Introduccin

El cerebro humano es el sistema de clculo

ms complejo que conoce el hombre.
La computadora y el hombre realizan bien
diferentes clases de tareas.
As la operacin de reconocer el rostro de
una persona resulta una tarea
relativamente sencilla para el hombre y
difcil para la computadora.
Mientras que la contabilidad de una
empresa es tarea costosa para un experto
contable y una sencilla rutina para una
computadora.
 Introduccin

Las Redes Neuronales Artificiales, ANN

(Artificial Neural Networks) estn
inspiradas en las redes neuronales
biolgicas del cerebro humano. Estn
constituidas por elementos que se
comportan de forma similar a la neurona
biolgica en sus funciones ms comunes.
 Caractersticas
Las ANN presentan una serie de
caractersticas propias del cerebro.
Por ejemplo las ANN aprenden de la
experiencia, generalizan de ejemplos
previos a ejemplos nuevos.
Aprender: adquirir el conocimiento de
una cosa por medio del estudio, ejercicio o
experiencia. Las ANN pueden cambiar su
comportamiento en funcin del entorno. Se
les muestra un conjunto de entradas y ellas
mismas se ajustan para producir unas
salidas consistentes.
 Caractersticas
Generalizar: extender o ampliar una cosa.
Las ANN generalizan automticamente
debido a su propia estructura y naturaleza.
Estas redes pueden ofrecer, dentro de un
margen, respuestas correctas a entradas
que presentan pequeas variaciones
debido a los efectos de ruido o distorsin.
Estructura bsica
 Estructura bsica
En las Redes Neuronales Artificiales, ANN,
la unidad anloga a la neurona biolgica
es el elemento procesador, PE (process
element) o PERCEPTRON.
Un elemento procesador tiene varias
entradas y las combina, normalmente con
una suma bsica.
La suma de las entradas es modificada
por una funcin de transferencia y el valor
de la salida de esta funcin de
transferencia se pasa directamente a la
salida del elemento procesador.
Estructura bsica
 Estructura bsica
Una red neuronal consiste en un conjunto de
unidades elementales PE conectadas de una
forma concreta.
El inters de las ANN no reside solamente en
el modelo del elemento PE sino en las formas
en que se conectan estos elementos
procesadores.
Generalmente los elementos PE estn
organizados en grupos llamados niveles o
capas.
Una red tpica consiste en una secuencia de
capas con conexiones entre capas adyacentes
consecutivas.
Estructura bsica
 Aprendizaje y
entrenamiento
La ANN tiene un criterio de aprendizaje un
tanto acotado ya que solo puede determinar
valores objetivos y directos a nuestros
valores de entrada.
Por ello se pueden emplear los siguientes
criterios para su aprendizaje:
Supervisado: Un humano le indica si el
aprendizaje es correcto (Usarlo) o incorrecto
(No volver a usarlo).
No Supervisado: El sistema es capaz de
auditar sus propias conclusiones (Esquema de
comprobacin).
Hbridas: Una mezcla entre supervisados y no
supervisados.
 Clculo
Clculo

Cada procesador recibe una serie de entradas

ei pi 0 pij y j pij : peso de la conexin

j de procesadori a
Puede considerarse
asociado a y01
procesador j
y calcula su salida
1

yi tanh(ei )
0.5

0
-2 -1 0 1 2
-0.5
A fn a la logstica
-1
 Clculo
Clculo
e 0.4 0.5 0.1 0.7 0.9 1.08
y tanh 1.08 0.793

-0.793 0.521 -0.055

-0.4
0.5

0.7

-0.1 -0.9
Perceptrn
Perceptrn multicapa
multicapa --
Clculo
Clculo
e 0.2 0.3 0.793 0.6 0.521 0.6 0.055 0.092
y tanh 0.092 0.092

-0.2 -0.092
3
0. 0.6 -0.6
-0.793 0.521 -0.055

-0.1 -0.9
 Respuesta
Respuesta

0.5
e p0 p1 x1 p2 x2
0
-2 -1 0 1 2
-0.5

-1
-1

1
 Respuesta
Respuesta
1
1

-1
0
0 1
1,-1
-1
-1,-1
-1
1,1

-1,1
 Ejemplo
Si uno desea determinar si un cliente, el
cual est preguntando por la solicitud de
un crdito, es un buen candidato, se
podran tomar en consideracin variables
o atributos tales como antecedentes de
crditos, pasivo, garantas y ganancias.
Las variables o atributos pertenecientes a
un cliente especfico son las entradas al
proceso de decisin. El resultado de tal
proceso podra ser una decisin similar a
la siguiente: cliente bueno o cliente
malo
 Ejemplo

Abreviac Nombre Valores

in
Mala
Historia de
A1 Conocida
crditos
Buena
Alto
A2 Pasivo
Bajo
Ninguna
A3 Garanta
Adecuada
1 (baja)
A4 Ganancia 2 (adecuada)
3 (alta)
 Ejemplo
0 es un cliente bueno, 1 uno promedio y 2 uno
malo.
No. A1 A2 A3 A4 Clase
01 Malo Alto Ninguno 1 2
02 Conocido Alto Ninguno 2 2
03 Conocido Bajo Ninguno 2 1
04 Conocido Bajo Ninguno 1 2
05 Conocido Bajo Ninguno 3 0
06 Conocido Bajo Adecuado 3 0
07 Malo Bajo Ninguno 1 2
08 Malo Bajo Adecuado 3 1
Ejemplo

No. A1 A2 A3 A4 Clase
09 Bueno Bajo Ninguno 3 0
10 Bueno Alto Adecuad 3 0
o
11 Bueno Alto Ninguno 1 2
12 Bueno Alto Ninguno 2 1
13 Bueno Alto Ninguno 3 0
14 Bueno Alto Ninguno 2 2