UNIVERSIDAD NACIONAL JOS MARA ARGUEDAS

FACULTAD DE INGENIERA
ESCUELA PROFESIONAL DE INGENIERA DE SISTEMAS

TRABAJO BIBLIOGRAFICO
REDES NEURONALES

CURSO

Inteligencia Artificial

DOCENTE

Candia

AUTOR

Medina Arce Antony Kevin

ANDAHUAYLAS APURMAC
PER
JULIO, 2015

TABLA DE CONTENIDOS
Pg.

TABLA DE CONTENIDOS.................................................................................. 2
LISTA DE IMGENES........................................................................................ 2
1.

INTRODUCCION....................................................................................... 3
1.1. BREVE HISTORIA............................................................................. 4
1.2. APLICACIONES DE LAS REDES NEURONALES..................................5
1.3. IMPLEMENTACION EN APLICACIONES..............................................5

2.

FUNCIONAMIENTO BASICO......................................................................5

2.1. NEURONAS Y CONEXIONES.............................................................6

2.2. TIPOS DE APRENDIZAJE BASICO......................................................8
3.

Red neuronal artificial............................................................................. 9

3.1. DISEO Y PROGRAMACIN DE UNA RNA........................................9
3.2. ESTRUCTURA................................................................................ 10
3.3. VENTAJAS...................................................................................... 10

LISTA DE IMGENES
Pg.

Ilustracin 1: Esquema de una red neuronal.......................................................................6

Ilustracin 2: Un ejemplo de una neurona...........................................................................7
Ilustracin 3: Neuronas bias y su peso sinptico asociado..................................................8

REDES NEURONALES
1. INTRODUCCION

Las redes neuronales son un elemento importante de las denominadas tecnologas de Inteligencia
Artificial (IA). La IA es "la disciplina cientfica y tcnica que se ocupa del estudio de las ideas que
permiten ser inteligentes a los ordenadores" (definicin de H. Winston).
Otra posible definicin de la IA sera: rama de la computacin que se encarga, entre otras cosas,
de los problemas de percepcin, razonamiento y aprendizaje en relacin con sistemas artificiales, y
que tiene como reas de investigacin a los sistemas expertos y de conocimiento, la robtica, los
lenguajes naturales y las redes neuronales.
Y a pesar de que el objetivo final de la IA, dotar de autentica inteligencia a las mquinas, queda
todava muy lejos (e incluso hay autores que defienden que esto nunca ser posible), la ciencia de
la Inteligencia Artificial ha generado numerosas herramientas prcticas, entre las que se
encuentran las redes neuronales.
Las redes neuronales, tambin llamadas "redes de neuronas artificiales", son modelos bastante
simplificados de las redes de neuronas que forman el cerebro. Y, al igual que este, intentan
"aprender" a partir de los datos que se le suministran.
As, las principales caractersticas que diferencian a las redes neuronales de otras tecnologas de
IA son:
Su capacidad de aprendizaje a partir de la experiencia (entrenamiento). Normalmente, para la
elaboracin de un programa informtico es necesario un estudio detallado de la tarea a realizar
para despus codificarla en un lenguaje de programacin. Pero, las redes neuronales pueden ser
entrenadas para realizar una determinada tarea sin necesidad de un estudiar est a fondo ni
programarla usando un lenguaje de programacin. Adems; las redes neuronales pueden volver a
entrenarse para ajustarse a nuevas necesidades de la tarea que realizan, sin tenerse que reescribir
o revisar el cdigo (cosa frecuente en programas tradicionales).
Su velocidad de respuesta una vez concluido el entrenamiento. Se comportan tambin en este
caso de manera similar a como lo hace el cerebro: los seres humanos no necesitamos pensar
mucho para identificar un objeto, una palabra,... una vez hemos aprendido a hacerlo.

Su robustez, en el sentido de que el conocimiento adquirido se encuentra repartido por toda la red,
de forma que si se lesiona una parte se continan generando cierto nmero de respuestas
correctas (en este caso tambin hay cierta analoga con los cerebros parcialmente daados).

1.1.

BREVE HISTORIA
La era moderna de las redes neuronales se cree que comenz en 1943 gracias a
McCullough y Pitts, quienes describieron el clculo lgico de las redes neuronales y
perfilaron el primer mdulo formal de una neurona elemental.
En la dcada de los cincuenta, Minsky comienza a construir la primera neurocomputadora
(basada en modelos de redes neuronales que imitan al cerebro).
En 1962, Frank Rosenblatt presenta los resultados de una mquina a la que denomin
"Perceptrn", la cual reproduca una estructura neuronal muy simplificada, capaz de
aprender a reconocer y clasificar determinadas figuras.
En la misma dcada, Minsky y Pappert (autoridades de la IA clsica) publicaron un libro en el
que se ponan de manifiesto las limitaciones de los perceptrones de una capa. Esto har que
se pierda inters en el campo de las redes neuronales hasta la dcada de los 80, en que el
estudio de nuevas arquitecturas de redes y la mayor potencia de los ordenadores permiten el
diseo de redes muy eficientes en tareas en las que otros procedimientos de tipo simblico
encuentran dificultades.
As, en 1982 J. Hopfield describe las "redes de Hopfield" en las que se utilizan funciones de
energa para entender las redes dinmicas. Cohen y Grossberg desarrollan en el 83 el
principio de la memoria direccional. En 1986 Rumulhart, Hunton y Williams redescubren el
algorismo de "back-propagation" (desarrollado en 1974 por Paul Werbor) para el aprendizaje
de redes neuronales. Por estas fechas, y gracias a las nuevas tecnologas de fabricacin de
microchips, comienzan a construirse redes neuronales implementadas en silicio (mucho ms
rpidas que las de software).
Actualmente, el uso de redes neuronales se ha extendido bastante en el mercado de
software domstico, dejando de estar restringidas a los entornos de investigacin y a las
grandes empresas. De esta forma, se pueden encontrar modelos de redes neuronales en
programas de reconocimiento de voz, en juegos de ordenador, programas de contabilidad,
tutores, y muchos otros.

1.2.

APLICACIONES DE LAS REDES NEURONALES

Las caractersticas de las redes neuronales hacen que sus posibles aplicaciones sean muy
amplias.
Algunas de las aplicaciones ms destacadas son:

Reconocimiento de patrones de clasificacin:

Reconocimiento de voz, de caracteres manuscritos, Anlisis y reconocimiento de
imgenes, formas o Diagnstico clnico.

Anlisis de series temporales y prediccin:

Modelos meteorolgicos. Prediccin del comportamiento, Prediccin de series
temporales.

Robtica, Etc.

Se ven as las amplias posibilidades que permite esta tecnologa, ya al alcance de cualquier
programador.

1.3.

IMPLEMENTACION EN APLICACIONES
A la hora de implementar una red neuronal como parte de un programa o sistema
informtico, se pueden distinguir 3 fases bsicas:

Diseo: en esta fase se elige el tipo de red neuronal a usar (la arquitectura o
topologa), el nmero de neuronas que la compondrn.

Entrenamiento: en esta fase se le presentan a la red neuronal una serie de datos

de entrada y datos de salida (resultados), para que a partir de ellos pueda
aprender.

Uso: se le suministran las entradas pertinentes a la red, y esta genera las salidas
en funcin de lo que ha aprendido en la fase de entrenamiento.

2. FUNCIONAMIENTO BASICO
Las redes neuronales estn formadas por un conjunto de neuronas artificiales interconectadas.
Las neuronas de la red se encuentran distribuidas en diferentes capas de neuronas, de manera
que las neuronas de una capa estn conectadas con las neuronas de la capa siguiente, a las que
pueden enviar informacin.

La arquitectura ms usada en la actualidad de una red neuronal (como la presentada en la figura 1)

consistira en:

Una primera capa de entradas, que recibe informacin del exterior.

Una serie de capas ocultas (intermedias), encargadas de realizar el trabajo de la red.

Una capa de salidas, que proporciona el resultado del trabajo de la red al exterior

Ilustracin 1: Esquema de una red neuronal antes del entrenamiento. Los circuitos
representan neuronas, mientras las flechas representan conexiones entre las neuronas.
El nmero de capas intermedias y el nmero de neuronas de cada capa depender del tipo de
aplicacin al que se vaya a destinar la red neuronal.

2.1.

NEURONAS Y CONEXIONES
Cada neurona de la red es una unidad de procesamiento de informacin; es decir, recibe
informacin a travs de las conexiones con las neuronas de la capa anterior, procesa la
informacin, y emite el resultado a travs de sus conexiones con las neuronas de la capa
siguiente, siempre y cuando dicho resultado supere un valor "umbral".
En una red neuronal ya entrenada, las conexiones entre neuronas tienen un determinado
peso ("peso sinptico").

Un ejemplo de una neurona sobre la que convergen conexiones de diferente peso sinptico
(Wi) sera el de la figura 2:

Ilustracin 2: Un ejemplo de una neurona sobre la que convergen conexiones de diferente

peso sinptico.

El procesamiento de la informacin llevado a cabo por cada neurona Y, consiste en

una funcin (F) que opera con los valores recibidos desde las neuronas de la capa anterior
(Xi, generalmente 0 o 1), y que tiene en cuenta el peso sinptico de la conexin por la que
se recibieron dichos valores (Wi). As, una neurona dar mas importancia a la informacin
que le llegue por una conexin de peso mayor que no a aquella que le llegue por una
conexin de menor peso sinptico.
Un modelo simple de la funcin F seria:

Si el resultado de la funcin F es mayor que el valor umbral (U), la neurona se activa y emite
una seal (1) hacia las neuronas de la capa siguiente. Pero, si por el contrario,
el resultado es menor que el valor umbral, la neurona permanece inactiva (0) y no enva
ninguna seal:

De esta forma, definido un conjunto inicial de pesos en las conexiones, al presentar un

"estmulo" (conjunto de ceros y unos que representa un dato, perfil u objeto) a la capa de
entradas, cada neurona en cada capa realiza la operacin descrita anteriormente,

activndose o no, de manera que al final del proceso las neuronas de la capa de
salidas generan un resultado (otro conjunto de ceros y unos), que puede coincidir o no con el
que se desea asociar el estmulo.
En el entrenamiento de una red neuronal tanto el peso sinptico de las conexiones como
el valor umbral para cada neurona se modifican (segn un algoritmo de aprendizaje), con el
fin de que los resultados generados por la red coincidan con (o se aproximen a) los
resultados esperados.
Y para simplificar el sistema de entrenamiento, el valor umbral (U) pasa a expresarse como
un peso sinptico ms (-W0), pero asociado a una neurona siempre activa (X0).
Esta neurona siempre activa, se denomina "bias", y se sita en la capa anterior a la
neurona Y, tal como se muestra en la figura 3.

Ilustracin 3: Neuronas bias y su peso sinptico asociado

As, la condicin de activacin puede reescribirse como:

De esta manera el algoritmo de aprendizaje puede ajustar el umbral como si ajustara

un peso sinptico ms.

2.2.

TIPOS DE APRENDIZAJE BASICO

Para poder aprender, las redes neuronales se sirven de un algoritmo de aprendizaje.
Estos algoritmos estn formados por un conjunto de reglas que permiten a la red
neuronal aprender (a partir de los datos que se le suministran), mediante la modificacin de
los pesos sinpticos de las conexiones entre las neuronas (recordar que el umbral de cada
neurona se modificar como si fuera un peso sinptico ms).

Generalmente los datos que se usan para entrenar la red se le suministran de manera
aleatoria

secuencial.

Los tipos de aprendizaje pueden dividirse bsicamente en tres, atendiendo a como

esta guiado este aprendizaje:

Aprendizaje supervisado: se introducen unos valores de entrada a la red, y los

valores de salida generados por esta se comparan con los valores de salida
correctos. Si hay diferencias, se ajusta la red en consecuencia.

Aprendizaje de refuerzo: se introducen valores de entrada, y lo nico que se le

indica a la red si las salidas que ha generado son correctas o incorrectas.

Aprendizaje no supervisado: no existe ningn tipo de gua. De esta manera lo

nico que puede hacer la red es reconocer patrones en los datos de entrada y
crear categoras a partir de estos patrones. As cuando se le entre algn dato,
despus del entrenamiento, la red ser capaz de clasificarlo e indicar en que
categora lo ha clasificado.

3. RED NEURONAL ARTIFICIAL

Las redes de neuronas artificiales (denominadas habitualmente como RNA o en ingls como:
"ANN"1 ) son un paradigma de aprendizaje y procesamiento automtico inspirado en la forma en
que funciona elsistema nervioso de los animales. Se trata de un sistema de interconexin
de neuronas que colaboran entre s para producir un estmulo de salida. En inteligencia artificial es
frecuente referirse a ellas como redes de neuronas o redes neuronales.

3.1.

DISEO Y PROGRAMACIN DE UNA RNA

Con un paradigma convencional de programacin en ingeniera del software, el objetivo del
programador es modelar matemticamente (con distintos grados de formalismo) el problema
en

cuestin

posteriormente

formular

una

solucin

(programa)

mediante

un algoritmo codificado que tenga una serie de propiedades que permitan resolver dicho
problema. En contraposicin, la aproximacin basada en las RNA parte de un conjunto de
datos de entrada suficientemente significativo y el objetivo es conseguir que la
redaprenda automticamente las propiedades deseadas. En este sentido, el diseo de la red
tiene menos que ver con cuestiones como los flujos de datos y la deteccin de condiciones,

10

y ms que ver con cuestiones tales como la seleccin del modelo de red, la de las variables
a incorporar y el pre-procesamiento de la informacin que formar elconjunto de
entrenamiento. Asimismo, el proceso por el que los parmetros de la red se adecuan a la
resolucin de cada problema no se denomina genricamente programacin sino que se
suele denominar entrenamiento neuronal.
Por ejemplo en una red que se va a aplicar al diagnstico de imgenes mdicas; durante la
fase de entrenamiento el sistema recibe imgenes de tejidos que se sabe que son
cancerosos y tejidos que se sabe que son sanos, as como las respectivas clasificaciones de
dichas imgenes. Si el entrenamiento es el adecuado, una vez concluido, el sistema podr
recibir imgenes de tejidos no clasificados y obtener su clasificacin sano/no sano con un
buen grado de seguridad. Las variables de entrada pueden ser desde los puntos individuales
de cada imagen hasta un vector de caractersticas de las mismas que se puedan incorporar
al sistema (por ejemplo, procedencia anatmica del tejido de la imagen o la edad del
paciente al que se le extrajo la muestra).

3.2.

ESTRUCTURA
La mayora de los cientficos coinciden en que una RNA es muy diferente en trminos de
estructura de un cerebro animal. Al igual que el cerebro, una RNA se compone de un
conjunto masivamente paralelo de unidades de proceso muy simples y es en las conexiones
entre estas unidades donde reside la inteligencia de la red. Sin embargo, en trminos de
escala, un cerebro es muchsimo mayor que cualquier RNA creada hasta la actualidad, y las
neuronas artificiales tambin son ms simples que su contrapartida animal.

3.3.

VENTAJAS
Las redes neuronales artificiales (RNA) tienen muchas ventajas debido a que estn basadas
en la estructura del sistema nervioso, principalmente el cerebro.

Aprendizaje: Las RNA tienen la habilidad de aprender mediante una etapa que se
llama etapa de aprendizaje. Esta consiste en proporcionar a la RNA datos como
entrada a su vez que se le indica cul es la salida (respuesta) esperada.

Auto organizacin: Una RNA crea su propia representacin de la informacin en su

interior, quitndole esta tarea al usuario.

11

Tolerancia a fallos: Debido a que una RNA almacena la informacin de forma

redundante, sta puede seguir respondiendo de manera aceptable aun si se daa
parcialmente.

Flexibilidad: Una RNA puede manejar cambios no importantes en la informacin de

entrada, como seales con ruido u otros cambios en la entrada (por ejemplo si la
informacin de entrada es la imagen de un objeto, la respuesta correspondiente no
sufre cambios si la imagen cambia un poco su brillo o el objeto cambia ligeramente).

Tiempo real: La estructura de una RNA es paralela, por lo cual si esto es

implementado con computadoras o en dispositivos electrnicos especiales, se
pueden obtener respuestas en tiempo real.

12

CONCLUSIONES

Las Redes Neuronales Artificiales basadas en los sistemas nerviosos biolgicos

reproducen al menos el funcionamiento del cerebro humano, sea en hardware o
software, El aprendizaje de sistemas neuronales directas tiene un proceso
mediante

el empleo del

algoritmo

de

retropropagacin

(backpropagation),

realizando el ajuste de pesos entre las capas de la red. La construccin de las

redes neuronales artificiales hace uso de metodologas de desarrollo de software.
Las redes neuronales artificiales tienen un amplio campo de aplicaciones donde se
requiera la solucin a problemas, desde actividades de investigacin hasta
aplicaciones comerciales e industriales.

13