Documente Academic
Documente Profesional
Documente Cultură
Breve resea sobre las redes neuronales artificiales con sus elementos,
aprendizaje y aplicaciones en la computacin.
David Ceciliano, Elizabeth Gamboa, Maricel Monge
UCR
1. Resumen
Durante la historia de la computacin, el ser humano ha querido implementar modelos
computaciones
similares
al
comportamiento
del
cerebro
humano.
Sin embargo, por la poca informacin acerca de este tema ha causado que el desarrollo
de esta nueva investigacin sea pausado. Empero, lo propuesto por McCulloch y Pitts
con respecto a un nuevo modelo computacional conlleva a un nuevo comienzo en la
rama de la computacin: las redes neuronales artificiales.
Las redes neuronales artificiales poco a poco toma fuerza en el campo cientficocomputacional, lo cual, implica que mucho investigadores desarrollen modelos o redes
neuronales artificiales.
Ahora bien, la presente investigacin abarca este nuevo inters en el campo de la
ciencia y la computacin al definir el concepto de las redes neuronales
computacionales, as como tambin los elementos que implican este tema, el
aprendizaje y sus aplicaciones.
2. Introduccin
Desde un principio, la humanidad se ha interesado en el comportamiento del uno de los
rganos ms importantes del ser humano, el cerebro.
El cerebro humano es el sistema de clculo ms complejo que conoce el hombre, ya
que realiza una gran cantidad de funciones, de tal manera que se puede afirmar este
rgano se encarga tanto de regular y mantener las funciones del cuerpo como de ser
el rgano donde reside la mente y la conciencia del individuo. Asimismo, el cerebro se
puede catalogar como un sistema complejo, no lineal y paralelo.
Por ende, lo anterior provoca que el ser humano estudie o investigue acerca de las
funcionalidades del cerebro y aplicarlas tambin en otros campos, tal como la
computacin. Sin embargo, el reconocimiento de formas, tomas de decisiones,
resoluciones de problemas complejos no pueden ser descritos fcilmente mediante un
1
[1] Adaptative Linear Elements es el primer modelo implementado para resolver problemas como
filtros adaptativos para eliminar interrupciones en la lnea telefnica.
[2] Parallel Distributed Processing.
.
2
[1] Adaptative Linear Elements es el primer modelo implementado para resolver problemas como
filtros adaptativos para eliminar interrupciones en la lnea telefnica.
[2] Parallel Distributed Processing.
.
3.4. Aprendizaje
Las redes neuronales tienen dos principales formas de adquirir conocimiento basadas
en sus experiencias, es decir, de aprender.
3.5. Aplicaciones
Se pueden describir tres tipos de aplicaciones para las redes neuronales: las
aplicaciones candidatas, las aplicaciones en desarrollo y las aplicaciones demostradas.
Las primeras consisten en problemas que pueden resolverse con esta tecnologa, pero
que an no han sido probados. Las aplicaciones en desarrollo son las que estn
pruebas, y ya se tiene un prototipo de red que pueda aplicrsele al problema. Las
aplicaciones ya demostradas son en las que ya estn siendo utilizadas, incluso
comercialmente, para resolver diferentes tipos de problemas (Basogain, 2008).
Por ejemplo, el modelo de Widrow y Hoff de 1960, ADELINE, es utilizado para el diseo
y la creacin de filtros de ruido, para eliminarlo en diferentes tipos de seales portadoras
de informacin, y de mdems. La Red de Backpropgation es utilizada en el proyecto de
la mquina de escribir neural fontica (Sotolongo y Guzmn, 2001).
El modelo de los mapas auto-organizados ha sido aplicado en software tales como el
Viscovery SOMine (C). Este software, lo define su pgina web, es una aplicacin de
escritorio para la minera de datos exploratoria. Es de los ms potentes del mercado
debido a la gran cantidad de variables que puede manejar, y la cantidad de informacin
que puede representar (VAUTRON RECHENZENTRUM AG, 2013).
Las redes neuronales y el software de aprendizaje han alcanzado niveles tan
avanzados de aplicacin, que, segn Jeff Dean y Andrew Ng de Google, las usamos
docenas de veces al da sin darnos cuenta. La mquina de escribir fontica es usado
en software de reconocimiento de voz; incluso los filtros modernos de spam utilizan
redes neuronales (Dean & Ng, 2012).Una de las aplicaciones ms modernas e
impresionantes de las redes neuronales es el Google Brain. Este es un experimento a
larga escala de Google, que usa el poder de 16 000 procesadores, para lograr una red
neuronal mucho ms eficiente y con infinitas utilidades (Deep Learning, 2012). Pretende
utilizar informacin sin identificar (unlabeled data) para lograr el aprendizaje. Con esta
red, se utilizaran imgenes diferentes y al azar, sin etiquetar, y la red por s sola
empezara a reconocer algunos objetos dentro de imgenes e incluso videos.
Fig.5. FGoogle brain ha logrado reconocer patrones de rostros humanos y felinos. (Google, 2013).
9
4. Conclusiones
David Ceciliano Snchez:
Dentro de la sociedad que hemos logrado alcanzar a travs de los aos, la tecnologa
se vuelve cada vez ms esencial, y sinnimo de progreso, provocando un vertiginoso
aceleramiento en las contribuciones cientficas recientes, rayando ya el lmite, de lo que
se sola llamar ciencia ficcin. Las redes neuronales son parte de este tipo de
innovacin, que desafa los lmites de la imaginacin. El darle la capacidad a un ser
inerte de aprender, suena como una buena trama, para una pelcula futurstica. Pero es
real, gracias apersonas adelantadas a su tiempo, y todos sus conocimientos, sus
brillantes ideas puestas juntas, es que se logra iniciar una revolucin en la forma en que
vemos a las computadoras, para as, vernos todos beneficiados de lo inimaginable.
Elizabeth Gamboa Bermdez:
A pesar de que el conocimiento de las redes neuronales fue un poco desapercibido,
poco a poco ste fue evolucionando con el inters de los investigadores para desarrollar
modelos computacionales similares al del cerebro humano.
Dicha idea de llegar a cmo se comporta un cerebro causa que ideas o nuevos modelos
de redes neuronales artificiales se presenten al mundo, desafiando el comportamiento
lineal y secuencial de las computadoras.
Sin embargo, conforme pase el tiempo se han creado modelos importantes que poco a
poco se acerca al objetivo de las redes neuronales. Adems, actualmente se estn
implementando redes neuronales artificiales con el desconocimiento de muchas
personas (por ejemplo Google Brain). Empero, estas aplicaciones de las redes
neuronales an le faltan ms desarrollo para cumplir con el objetivo de las redes
neuronales artificiales, por lo que, en un futuro se espera implementar una red neuronal
artificial completa.
Maricel Monge:
Las redes neuronales han tenido un importante auge en los ltimos aos, gracias a los
avances obtenidos mediante diferentes investigaciones, todo con el propsito de
recrear artificialmente el funcionamiento del cerebro humano. El inters de conocer este
rgano es saber cmo recibe y procesa la informacin, para ser emitida a las tareas en
las que se solicita.
Las distintas aplicaciones que se resuelvan mediante redes neuronales, deberan
enfocar sus esfuerzos en la investigacin de nuevas tcnicas de aprendizaje de las
neuronas, ya que los mtodos con los que ahora se cuenta, funcionan pero a largo
10
plazo o para proyectos ms grandes se podran considerar como obsoletos, ya que sus
mtodos son lentos.
A pesar de esto los avances que se puedan tener en el desarrollo de las redes
neuronales artificiales en los prximos aos se ver con respecto hacia donde vayan
dirigidas las investigaciones, es decir si se plantearan nuevos conocimientos a partir de
ms investigacin en el cerebro humano o nuevas prcticas para el aprendizaje de sus
elementos o simplemente en el descubrimiento de conocimiento a travs de la creacin
de aplicaciones y lo que resulte con ellas.
Bibliografa
1. Andrade Tepn, (2013). Estudio de los principales tipos de redes neuronales y las
herramientas para su aplicacin. Ecuador: Universidad Politcnica Salesiana. Tomado de:
http://dspace.ups.edu.ec/bitstream/123456789/4098/1/UPS-CT002584.pdf
2. Basogain Olabe, X. (2008). Redes neuronales artificiales y sus aplicaciones. Bilbao, Espaa:
Universidad del Pas Vasco.
3. Brookshear, J., & Smith, D. (2012). Artificial Intelligence. In Computer science: An
overview(11th ed.). Boston: Addison-Wesley.
4. Coppin, B. (2004). Artificial intelillence iluminated. (1 ed., Vol. 1, p. 316). Canada: Jones and
Bartlett Publishers.
5. Dean, J., & Ng, A. (2012, June 26). [Web log message]. Retrieved from
http://googleblog.blogspot.com/2012/06/using-large-scale-brain-simulations-for.html
6. Deep Learning. (2012, December 13). Googles large scale deep learning experiments.
Retrieved from http://deeplearning.net/tag/google-brain/
7. Gestal Pose, (2013). Introduccin a las Redes de Neuronas Artificiales. Espaa:
Universidade
da
Corua.
Tomado
de:
http://sabia.tic.udc.es/mgestal/cv/RNAtutorial/TutorialRNA.pdf
8. Hebb, D. O. (1949). The organization of behavior: a neuropsychological theory. New York:
Wiley and Sons.
9. Matich, D. J. (2001). Redes neuronales: Conceptos bsicos y aplicaciones.. Rosario :
Universidad Tecnolgica Nacional. DOI
10. Pelaz Chvez, N. (2012). Aprendizaje no supervisado y el algoritmo wake-sleep en redes
neuronales. HUAJUAPAN DE LEON, OAXACA.: UNIVERSIDAD TECNOLOGICA DE LA
MIXTECA. Retrieved from http://jupiter.utm.mx/~tesis_dig/11612.pdf
11. Raquel Flrez Lpez y Jos Miguel Fernndez. (2008). Las Redes Neuronales Artificiales.
Fundamentos Tericos y Aplicaciones Prcticas. Espaa: Gesbiblo S.L.
12. Ral Pino Dez, Alberto Gmez Gmez, Nicols de Abajo Martnez. (2001). Introduccin a
la Inteligencia Artificial: Sistemas Expertos, Redes Neuronales y Computacin Evolutiva.
Espaa: Universidad de Oviedo.
13. Sotolongo, G., & Guzmn, M. V. (2001). Aplicaciones de las redes neuronales: el caso de la
biliometra. Informally published manuscript, Ciencias de la Informacin, UNAM, Distrito
Federal, Mxico.
14. Teuvo Kohonen. (n.d.). Retrieved November 23, 2014, from http://users.ics.aalto.fi/teuvo/
15. VAUTRON RECHENZENTRUM AG. (2013). Viscovery somine 6. Retrieved from
http://www.viscovery.net/somine/
11