de un par de neuronas biol!gicas" ;el cuerpo de la
neurona se e$tienden las dendritas (acia otras neuronas donde reciben las se@ales
transmitidas por otras neuronas" El punto de contacto o de cone$i!n se llama sinapsis
estas entradas son dirigidas al n4cleo donde se suman" Algunas de las entradas tienden a
e$citar a la c>lula otras sin embargo tienden a in(ibir la c>lula" .uando la e$citaci!n
acumulada supera un valor umbral, las neuronas envan una se@al a trav>s del a$!n a otras
neuronas"
P a ( e &* ) *&
Redes Neuronales Artificiales
#a maora de los modelos de las ANN presenta este funcionamiento b%sico de la neurona
aun cuando el comportamiento real de una c>lula nerviosa tiene muc(as complejidades
e$cepciones"
Bigura (2"0) - .omponentes de una Neurona"
2. >a ,eurona Artificial
#a neurona artificial fue dise@ada para MemularM las caractersticas del funcionamiento
b%sico de la neurona biol!gica" En esencia, se aplica un conjunto de entradas a la neurona,
cada una de las cuales representa una salida de otra neurona" .ada entrada se multiplica por
su MpesoM o ponderaci!n correspondiente an%loga al grado de cone$i!n de la sinapsis" -odas
las entradas ponderadas se suman se determina el nivel de e$citaci!n o activaci!n de la
neurona" 5na representaci!n vectorial del funcionamiento b%sico de una neurona artificial
se indica seg4n la siguiente e$presi!n de la ecuaci!n (2"0)"
NE- N EOH ecu"(2"0)
1iendo NE- la salida, E el vector de entrada H el vector de pesos" Normalmente la se@al
de salida NE- suele ser procesada por una funci!n de activaci!n B para producir la se@al de
salida de la neurona F5-" #a funci!n B puede ser una funci!n lineal, o una funci!n umbral
o una funci!n no lineal que simula con maor e$actitud las caractersticas de transferencia
P a ( e &' ) *&
Redes Neuronales Artificiales
no lineales de las neuronas biol!gicas" #a Bigura (2"2) representa una neurona artificial con
una funci!n de activaci!n B"
Bigura (2"2) - 8odelo de Neurona Artificial"
#as funciones B m%s utilizadas son la funci!n 1igmoid -angente (iperb!lica e$presadas
en la -abla (2"0)"
1igmoid
F5- N 0 P (0QeR-
NE-)
-angente (iperb!lica F5- N tan( (NE-)
-abla 2"0 - Bunciones de Activaci!n
Este tipo de modelo de neurona artificial ignora muc(as de las caractersticas de las
neuronas biol!gicas" Entre ellas destaca la omisi!n de retardos de sincronismo en la
generaci!n de la salida" No obstante, a pesar de estas limitaciones las redes construidas con
este tipo de neurona artificial presentan cualidades atributos con cierta similitud a la de
los sistemas biol!gicos"
3. Redes ,euronales Artificiales de una +a!a ) %ultica!a
P a ( e &, ) *&
Redes Neuronales Artificiales
#a capacidad de c%lculo potencia de la computaci!n neuronal proviene de las m4ltiples
cone$iones de las neuronas artificiales que constituen las redes ANN"
#a red m%s simple es un grupo de neuronas ordenadas en una capa como se muestra en la
Bigura (2"3)" #os nodos circulares s!lo son distribuidores de las entradas no se consideran
constituentes de una capa"
Bigura (2"3) - Red Neuronal de una .apa"
.ada una de las entradas est% conectada a trav>s de su peso correspondiente a cada neurona
artificial" En la pr%ctica e$isten cone$iones eliminadas e incluso cone$iones entre las
salidas entradas de las neuronas de una capa" No obstante la figura muestra una
conectividad total por razones de generalizaci!n"
Normalmente las redes m%s complejas m%s grandes ofrecen mejores prestaciones en el
c%lculo computacional que las redes simples" #as configuraciones de las redes construidas
presentan aspectos mu diferentes pero tienen un aspecto com4n, el ordenamiento de las
neuronas en capas o niveles imitando la estructura de capas que presenta el cerebro en
algunas partes"
#as redes multicapa se forman con un grupo de capas simples en cascada" #a salida de una
capa es la entrada de la siguiente capa" 1e (a demostrado que las redes multicapa presentan
cualidades aspectos por encima de las redes de una capa simple" #a Bigura (2"/) muestra
una red de dos capas"
P a ( e &- ) *&
Redes Neuronales Artificiales
Bigura (2"/) - Red Neuronal de dos .apas"
.onviene destacar que la mejora de las redes multicapa estriba en la funci!n de activaci!n
no lineal entre capas, pudi>ndose llegar al caso de dise@ar una red de una capa simple
equivalente a una red multicapa si no se utiliza la funci!n no lineal de activaci!n entre
capas"
4. 'ntrenamiento de las Redes ,euronales Artificiales
5na de las principales caractersticas de las ANN es su capacidad de aprendizaje" El
entrenamiento de las ANN muestra algunos paralelismos con el desarrollo intelectual de los
seres (umanos" No obstante aun cuando parece que se (a conseguido entender el proceso
de aprendizaje conviene ser moderado porque el aprendizaje de las ANN est% limitado"
El objetivo del entrenamiento de una ANN es conseguir que una aplicaci!n determinada,
para un conjunto de entradas produzca el conjunto de salidas deseadas o mnimamente
consistentes" El proceso de entrenamiento consiste en la aplicaci!n secuencial de diferentes
conjuntos o vectores de entrada para que se ajusten los pesos de las intercone$iones seg4n
un procedimiento predeterminado" ;urante la sesi!n de entrenamiento los pesos convergen
gradualmente (acia los valores que (acen que cada entrada produzca el vector de salida
P a ( e &. ) *&
Redes Neuronales Artificiales
deseado"
#os algoritmos de entrenamiento o los procedimientos de ajuste de los valores de las
cone$iones de las ANN se pueden clasificar en dos grupos< 1upervisado No 1upervisado"
'ntrenamiento :u!ervisado. estos algoritmos requieren el emparejamiento de cada vector
de entrada con su correspondiente vector de salida" El entrenamiento consiste en presentar
un vector de entrada a la red, calcular la salida de la red, compararla con la salida deseada,
el error o diferencia resultante se utiliza para realimentar la red cambiar los pesos de
acuerdo con un algoritmo que tiende a minimizar el error"
#as parejas de vectores del conjunto de entrenamiento se aplican secuencialmente de
forma cclica" 1e calcula el error el ajuste de los pesos por cada pareja (asta que el error
para el conjunto de entrenamiento entero sea un valor peque@o aceptable"
'ntrenamiento ,o :u!ervisado. los sistemas neuronales con entrenamiento supervisado
(an tenido >$ito en muc(as aplicaciones sin embargo tienen muc(as crticas debido a que
desde el punto de vista biol!gico no son mu l!gicos" Resulta difcil creer que e$iste un
mecanismo en el cerebro que compare las salidas deseadas con las salidas reales" En el caso
de que e$ista, =de d!nde provienen las salidas deseadas?
#os sistemas no supervisados son modelos de aprendizaje m%s l!gicos en los sistemas
biol!gicos" ;esarrollados por ,o(onen (09J/) otros investigadores, estos sistemas de
aprendizaje no supervisado no requieren de un vector de salidas deseadas por tanto no se
realizan comparaciones entre las salidas reales salidas esperadas" El conjunto de vectores
de entrenamiento consiste 4nicamente en vectores de entrada" El algoritmo de
entrenamiento modifica los pesos de la red de forma que produzca vectores de salida
consistentes" El proceso de entrenamiento e$trae las propiedades estadsticas del conjunto
de vectores de entrenamiento agrupa en clases los vectores similares"
E$iste una gran variedad de algoritmos de entrenamiento (o en da" #a gran maora de
ellos (an surgido de la evoluci!n del modelo de aprendizaje no supervisado que propuso
Cebb (09/9)" El modelo propuesto por Cebb se caracteriza por incrementar el valor del
peso de la cone$i!n si las dos neuronas unidas son activadas o disparadas" #a le de Cebb
se representa seg4n la ecuaci!n (2"2)"
P a ( e &0 ) *&
Redes Neuronales Artificiales
)ij (n Q 0) N )ij (n) Q S F5-i F5-j ecu"(2"2)
,+&+$ A!licacin de la &eor(a al Objeto de 'studio
#as redes neuronales son una tecnologa computacional emergente que puede utilizarse en
un gran n4mero variedad de aplicaciones, tanto como comerciales como militares"
Ca muc(os tipos diferentes de redes neuronales, cada uno de los cuales tiene un aplicaci!n
particular m%s apropiada" 1epar%ndolas seg4n las distintas disciplinas algunos ejemplos de
sus aplicaciones son<
/iolog(a
Aprender m%s acerca del cerebro otros sistemas"
P a ( e &/ ) *&
Redes Neuronales Artificiales
Fbtenci!n de modelos de la retina"
'm!resa
Reconocimiento de caracteres escritos"
'dentificaci!n de candidatos para posiciones especficas"
Fptimizaci!n de plazas (orarios en lneas de vuelo"
E$plotaci!n de bases de datos"
Evaluaci!n de probabilidad de formaciones geol!gicas petrolferas"
1ntesis de voz desde te$to"
%edio Ambiente
Analizar tendencias patrones"
&revisi!n del tiempo"
2inan-as
&revisi!n de la evoluci!n de los precios"
Taloraci!n del riesgo de los cr>ditos"
'dentificaci!n de falsificaciones"
'nterpretaci!n de firmas"
%anufacturacin
P a ( e $% ) *&
Redes Neuronales Artificiales
Robots automatizados sistemas de control (visi!n artificial
sensores de presi!n, temperatura, gas, etc")
.ontrol de producci!n en lneas de proceso"
'nspecci!n de calidad"
Biltrado de se@ales"
%edicina
Analizadores del (abla para la auda de audici!n de sordos profundos"
;iagn!stico tratamiento a partir de sntomas Po de datos analticos
(encefalograma, etc")"
8onitorizaci!n en ciruga"
&redicci!n de reacciones adversas a los medicamentos"
#ectoras de Raos E"
Entendimiento de causa de ataques epil>pticos"
%ilitares
.lasificaci!n de las se@ales de radar "
.reaci!n de armas inteligentes"
Fptimizaci!n del uso de recursos escasos"
,+$ %arco +once!tual
,+$+& &abla de los Princi!ales +once!tos &ericos
P a ( e $& ) *&
Redes Neuronales Artificiales
,+* 'stado del Arte
.omo sabemos, en la actualidad se (a e$tendido el uso de las redes neuronales a m4ltiples
campos cientficos, incluida las finanzas" A pesar de este boom actual podemos centrar sus
orgenes en las primeras d>cadas del siglo EE"
0903 - 1" Rusell plantea una m%quina (idr%ulica basada en las redes neuronales,
aunque no fue (asta los a@os cuarenta cuando se plantearon matem%ticamente estos
modelos"
093: - Alan -uring" &recursor del estudio de la asimilaci!n de la computaci!n al
comportamiento del cerebro (umano"
09/3 - Harren 8c.ulloc( Halter &itts, neurofsico matem%tico respectivamente"
&roponen el primer modelo matem%tico de red neuronal" En este modelo, la red
neuronal no tena capacidad de aprendizaje"
09/9 - ;onald Cebb" &recursor en la e$plicaci!n del proceso de aprendizaje de las
neuronas" #a idea principal es que el aprendizaje se produce ante cambios que (acen
que una neurona se active" ;esarroll! un algoritmo de aprendizaje denominado
aprendizaje Cebbiano"
09DI - ,arl #as(le" Realiza diversas pruebas en las que determina que la
informaci!n no se almacena en el cerebro de forma centralizada si no que se
distribue por todo >l"
09D/ - 8arvin 8ins*" Fbtiene los primeros resultados con las redes neuronales
junto con ;ean Edmons con una m%quina con /I neuronas, aplicando los modelos
teoras de 8c.ulloc( &itts, incorporando adem%s el aprendizaje Cebbiano"
P a ( e $$ ) *&
Redes Neuronales Artificiales
09D: - .ongreso de ;artmout(" &rimer congreso cientfico sobre redes neuronales"
09DG - Bran* Rosenblatt" A partir de los trabajos de Albert 5ttle (09D:) sobre su
modelo llamado 'nformon, Rosenblatt desarrolla el &erceptron, uno de los modelos
m%s conocidos a la largo de la (istoria" 1e utiliza principalmente en el
reconocimiento de patrones" Este modelo es capaz de generalizar reconociendo
patrones similares a los que (aba aprendido previamente" 1in embargo una de sus
grandes limitaciones es su incapacidad para realizar clasificaciones de clases no
separables linealmente"
09D9 - Bran* Rosenblatt" Escribe el libro A&rincipios de Neurodin%micaU que trata
sobre c!mo aprende la red &ercptr!n"
09:I- 6ernard HidroffP8arcian Coff" ;esarrollan el modelo Adaline (Adaptative
#inear Elements)" Vste fue el primer modelo con una aplicaci!n a un problema real"
B4e usado para la eliminaci!n de los ecos en las lneas telef!nicas se utiliz!
durante varias d>cadas"
09:9 - 8arvin 8ins* P 1emour &apert" En su libro A&erceptronsU, plantean las
limitaciones de las capacidades del &erceptron" ;emostraron matem%ticamente que
no era capaz de resolver problemas relativamente f%ciles como el aprendizaje de una
funci!n no lineal, funciones mu empleadas en la computaci!n en muc(os
problemas reales"
09G/ - &aul Herbos" ;esarrolla el algoritmo de aprendizaje de propagaci!n (acia
atr%s (bac*propagation)"
09GG- 1tep(en 7rossberg" &lantea la teora de resonancia adaptada" 1e trata de una
arquitectura de red que se diferencia de las planteadas (asta la fec(a es capaz de
simular la memoria a largo corto plazo"
09J2-09JD - Wo(n Copfield" Escribe su libro A .omputaci!n neuronal de decisiones
en problemas de optimizaci!nU" ;escribe un sistema (modelo de Copfield) basado
P a ( e $* ) *&
Redes Neuronales Artificiales
en sistemas olfativos, obteniendo un modelo construido por elementos
interconectados que buscan un estado interno de mnima energa"
09J: - ;avid Rumel(art P7" Cinton" Redescubren desarrollan el algoritmo de
propagaci!n (acia atr%s (bac*propagation)"
09JJ X ;utta 1(e*(ar, Taloraci!n de bonos" '68, #a aplicaci!n de las redes
neuronales en el campo de las finanzas , concretamente, en temas de mercados
financieros, parten de un trabajo de H(ite (09JJ), en el que estudiaba el precio
diario de las acciones de '68
099I - -ripp Ca)le, estudian la toma de decisiones de inversi!n"
0992 - -am ,iang (0992) estudian las quiebras bancarias
0993 - 7rudnits*i Fsburn, estudian las cotizaciones de los contratos de futuros del
ndice 1Y& del oro
099D - Tapni*, algoritmo support vector net)or*s o supervector mac(ines (1T8)
2IIJ - #as Redes Neuronales Artificiales, #ibro escrito por Raquel Bl!rez #!pez,W
os> 8iguel Bern%ndez Bern%ndez
2II2 - Redes Neuronales Artificiales aplicadas al An%lisis de ;atos, ->sis doctoral
presentado por Wuan Wos> 8onta@o 8oreno en la 5niversidad de #as 'slas 6aleares"
#a tesis describe tres lneas de investigaci!n desarrolladas en los 4ltimos cinco a@os en
torno a la aplicaci!n de las redes neuronales artificiales en el %mbito del an%lisis de datos"
#os campos de aplicaci!n tratados son< el an%lisis de datos aplicado a conductas adictivas,
P a ( e $' ) *&
Redes Neuronales Artificiales
el an%lisis de supervivencia, el estudio del efecto de las variables de entrada en una red
neuronal"
2II9 - Automatic 1peec( and 1pea*er Recognition< #arge 8argin and ,ernel
8et(ods presentadi en Hile (2II9)
7oogle No) es un asistente personal inteligente desarrollado por 7oogle que est%
disponible dentro de la aplicaci!n para m!viles de 7oogle 1earc( para los sistemas
operativos Android e iF1 " 7oogle No) utiliza una interfaz de usuario de lenguaje natural
para responder preguntas, (acer recomendaciones realizar acciones mediante la
delegaci!n de las solicitudes a un conjunto de servicios )eb" Wunto con la respuesta a las
consultas iniciadas por el usuario, 7oogle ofrece a(ora de forma pasiva la informaci!n al
usuario que predice que va a querer, en funci!n de sus (%bitos de b4squeda" Bue incluido
por primera vez en Android /"0 (MWell 6eanM), que se lanz! el 9 de julio de 2I02, fue
soportado por primera vez en el tel>fono inteligente 7ala$ Ne$us" El servicio estuvo
disponible para iF1 desde el 29 de abril de 2I03, de una actualizaci!n de la aplicaci!n de
64squeda de 7oogle" &opular 1cience nombr! 7oogle No) la M'nnovaci!n del A@oM para
el 2I02"
2I02 - 7oogle, Tincent Tan(ouc*e" 7oogle No), 1iri" Esfuerzos de 7oogle en el
campo del reconocimiento de voz
2I0/ - 8icrosoft, 8i*e .alcagno" &ara mejorar a su asistente digital, 8icrosoft se
apoa en su motor de b4squedas 6ing"
Enero 2I02 X 1*pe -ranslator< .onte$t-;ependent &re-trained ;eep Neural
Net)or*s for #arge Tocabular 1peec( Recognition" Articulo presentado por
8icrosoft a 'EEE"
El trabajo que (o presenta la divisi!n de investigaci!n de 8icrosoft es el fruto de muc(os
a@os buscando una (erramienta no s!lo de traducci!n de te$to sino enfocada al (abla" El
reto (a sido crearla pero tambi>n perfeccionarla para que sea 4til no una mera
P a ( e $, ) *&
Redes Neuronales Artificiales
demostraci!n t>cnica de lo que se poda (acer" Zueran (acer algo que fuera 4til para las
personas, para quienes nos comunicamos da a da"
-odo empez! en un centro de investigaci!n en 6eijing donde se empezaron analizando
secuencias de conversaciones de 2/ (oras" .on el tiempo seg4n se refinaba la tecnologa
se iban procesando cadenas cada vez m%s larga para seguir mejorando la eficacia de este
sistema"
&asaron los a@os fue en 2I0I desarrollaron lo que se conoci! como -ranslating[
-elep(one" Bue la base para seguir avanzando en el proecto que tenan en mente tanto
1*pe como 8icrosoft para llevar a cabo su 4ltimo gran anuncio< un tel>fono que nos
permita (ablar con otra persona independientemente del idioma que (able"
8arzo 2I0/ - Baceboo* ;eepBace< .losing t(e 7ap to Cuman-#evel &erformance
in Bace Terification" &aper presentado por Baceboo* en su secci!n de publicaciones,
el trabajo se presentar% en la conferencia de .omputer Tision and &attern
Recognition"
#a red social est% desarrollando un sistema de reconocimiento facial que podr% identificar a
las personas a partir de fotografas con una precisi!n de 9G,2D\, reduciendo as un 2D\ de
error respecto al soft)are anterior"
El programa utiliza puntos de referencia 3;" &rimero corrige el %ngulo en que aparece el
rostro para que se pueda AverU de frente, luego genera un recorrido num>rico de la cara si
los algoritmos encuentran dos descripciones similares de dos im%genes diferentes conclue
que puede ser la misma persona" #a red inclue m%s de 02I millones de par%metros con
capas conectadas localmente"
&ara probar el desarrollo los investigadores (an tomado el conjunto de datos de m%s cuatro
millones de im%genes de /III personas, lo que significa que cada identidad tuvo un
promedio de m%s de un millar de muestras para las pruebas" ]aniv -aigman, uno de los
investigadores e$plic! al 8'- -ec(nolog Revie) que el soft)are se est% acercando a la
P a ( e $- ) *&
Redes Neuronales Artificiales
misma capacidad (umana de reconocer rostros, que tiene una media de precisi!n de
9G,D3\" -aigman creo Bace"com en 2IIG, adquirida por Baceboo* (ace un par de a@os"
#os algoritmos de ;eepBace suelen (acer el an%lisis de la distancia entre los ojos la nariz,
tanto en im%genes de perfil como en las etiquetadas" -ambi>n se (a testeado con >$ito para
la verificaci!n facial en videos de ]outube, un reto superado a que los p$eles de un video
son m%s difciles de comparar que los de una fotografa concreta"
El soft)are de reconocimiento facial m%s actual luc(a con im%genes que no incluen vistas
frontales claras de sus sujetos" Ese no es el caso con ;eepBace, que crea modelos 3; de
los rostros en fotografas despu>s los analiza por medio de tecnologa de inteligencia
artificial conocida como Aaprendizaje profundoU
'nvestigaciones en universidades
'nvestigadores del ;epartamento de 'nform%tica de la 5niversidad &ablo de Flavide (de
1evilla) del N-2 #abs - Ni*ola -esla Ne) -ec(nolog #abs de .(ile (an aplicado
t>cnicas basadas en la minera de datos para el descubrimiento de patrones en series
temporales de origen ssmico, as poder predecirlos prevenirlos"
0 +onclusiones
En base a la investigaci!n (ec(a, (emos llegado a la conclusi!n de que #as redes
neuronales artificiales(RNA), en el mejor de los casos no podr% emular completamente el
funcionamiento del cerebro, dada la complejidad que tiene su estructura al presentar un
estimado de 0I00 neuronas una intercone$i!n entre ellas de orden 0I0D"
#as redes neuronales es un medio creado por el (ombre para dar un nuevo paso (acia la
perfecci!n siempre buscando una forma de facilitar su propia e$istencia" 7racias a la
implementaci!n de m%quinas m%s sofisticadas que adem%s de cumplir funciones mec%nicas,
puedan aprender a realizar nuevas tareas, gracias al aprendizaje con esto a la
e$perimentaci!n" .aractersticas propias del ser (umano, es decir dar m%s (umanidad a una
m%quina"
1 Recomendaciones
1.1 &emas !ara 2uturas Investigaciones
P a ( e $. ) *&
Redes Neuronales Artificiales
5tilizar%n mol>culas RNA para crear una vacuna contra el sida
8icroRNAs en el c%ncer< de la investigaci!n a la pr%ctica clnica
3 Referencias documentales
R,A7?R8PO I@IA7R,A7':&R8+&8RA
^___I0 - &resentaci!n
^___I2 - Arc(ivos adicionales
` ^___I0 - -esis
` ` ^___isaias
` ` ^___joel
` ` a___jorge
` ^___I2 - &aper
` ` ^___isaias
` ` a___Wuan
` ^___I3 - 6log
` ` ^___isaias
` ` a___joel
` a___ID - Heb
` ^___Woel
` ^___Wuan
` a___8a$
^___I3 - ;ocumento Hord
^___I/ - Tideos
` ^___joel
` a___Wuan
a___ID - Aplicaciones
^___Wuan
` a___jlopezibRedNeural
` ^___6ac*up
` ^___bin
` ` ^___;ebug
` ` a___Release
` ^___obj
` ` a___;ebug
` ` a___-emp&E
` a___b5pgradeReportbBiles
a___8a$
^___java-redesNeuronales-master
` ^___build
` ` a___classes
` ` ^___8E-A-'NB
` ` ` a___services
` ` a___redesneuronales
P a ( e $0 ) *&
Redes Neuronales Artificiales
` ` a___resources
` ` a___busicons
` ^___dist
` ` ^___javadoc
` ` ` ^___inde$-files
` ` ` ^___redesneuronales
` ` ` ` a___class-use
` ` ` a___resources
` ` a___lib
` ^___lib
` ` ^___.op#ibs
` ` a___WH1Ant-as*s
` ^___nbproject
` ` ^___configs
` ` a___private
` a___src
` ^___8E-A-'NB
` ` a___services
` a___redesneuronales
` a___resources
` a___busicons
a___RedesNeuronalesb1oloWava
^___build
` a___classes
` ^___8E-A-'NB
` ` a___services
` a___redesneuronales
` a___resources
` a___busicons
^___dist
` a___lib
^___lib
` ^___.op#ibs
` a___WH1Ant-as*s
^___nbproject
` ^___configs
` a___private
a___src
^___8E-A-'NB
` a___services
a___redesneuronales
a___resources
a___busicons
P a ( e $/ ) *&
Redes Neuronales Artificiales
4 /ibliograf(a
(ttp<PP)))"frro"utn"edu"arPrepositorioPcatedrasPquimicaPDbanioPorientadora0PmonograiasPm
atic(-redesneuronales"pdf
(ttp<PPinteligenciaartificialudb"blogspot"comP2IIJPI0Predes-neuronales"(tml
(ttp<PP)))"ulpgc"esP(egePalmacenPdo)nloadP3JP3JDJ/Ppracticabiab2"pdf
(ttp<PP)))"slides(are"netPC6I9Predes-neuronales-0D0/:D0
(ttp<PP)))"slides(are"netPguestbedfba9dPredes-neuronales-0D0/2//
(ttp<PP)))"slides(are"netPguest99I:/D:0Predes-neuronales-0D03G32
(ttp<PP)))"slides(are"netPn(esusrzPia-redes-neuronales
(ttp<PPavellano"fis"usal"esPclalonsoPRNAPinde$"(tm
(ttp<PP)))"td$"catPbitstreamP(andleP0IJI3P9//0Ptjjmm0de0"pdf+jsessionidNAID.;I669:
G:J/03DEI0I0:BE6A2IJ99"td$2?sequenceN0
(ttp<PPprezi"comPrcpet$0m(i)Pagentes-inteligentes-redes-neuronalesP
(ttp<PPes")i*ipedia"orgP)i*iPRedbneuronalbartificial
(ttp<PPavellano"fis"usal"esPclalonsoPRNAPinde$"(tm
(ttp<PP)))"slides(are"netParmandorobPinteligencia-artificial-redes-neuronales
(ttp<PPt(ales"cica"esPrdPRecursosPrd9JP-ec'nfoPIGPcapitulo3"(tml
(ttp<PPinfo"fisica"uson"m$Parnulfo"castellanosParc(ivosb(tmlPquesonredneu"(tm
(ttp<PPadvancedtec(")ordpress"comP2IIGPIJP30Ptopologias-de-redes-neuronalesP
(ttp<PP)))"monografias"comPtrabajosPredesneuroPredesneuro"s(tmldi$zz33(GFo3n'

P a ( e *% ) *&

Вам также может понравиться