inteligencia artificial (ec5) · impulso nervioso.» nota: está encargada principalmente de...
TRANSCRIPT
Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán
Mg. Ing. Gustavo E. Juárez
Ciclo Lectivo 2018Inteligencia Artificial (EC5)
Redes Neuronales
Parte I
Introducción. Definiciones. Topologías típicas. Redes Supervisadas. Modelo
Backpropagation – Redes No Supervisadas – Modelo de Kohonen –
ImplementaciónenMatlabmedianteToolkitsobreRedesNeuronales.ANFIS.
UNIDAD TEMÁTICA : REDES NEURONALES
L a c o r t e z a c e r e b r a l d e l c e r e b r o
humano contiene aproximadamente 15.000 a
100.000 millones de neuronas dependiendo
delgéneroylaedad.
Cada una de las cuales se encuentra
i n t e r c o n e c t a d a s h a s t a c o n 1 0 . 0 0 0
conexionessinápticas.
Cada milímetro cúbico de córtex cerebral
contiene aproximadamente 1.000 millones de
sinapsis.
INTRODUCCIÓN - CEREBRO HUMANO
A fines del siglo XIX, Santiago Ramón y
Cajal situó por vez primera las neuronas
como elementos funcionales del sistema
nervioso. Cajal propuso que actuaban como
entidadesdiscretasque,intercomunicándose,
establecían una especie de red mediante
conexiones especializadas o espacios. Esta
idea es reconocida como la doctrina de la
neurona, uno de los elementos centrales de
laneurocienciamoderna.
Santiago Ramón y Cajal Premio Nobel de
Medicina y Neurofisiología 1906
ANTECEDENTES - MARCO HISTÓRICO
Santiago Ramón y Cajal
Premio Nobel de Medicina y
Neurofisiología 1906
MARCO HISTÓRICO – RAMÓN Y CAJAL
Santiago Ramón y Cajal
Premio Nobel de Medicina y
Neurofisiología 1906
MARCO HISTÓRICO – RAMÓN Y CAJAL
LaunidadanatómicayfisiológicadelSistemaNerviosoeslaNeurona.
Definición:
«Unaneuronaesunadelascélulasnerviosasencontradasentodoelcuerpo,las
cualessonelelementofundamentaldelaestructuradelsistemanervioso.Son
célulasexcitablesespecializadasenlarecepcióndeestímulosyconduccióndel
impulsonervioso.»
Nota:Estáencargadaprincipalmentede trasmitir el flujonervioso.Un cerebrohumanocontiene
aproximadamente100.000millonesdeneuronas.
NEURONA
DEFINICION
INTRODUCCIÓN A NEURONAS HUMANAS
MODELO BIOLÓGICO – ANALOGÍA CON EL MODELO ARTIFICIAL
DENDRITASSOMAAXON
ENTRADASPROCESOSALIDAS
BIOLOGICO
ARTIFICIAL
Se encuentran en todo el sistema nervioso, desde el
sistema nervioso central hasta el sistema nervioso
periférico, y comunicándose entre ellas a través de
ramificacionesllamadasdendritas.
Las Neuronas del Sistema Nervioso Central solo se
encuentran en el cerebro y las del Sistema Nervioso
Periférico se encuentran en todo el cuerpo y su eje
principal es la medula espinal la cual comunica las
sensacionesdetodoelcuerpohaciaelSistemaNervioso
Central.
SISTEMA NERVIOSO HUMANO
CARACTERÍSTICAS
Desde un punto de vista funcional, las neuronas constituyen procesadores de
informaciónsencillos.Seorganizanen:
• NeuronasReceptorasoSensoras:seespecializanensensarelmundoexterior
(vision,tacto,oído,etc),yseactivancuandolaentradaprovienedeunsentido.
• Interneuronas:transfierenlasseñalesentreneuronas.
• NeuronasMotoras:envíanlasseñalesdirectamentealosmúsculos.
SISTEMA NERVIOSO HUMANO
CLASIFICACION DE LAS NEURONAS
Elcuerpocelularosoma,eslapartecentraldelaneurona,ydeahísalenlasprolongacionesquepermitenlacomunicaciónnerviosa.
Sólounafibradecadaneurona,elaxón,esmáslargaygruesaquelasotras.Cada dendrita está conectada con otra dendrita de una célula nerviosacolocadaasulado,oconelaxóndeunacélulasituadamáslejos.
Cada neurona contiene un cuerpo celular, o soma, que tiene un núcleocelular. Un número de fibras llamadas dendritas se ramifican a partir delcuerpolacélulajuntoconunaúnicafibralargallamadaaxón.
INTRODUCCIÓN A NEURONAS HUMANAS
MODELO BIOLÓGICO
La comunicación entre neuronas surge a partir de
unaunióndiscontinuallamadaSinapsis.
Definición:
“Lasinapsiseselprocesoesencialenla
comunicaciónneuronalyconstituyeellenguaje
básicodelsistemanervioso”.
SINAPSIS ENTRE NEURONAS
DEFINICION
Si la Sinapsis ocurre por contacto físico se
tratadeunaSinapsisEléctrica,ysiesatravés
de una hendidura, se le llama Sinapsis
Química.
Una Neurona del Cortex Cerebral recibe una
media de información de 10.000 neuronas
(convergencia), y envía impulsos a cientos de
ellas (divergencia), con una organización
horizontal basada en 6 capas (Cortex),
contandonootraorganizaciónvertical.
TIPIFICACIÓN DE LA SINAPSIS
Sereconocendostiposdesinapsis:
Sinapsis Eléctrica: En este tipo de sinapsis las membranas pre y pos
sináptica establecen un contacto físico (se tocan) el impulso eléctrico se
transmitedirectamentesinningúntipodemediadoroNeurotransmisor,por
lo que es más rápida. En estado de reposo el protoplasma interior a la
neuronapermanececargadonegativamenteenrelaciónalexterior.
SinapsisQuímica:Eseltipodecomunicaciónmasfrecuente.Enestetipode
sinapsis,lasmembranaspreypossinápticasestánseparadasporunespacio,
notienencontactofísico(nosetocan)porloquelatransmisióndelimpulso
eléctrico es más lenta y depende de la acción de mediadores, que son
sustanciasquímicascomplejasdenominadasNeurotransmisores.
TIPIFICACIÓN DE LA SINAPSIS
Las dendritas actúan como antenasreceptoras de señales (Sinapsis deotrasneuronas).
Estasseñalespuedenseractivadorasoinhibidoras.
El proceso de Despolarizacion setransmiteatravésdelAxon.
Si ladespolarizacion llega a ciertoumbral, se dispara el Potencial deAcción el cual se transmitepor todoelaxonhastaloscontactossinópticos.
TIPIFICACIÓN DE LA SINAPSIS
PROPAGACIÓN
SinapsisQuímicamediantesecrecióndeneurotransmisor
TIPIFICACIÓN DE LA SINAPSIS
SinapsisEléctricapasodeionesdeunacélulaaotraatravésdeunionesGAP.
Polarización Despolarización
Umbral de Disparo
10 ^11 neuronas ~ 50 Teraflops Velocidad
100 Watts 175 KW
80 Teraflops
16 Terabytes
Consumo
Volumen1,4 dm3 6 m3
Masivamente paralelo Funcionamiento Secuencial con paralelización
Desarrollo20 años - Adulto 3 años
10 ^15 sinapsis ~ 1 PetaByte Memoria
Evolución3000 millones de años 177 años
COMPARATIVA CEREBRO HUMANO ADULTO / COMPUTADOR IBM WATSON
http://www.ibm.com/smarterplanet/us/en/ibmwatson/what-is-watson.html
ASPECTOS
Tipo de AlmacenamientoDistribuido Direcciones de Memoria Fijas
COMPARATIVA DE LA IA TRADICIONAL Y LAS REDES NEURONALES ARTIFICIALES (ANS)
http://www.ibm.com/smarterplanet/us/en/ibmwatson/what-is-watson.html
Inteligencia Artificial Redes Neuronales
Enfoque Descendente Enfoque Ascendente
Basado en la Psicologia Basado en la Biologia
Que hace el Cerebro Como lo hace el Cerebro
Reglas tipo Si/Entonces Generalización a Partir de Ejemplos
Sistemas Programados Sistemas Entrenados
Logica, Conceptos, Reglas Reconocimiento de patrones
Arquitectura Von Neumann, Separación Hardware/Software
Arquitectura Paralela, Distribuida, Adaptativa, Autoorganización
“Lasneuronasartificialesoprocesadorelementales
un dispositivo simple de calculo que, a partir de un
vector de entrada procedente del exterior o de otras
neuronas,proporcionaunaúnicarespuestaosalida”.
NEURONAS ARTIFICIALES
DEFINICIÓN
“Lasredesneuronalesartificialessonredesinterconectadasmasivamenteen
paraleloyconorganizaciónjerárquica,lascualesintentaninteractuarconlos
objetosdelmundorealdelmismomodoquelohaceelsistemanervioso
biológico”.(TeuvoKohonen)
“Modelosmatematicosdesarrolladosparaemularelcerebro
humano”(Chen-1998)
REDES NEURONALES ARTIFICIALES
DEFINICIONES
Lasprincipalesventajasquereproducenlasredesneuronalesartificialesse
puedenreduciralossiguientesconceptos:
1. Procesamientoparalelo.
2. Procesamientodistribuidonolineales.
3. Procesamientoadaptativo.
4. ToleranciaaFallas.
5. Establecenconexionesnolinealesentrelosdatos
VENTAJAS
• Conjunto de entradas, xj(t). Estaspueden ser provenientes del exterioro de otras neuronas artificiales.(sinapsisquímicaoeléctrica).
• Peso sinápticos, wij. Representan elgrado de comunicación entre la neuronaartificial jy laneuronaartificial i.Puedenserexcitadoresoinhibidores
• Regla de propagación, σi (wij, xj (t)). Integra la informaciónproveniente de las distintas neuronas artificiales y proporciona elvalordelpotencialpostsinápticodelaneuronai.
• Función de activación, fi(ai(t-1), hi(t)).Provee el estado de activación actual de laneuronai.
• Función de salida, Fi (ai (t)).Representa la salida actual de laneuronai.
Lasalidaproducidaporunaneuronai,paraundeterminadoinstantedetiempotpuedeserescritaenformageneraldelasiguientemanera
MODELO GENERAL DE UNA NEURONA
ARTIFICIAL (MODELO DE RUMELHART)
Dependiendo del tipo de salidas, las neuronas suelen recibir nombres
específicos.Losmasfrecuentesson:
ENTRADAS Y SALIDAS
Valores de Salida Nombre del tipo de neurona
(0), (1) Tipo Mc-Culloch-Pitts(-1), (1) Tipo Ising
(-2), (-1),(0),(1),(2) Tipo Potts
“Elpesosinápticowijdefinelafuerzadeunaconexiónsinápticaentredos
neuronas,laneuronapresinápticaiylaneuronapostsinápticaj“.
PESOS SINÁPTICOS
DEFINICIÓN
Lospesos sinápticospueden tomarvalores
positivos,negativosocero.
En caso de una entrada positiva, un peso
positivoactúacomoexcitador,mientrasque
unpesonegativoactúacomoinhibidor.
En caso de que el peso sea cero, no existe
comunicaciónentreelpardeneuronas.
Laregladepropagacióndeterminaelpotencialresultantedelainteracción
delaneuronaiconlasNneuronasvecinas.
Elpotencialresultantehisepuedeexpresardelasiguientemanera
Laregladepropagaciónmássimple,yutilizada,consisteenrealizarunasuma
delasentradasponderadasconsuspesossinápticoscorrespondientes
REGLAS DE PROPAGACIÓN
Lafuncióndeactivacióndeterminaelestadodeactivaciónactualdelaneurona
ienbasealpotencialresultantehienuntiempot, (hi: ai(t)),elcualpuede
serexpresadodelasiguientemanera:
FUNCIÓN DE ACTIVACIÓN
Lafuncióndesalidaproporcionaelvalordesalidadelaneurona,enbaseal
estadodeactivacióndelaneurona.Engeneralseutilizalafunciónidentidad:
FUNCIÓN DE SALIDA
Libros Redes Neuronales y Sistemas Difusos / Bonifacio Martin del Brío y Alfredo Sanz Molina.
Alfa Omega – Rama. Colombia/c.2005
Sitios Webs http://www.youtube.com/watch?v=Krabo0GPc5A http://www.youtube.com/watch?v=uMbZGSEuI74
http://www.youtube.com/watch?v=1WGPk2eONZ0
REFERENCIAS