Monografia More IA
-
Upload
carlos-augusto-more-zapata -
Category
Documents
-
view
11 -
download
0
description
Transcript of Monografia More IA
"Año de la Diversificación Productiva y del
Fortalecimiento de la Educación"
TRABAJO DE INVESTIGACIÓN
CURSO: INTELIGENCIA ARTIFICIAL
TITULO: FUNDAMENTOS DE REDES NEURONALES
ARTIFICIALES.
DOCENTE: ing. JONATHAN, MERINO
FARIAS
ALUMNO: MORE ZAPATA, CARLOS
AUGUSTO
TUMBES– PERÚ
2015
pág. i
AUTOR: MORE ZAPATA, CARLOS
AUGUSTO
TEMA: FUNDAMENTOS DE REDES NEURONALES
ARTIFICIALES Y SUS APLICACIONES EN
ALGUNOS CAMPOS
FINALIDAD: dar a conocer algunos de los distintos campos de la
aplicación de las redes neuronales artificiales,
TUMBES– PERÚ
2015
DEDICATORIA
Quiero dedicarle este
trabajo a Dios que me ha
dado la vida y salud para
llegar hasta donde estoy,
a mis Padres por estar ahí cuando más los necesito; en especial a mi madre por su ayuda, constante cooperación y por ayudarme en los momentos más difíciles.
pág. iii
AGRADECIMIENTO
Primero y antes que nada, dar gracias a “DIOS”, por estar con nosotros en cada paso que damos, por fortalecer nuestros corazones
e iluminar nuestra mente y por
haber puesto en nuestro camino
aquellas personas que han sido
nuestro soporte y compañía
durante el periodo de estudio.
Agradecer hoy y siempre a mis padres por el esfuerzo realizado, por el apoyo en mis estudios, de ser así mismo no hubiese sido posible; que nos brinda el apoyo, la Alegría y me da fortaleza para seguir adelante.
Un agradecimiento muy especial al Docente de este curso por su colaboración, paciente, enseñanzas, y sobre todo por esa gran amistad que nos brinda, por escucharnos y aconsejarnos siempre.
EPÍGRAFE
“la robótica no se trata de remplazar a los humanos, si no de aprender de nosotros mismos” Henrik Scharfe.
pág. v
Sumario Capítulo I ...................................................................................................................................... 9
Fundamentos de las redes neuronales artificiales...................................................................... 9
Un poco de historia ................................................................................................................... 9
Modelos de redes neuronales artificiales ................................................................................ 10
El modelo biológico ................................................................................................................. 10
Capitulo II ................................................................................................................................... 11
Fundamentos de redes neuronales artificiales y sus aplicaciones en algunos campos. ............. 11
Algunas aplicaciones comerciales son: .................................................................................... 11
Biología: .............................................................................................................................. 11
Empresa: ............................................................................................................................. 11
Medio ambiente: ................................................................................................................. 12
Finanzas: ............................................................................................................................. 12
Medicina: ............................................................................................................................ 12
Militares: ............................................................................................................................. 12
Bibliografía.................................................................................................................................. 13
RESUMEN
Con el paso del tiempo el afán por querer diseñar y conseguir maquinas que
realicen procesos con cierta “inteligencia“ ha sido uno de los objetivos
primordiales y preocupaciones de muchos científicos. A raíz de largos estudios
teóricos sobre el funcionamiento del cerebro y el pensamiento surgen nuevas
investigaciones sobre redes hasta llegar a Redes Neuronales.
Hoy en día se habla de redes neuronales artificiales que no es más que la inspiración en
la estructura y funcionamiento de los sistemas nerviosos, donde la neurona es el
elemento fundamental.
pág. vii
INTRODUCCIÓN
El tema de redes neuronales artificiales busca diseñar ciertos procesos complejos de
la inteligencia artificial basándose en el cerebro humano, dotado de cierta
inteligencia, Estos sistemas de procesamiento de información, paralelo, distribuido y
adaptativos, a partir de datos del entorno y empleando algoritmos numéricos, son
capaces de aprender de la experiencia.
Los SNA constituyen en la actualidad un campo muy activo, en el que con- fluyen
investigadores procedentes de muy diferentes áreas, como la electrónica,
física, matemáticas, ingeniería, biología o psicología. Esta gran actividad se
manifiesta de varias maneras. En primer lugar, continuamente se introducen
nuevos modelos y desarrollos teóricos. Por otra parte, las grandes compañías del
sector de la electrónica (Intel, Philips, Siemens, etc.) Construyen circuitos
electrónicos de estructura neuronal que comienzan a comercializar. Por último,
pero no por ello menos importante, numerosas empresas aplican ya los
modelos neuronales de forma rutinaria a la resolución de importantes problemas
técnicos, como una metodología más de entre las muchas disponibles.
Capítulo I
Fundamentos de las redes neuronales artificiales
Las redes neuronales son un campo muy importante dentro de la inteligencia artificial.
Inspirándose en el comportamiento conocido del cerebro humano (principalmente el
referido a las neuronas y sus conexiones), trata de crear modelos artificiales que
solucionen problemas difíciles de resolver mediante técnicas algorítmicas
convencionales. (1)
La construcción de sistemas de solución de problemas basados en Redes Neuronales
Artificiales(RNA), comprende un grupo de tareas que van mas aya de la especificación
del modelo y su posterior entrenamiento, las cuales comprenden, el análisis de la
información de entrada, la selección de los patrones para entrenamiento, preparación
de la información para entrenar la RNA, la identificacion del modelo, su entrenamiento,
la validación de los resultados, y su aplicación propiamente dicha en la solución del
problema particular en cuestión. (1)
Un poco de historia
Desde la década de los 40, en la que nació y comenzó a desarrollarse la informática, el
modelo neuronal la ha acompañado. De hecho, la aparición de los conputadores
digitales y el desarrollo de las teorías modernas acerca del aprendizaje y del
procesamiento neuronal se produjeron aproximadamente al mismo tiempo, a finales
de los años cuarenta.
Desde entonces hasta nuestros días, la investigación neurofisiológica y el estudio de
sistemas neuronales artificiales (ANS, Artificial Neural Systems) han ido de la mano. Sin
embargo, los modelos de ANS no se centran en la investigación neurológica, si no que
toma conceptos e ideas del campo de las ciencias naturales para aplicarlos a la
resolución de problemas pertenecientes a otras ramas de las ciencias y la ingeniería.
Podemos decir que la tecnologia ANS incluye modelos inspirados por nuestra
comprensión del cerebro, pero que no tiene por qué ajustarse exactamente a los
modelos derivados de dicho entendimiento.
Los primeros ejemplos de estos sistemas aparecen al final de la década de los
cincuenta, la referencia histórica más corriente es la que alude al trabajo realizado por
Frank Rosenblatt en un dispositivo denominado perceptrón. Hay otros ejemplos, tales
como el desarrollo del Adaline por el profesor Bernard Widrow. (1)
Modelos de redes neuronales artificiales
Los modelos de RNAs son manejados por el interprete como tipos primitivos de datos,
de igual forma a como se manejan enteros símbolos o cadenas de caracteres; y no como
abstracciones codificadas directamente en Scheme. Esto hace de los modelos de RNA
objetos de primer nivel que pueden ser almacenados en variables, pasados dentro de los
argumentos de las funciones, e inclusive ser devueltos como resultado de ellas.
Las funciones para la creación y manipulación de los modelos RNAs, son también
codificados como primitivas, directamente en lenguaje C, lo que permite tener código
ejecutable altamente optimizado, debido a la criticidad que la velocidad de ejecución de
estas funciones tiene dentro del desempeño de la aplicación.
La mezcla de código interpretado con código ejecutable, tiene un efecto muy
importante en el desempeño de la herramienta, ya que todos los procesos críticos se
ejecutan directamente en binario, mientras que el cascaron que esta encima de ellos, el
cual permite codificar algoritmos complejos, y dar la funcionalidad requerida, se ejecuta
más lentamente al ser interpretado, pero esto requiere un porcentaje muy pequeño del
tiempo total de la aplicación. (1)
El modelo biológico
La teoría y modelado de redes neuronales está inspirada en la estructura y
funcionamiento de los sistemas nerviosos, donde la neurona es el elemento
fundamental.
En general, una neurona consta de un cuerpo celular más o menos esférico, de 5 a 10
micras de diámetro, del que salen una rama principal, el axón, y varias ramas más cortas,
llamadas dendritas.
Una de las características de las neuronas es su capacidad de comunicarse. En términos
generales las dendritas y el cuerpo celular reciben señales de entrada; el cuerpo celular
las combina e integra y emite señales de salida. El axón transmite dichas señales a los
terminales axónicos, que distribuyen información o un nuevo conjunto de neuronas, se
calcula que en el cerebro humano existen del orden de 1015 conexiones.
Las señales que se utilizan son de dos tipos: eléctrica y química. La señal generada por la
neurona y transportada a lo largo del axón es un implso eléctrico, mientras que la señal
que se transmite entre los terminales axónicos de una neurona y las dendritas de la otra
es de origen químico. (2)
Capitulo II
Fundamentos de redes neuronales artificiales y sus aplicaciones en
algunos campos.
Las redes neuronales pueden utilizarse en un gran número y variedad de aplicaciones,
tanto comerciales como militares. Se pueden desarrollar redes neuronales en un periodo
de tiempo razonable, con la capacidad de realizar tareas concretas mejor que otras
tecnologías. Cuando se implementan mediante hardware (redes neuronales en chips
VLSI), presentan una alta tolerancia a fallos del sistema y proporcionan un alto grado de
paralelismo en el procesamiento de datos. Esto posibilita la inserción de redes
neuronales de bajo coste en sistemas existentes y recientemente desarrollados. Hay
muchos tipos diferentes de redes neuronales; cada uno de los cuales tiene una aplicación
particular más apropiada. (2)
Algunas aplicaciones comerciales son: �
Biología:
- Aprender más acerca del cerebro y otros sistemas.
- Obtención de modelos de la retina. �
Empresa:
- Evaluación de probabilidad de formaciones geológicas y petrolíferas.
- Identificación de candidatos para posiciones específicas.
- Explotación de bases de datos.
- Optimización de plazas y horarios en líneas de vuelo.
- Optimización del flujo del tránsito controlando convenientemente la temporización de
los semáforos.
- Reconocimiento de caracteres escritos.
- Modelado de sistemas para automatización y control. �
Medio ambiente:
- Analizar tendencias y patrones.
- Previsión del tiempo. �
Finanzas:
- Previsión de la evolución de los precios.
- Valoración del riesgo de los créditos. - Identificación de falsificaciones. - Interpretación
de firmas. 35 � Manufacturación:
- Robots automatizados y sistemas de control (visión artificial y sensores de presión,
temperatura, gas, etc.).
- Control de producción en líneas de procesos.
- Inspección de la calidad. �
Medicina:
- Analizadores del habla para ayudar en la audición de sordos profundos.
- Diagnóstico y tratamiento a partir de síntomas y/o de datos analíticos
(electrocardiograma, encefalogramas, análisis sanguíneo, etc.).
- Monitorización en cirugías.
- Predicción de reacciones adversas en los medicamentos. - Entendimiento de la causa de
los ataques cardíacos. �
Militares:
- Clasificación de las señales de radar.
- Creación de armas inteligentes.
- Optimización del uso de recursos escasos.
- Reconocimiento y seguimiento en el tiro al blanco.
La mayoría de estas aplicaciones consisten en realizar un reconocimiento de patrones,
como ser: buscar un patrón en una serie de ejemplos, clasificar patrones, completar una
señal a partir de valores parciales o reconstruir el patrón correcto partiendo de uno
distorsionado. Sin embargo, está creciendo el uso de redes neuronales en distintos tipos
de sistemas de control. Desde el punto de vista de los casos de aplicación, la ventaja de
las redes neuronales reside en el procesado paralelo, adaptativo y no lineal. El dominio
de aplicación de las redes neuronales también se lo puede clasificar de la siguiente forma:
asociación y clasificación, regeneración de patrones, regresión y generalización, y
optimización. (3)
Bibliografía
1. Velásques Henao JD. Neuroscheme: un lenguaje para el modelamiento de redes neuronales
artificiales. primera edicion ed. N/A , editor. ninguna: Red Dyna; 2006.
2. J. T. Aplicación de las redes neuronales artificiales para la estratificación de riesgo de
mortalidad hospitalaria. Primera edicion ed. España: Gaceta Sanitaria - Ediciones Doyma, S.L;
2004.
3. Monica MdP. Aplicaciones de las redes neuronales artificiales a problemas de predicción y
clasificación financiera. primera edicion ed. Carlos URJ, editor.: Universidad Rey Juan Carlos;
2005.