C261-69 Tópicos Avanzados: Redes Neuronales Artificiales Conceptos Básicos
C261--69 Tópicos Avanzados:C261Redes Neuronales ArtificialesConceptos básicosDra. Ma. del Pilar Gómez GilPrimavera 2009pgomez@acm.orgV:13-01-09(c) P. GómezGómez-Gil, INAOE 2009
Modelo Básico y Abstractode un Neurón Artificialx0x1wow1outputxn-1wn-1n 1output F ( xi wi )i 0x’s son valores de entradaw’s son pesosF es la función de activación(c) P. GómezGómez-Gil, INAOE 2009
El Neurón Artificial Es un elemento procesador al que se aplica un conjuntode entradas, cada una representando la salida de otroneurón.neurón Estas entradas, que podemos llamar x, se multiplican porun peso (número real) asociado a ellas, que podemosllamar w, Las multiplicaciones se suman y al resultado podemosllamarle netN 1net xi wii 0(c) P. GómezGómez-Gil, INAOE 2009
Funciones de Activación La suma ponderada se "filtra" por medio de unafunción, llamada función de activación (f(f). La función de activación tiene como objetivo elacotar los valores de salida del neurón paramantenerlos en ciertos rangos. La función de activación depende del tipo de redneuronal que se esté manejando. Hay funciones deactivación lineales y no linealesoutput f (net )(c) P. GómezGómez-Gil, INAOE 2009
Funciones de ActivaciónClásicasFunción lineal(k es una constante)f ( x) k * xFunción umbral o escalón(t es una constante)Función sigmoide 1 si x tf ( x) 0 si x tf ( x) Función tangente hiperbólica11 exp( x)f ( x) tanh(x)(c) P. GómezGómez-Gil, INAOE 2009
Ejemplo de una Funciónde Activación Lineal(c) P. GómezGómez-Gil, INAOE 2009
Ejemplo de Función deActivación no LinealFunción de Activación tangente hiperbólica1.51f(x)0.50-4-2-0.50-1-1.5x(c) P. GómezGómez-Gil, INAOE 200924
Grafica en Matlab la función sigmoide(c) P. GómezGómez-Gil, INAOE 2009
Tipos principales de redesneuronales Dependiendo de la manera en que seorganizan los elementos procesadores,las RNA se pueden clasificar como: De un nivel De varios niveles RecurrentesXRNA(c) P. GómezGómez-Gil, INAOE 2009Y
Redes Neuronales de unNivelSon aquellas donde los elementosprocesadores están organizados en unalínea, recibiendo su entradadirectamente del exterior y produciendoellos directamente la salida o resultadode la RNA(c) P. GómezGómez-Gil, INAOE 2009
Topología de RedesNeuronales de un 1w1ny2w2nwmnYm-1(c) P. GómezGómez-Gil, INAOE 2009salidas
Representación de RNA deun Nivel Sea W una matriz de (n 1) x (m 1) que representa lospesos de una red neuronal de un nivel que tiene (n 1)entradas y (m 1) salidas. Sea X un vector de (n 1) renglones que representa losvalores de entrada a la red, y Y un vector de (m 1) renglonesque representa los valores de salida de la red Si N es el vector de los valores net asociados a cada neurón,tenemos queque::N X*WY F( N ) es la salida de la red(c) P. GómezGómez-Gil, INAOE 2009
Evaluación de una RNA deun NivelPor ejemplo, si la red tiene 3 entradas y 3salidas, esta operación equivale a:w00N x0 x1x2 w10w20w01 w02w11w12w21 w22 x0 w00 x1w10 x2 w20x0 w01 x1w11 x2 w21y0 f ( x0 w00 x1w10 x2 w20 )y1 f ( x0 w01 x1w11 x2 w21)y2 f ( x0 w02 x1w12 x2 w22 )(c) P. GómezGómez-Gil, INAOE 2009x0 w02 x1w12 x2 w22
Redes Neuronales conVarios Niveles(c) P. GómezGómez-Gil, INAOE 2009
Características de RNA’scon Varios Niveles En estas redes existen varias capas o niveles deneurones, donde las salidas de los neurones en elnivel i se conectan a los neurones en el nivel i i 11. Se dice entonces que este tipo de redes están"alimentadas hacia adelante" (feedfeed--forward networksnetworks)) El primer nivel de neurones se conoce como nivel deentrada.entrada El último nivel se conoce como nivel de salidasalida. Los demás niveles se conocen como nivelesescondidos.escondidos(c) P. GómezGómez-Gil, INAOE 2009
Características de RNA’scon Varios Niveles (cont.) La salida de este tipo de redes es la salida delos neurones que se encuentran en la últimacapa.capa Para determinar dicha salida, se calcula lasalida de cada neurón, empezando por elprimer nivel, y continuando hasta llegar alúltimo.último En una red con varios niveles, la función deactivación debe ser nono-- lineal, a fin de quepueda existir representación del conocimientoen los niveles escondidosescondidos.(c) P. GómezGómez-Gil, INAOE 2009
Redes Recurrentes Las redes recurrentes presentan retroretro--alimentaciónalimentación. Esto es, la salida deun neurón se manda como entrada a un neurón que se encuentra en unacapa anterioranterior.El valor de salida de un neurón se determina por los valores de entrada ylas salidas de pasos anterioresanteriores.Las redes recurrentes presentan algunas características similares a lamemoria de los humanoshumanos.Los algoritmos de aprendizaje en estas redes se pueden representar pormedio de ecuaciones diferenciales ó ecuaciones en diferencia finitafinita.(c) P. GómezGómez-Gil, INAOE 2009
Entrenamiento de RNA’s Las R.N.A. aprenden de ejemplosejemplos. Una red es entrenada de manera que un conjunto devalores de entrada, aplicado en los neurones de entrada,produzca una salida deseada en los neurones de salida dela redred. Normalmente los valores de entrada y de salida serepresentan de manera numérica, ya sea por dígitosbinarios o números realesreales. La codificación de dichos valores depende de laarquitectura y características de la red neuronal utilizadautilizada.(c) P. GómezGómez-Gil, INAOE 2009
Ejemplo simple de un sistemade RNA para ClasificarCodificación deLa clasificaciónPixeles deentrada(c) P. GómezGómez-Gil, INAOE 2009
EntrenamientoSupervisadoEl aprendizaje se lleva a cabo a través de ejemplos quemuestran explícitamente lo que se desea aprenderaprender.DATOS DEENTRADAENTRENAMIENTOSALIDADESEADAP ESOSSe requiere que cada vector de entrada (datos de entrada) estérelacionado a un valor de salida deseadodeseado.A estos dos vectores se les conoce como "par deentrenamiento".entrenamiento"(c) P. GómezGómez-Gil, INAOE 2009
Ejemplo de EntrenamientoSupervisadoSupongamos que se desea que una red aprenda la funciónbooleana XOR (OR exclusivo)exclusivo). Sabemos que dicha función tienela siguiente tabla de verdadverdad::(c) P. GómezGómez-Gil, INAOE 2009
Ejemplo de EntrenamientoSupervisado (cont.)Podemos definir como conjunto de entrenamiento losiguiente::siguienteENTRADAS::ENTRADASSALIDAS DESEADAS:X0 [ 0,0 ]X1 [ 0,1 ]X2 [ 1,0 ]X3 [ 1,1 ]Y0 [ 0 ]Y1 [1 ]Y2 [1 ]Y3 [0 ]Entrenar significa que, cada par [Xi,Yi], se aplicará a lared repetidas veces siguiendo un algoritmo determinado,hasta que lo aprendaaprenda.(c) P. GómezGómez-Gil, INAOE 2009
Entrenamiento noSupervisado En la naturaleza no es muy frecuenteencontrar entrenamiento supervisado, sinomas bien entrenamiento no supervisadosupervisado. Por ejemplo, el cerebro de un bebé norecibe un "vector de salida" con lasrespuestas a como reaccionar a los milesde estímulos que recibe cada díadía.(c) P. GómezGómez-Gil, INAOE 2009
Entrenamiento noSupervisado (cont) Este tipo de entrenamiento norequiere de conocer la salidadeseada para cada entrada,sino que los pesos se vanmodificando de manera queproducen salidas que seanconsistentes.consistentes En otras palabras, entradassimilaresproducenlasmismas salidassalidas.DATOS DEENTRADA(c) P. GómezGómez-Gil, INAOE 2009ENTRENAMIENTOP ESOSCLASES
Ejemplo de Entrenamientono SupervisadoSe desea que una red aprenda un conjunto de símbolos,digamos, las letras del alfabetoalfabeto. Se le muestran a la red repetidasveces los símbolos, de manera que esta los clasificará, y crearágrupos de los mas parecidos, generando una representación"ideal" para cada grupogrupo.(c) P. GómezGómez-Gil, INAOE 2009
Revisión Capítulo 2libro de Haykin(c) P. GómezGómez-Gil, INAOE 2009
Algoritmo de aprendizaje Es una serie de reglas dadas, bien definidaspara la solución de un problema deaprendizaje. Reglas de aprendizaje básicas: Aprendizaje por corrección de errorAprendizaje basado en memoriaAprendizaje HebbianoAprendizaje competitivoAprendizaje Boltzman(c) P. GómezGómez-Gil, INAOE 2009
Paradigmas deaprendizaje Son modelos del medio ambiente en elcual la red neuronal opera Tipos: Aprendizaje con instructor Aprendizaje sin instructor(c) P. GómezGómez-Gil, INAOE 2009
El problema de asignaciónde créditos En algoritmos de aprendizaje parasistemas distribuidos se enfrenta elproblema de decidir como asignar créditoo “culpabilidad” de las salidas globales, acada una de las decisiones internas de lamáquina, y decidir cual contribuyó a esasdecisiones.(c) P. GómezGómez-Gil, INAOE 2009
Problemas de asignacióndel crédito Problema de asignación de crédito temporal.temporal.En un sistema con varias acciones realizadas,cual de estas acciones es la responsable de lasalida? Problema de asignación de crédito estructural.estructural.En un sistema con varios componentes, a cualse le asigna el crédito de la salida, y a cual sele debe modificar su comportamiento paramejorar la eficiencia del sistema?(c) P. GómezGómez-Gil, INAOE 2009
Redes Neuronales Artificiales Conceptos básicos Dra. Ma. del Pilar Gómez Gil Primavera 2009 pgomez@acm.org V:13-01-09 (c) P. Gómez-Gil, INAOE 2009 . Redes Neuronales de un Nivel Son aquellas donde los elementos procesadores están organizados en una línea, recibiendo su entrada
gain, video output live, video sync and integration input are remotely programmed through a RS 232 connection to any computer. A Single Trigger Discriminator (STD) is incorporated into the camera. This feature allows user to reject any number of unwanted, extraneous trigger signals per field or frame. 4 Picos/4 Quik E 4 Picos/4 Quik E 4 Picos/4 .
Guía de visita 12 parque nacional de los picos de europa Nombre Oficial Parque Nacional de los Picos de Europa. Soporte y fecha de creación Ley 16/1995 de 30 de mayo, por la que se declara el Parque Nacional de los Picos de Europa (B.O.E. de 31 de mayo de 1995). Figura de Protección Parque Nacional. Superficie 64.660 Hectáreas.
Microsoft FrontPage: temas avanzados Microsoft FrontPage: temas avanzados Mapa de imagen Mapa de imagen: un gráfico con una o más zonas activas -Hipervínculo predeterminado: cuando se pulsa sobre una zona no activa Zona activa: región invisible de un gráfico a la que se ha asignado un hipervínculo -Rectángulo -Círculo
82 II seminario sobre el lobo en los Picos de Europa consumed. Livestock ranged from 14% to 32%. From 2010 to 2015, 8 wolves have been captur
19 1 2 3 Misturador mecânico Rodo de borracha Palustra dentada Rolo de picos Luvas Sapatos de picos Latas vazias Conforme espessura pretendida até 2 mm 1,1 kg/m 2/mm Tráfego ligeiro: 2 dias Cargas leves: 4 dias Cura total: 8 dias Pronto a aplicar B RBOFLOOR A QC2 1. BARBOFLOOR 120 SEALER 2
Ascensiones míticas en los Picos de Europa. Macizo Central y Macizo Occidental-2021 5 4.4 Observaciones Flexibilidad de fechas Siempre planteamos varias salidas con varias fechas pero también adaptamos los viajes a su disponibilidad. Por tanto, no dude en consultarnos si las fechas no le cuadran y programaremos una salida para usted.
DATOS GENERALES DEL PARQUE NACIONAL DE LOS PICOS DE EUROPA 3 1.1.- Breve reseña histórica 3 1.2.- Rasgos definitorios 4 1.3.- Novedades del año 2015 que afectan a la gestión del Parque Nacional 8 1.4.- Aspectos naturales 11 1.5.- Aspectos culturales y etnográficos. .
2 INJSTICE IN TE LOWEST CORTS: ow Municipal Courts Rob Americas Youth Introduction In 2014, A.S., a youth, appeared with her parents before a municipal court judge in Alamosa, Colorado, a small city in the southern part of the state.1 A.S. was sentenced as a juvenile to pay fines and costs and to complete 24 hours of community service.2 A.S.’s parents explained that they were unable to pay .
