.jpg)
Consultar las diferentes aéreas de aplicación de las redes neuronales y plantear una propuesta de aplicación para la resolución de problemas en el entorno ciudad o el país. Plantear la propuesta con su nombre como un comentario a este blog en mínimo media página.
Tomado de: http://ohm.utp.edu.co/neuronales/Capitulo2/Perceptron/MulticapaP.htm
El Perceptrón básico sólo puede establecer dos regiones separadas por una frontera lineal en el espacio de entrada de los patrones; un Perceptrón con dos capas, puede formar cualquier región convexa en este espacio. Las regiones convexas se forman mediante la intersección de regiones formadas por cada neurona de la segunda capa, cada uno de estos elementos se comporta como un Perceptrón simple, activándose su salida para los patrones de un lado del hiperplano, si el valor de los pesos de las conexiones entre las neuronas de la segunda capa y una neurona del nivel de salida son todos igual a 1, y la función de salida es de tipo hardlim, la salida de la red se activará sólo si las salidas de todos los nodos de la segunda capa están activos, esto equivale a ejecutar la función lógica AND en el nodo de salida, resultando una región de decisión intersección de todos los semiplanos formados en el nivel anterior. La región de decisión resultante de la intersección será una región convexa con un número de lados a lo sumo igual al número de neuronas de la segunda capa.
El objetivo principal del trabajo es clasificación de dos clases sencillas generadas aleatoriamente, para tal fin se propone un perceptrón de dos entradas y una salida, con función de activación de paso duro y utilizando Microsoft Excel para desarrollar la fase de entrenamiento. Como resultados se espera la configuración del perceptrón y la ecuación del hiperplano de separación.
DESCRIPCIÓN DE LA TAREA
El propósito del documento es desarrollar los siguientes puntos:
Generar una muestra de datos de 50 puntos, de los cuales 25 pertenecen a una clase con distribución bivariada de media [0,0]T y varianza 1; los 25 puntos restantes pertenecen a la clase2 de distribución similar pero con media [5,3]T.
Representar gráficamente las dos clases en un plano x-y.
Realizar una rutina de entrenamiento sobre un perceptrón para realizar la clasificación de las dos clases.
Presentar en una gráfica 3D las distribuciones de probabilidad de las dos clases.
¿Puede un computador aprender a resolver problemas sólo, a partir de ejemplos?
Este cuestionamiento, es objeto hoy en día de complejos y profundos estudios. Y su abordaje solo puede hacerse desde los conceptos de 'Aprendizaje' y 'Clasificación'.
Aprendizaje
Las RNA son máquinas que cuentan con la capacidad de 'Aprendizaje', pues simulan esta función del cerebro humano de forma simplificada, pues solo retienen algunas características como lo define Torres Moreno (Ver: http://www.professeurs.polymtl.ca/juan-manuel.torres-moreno/homepage/publicaciones/reportes_jm/jornada-aprendizaje.html):
1) las neuronas no pueden encontrarse más que en dos estados posibles, activas o en reposo;
2) están interconectadas mediante sinapsis que pueden ser modificadas por aprendizaje, y
3) el estado de una neurona a cada instante es determinado por el de otras, información que es transmitida por las sinapsis.
Clasificación
La clasificación es la atribución de una clase específica a un objeto, la cual necesita un cierto grado de abstracción para poder extraer generalidades a partir de los ejemplos de los cuales se dispone. Para una máquina, la clasificación de rostros, datos médicos o imágenes son tareas bastante difíciles, en tanto que para un humano son cuestiones cotidianas: recordar rostros, el aroma del perfume de nuestra pareja, el color de las últimas flores que nos regalaron, entre otros. Otro ejemplo se puede encontrar en el reconocimiento de caracteres manuscritos, pues es difícil enunciar una descripción general que tenga en cuenta todas las variaciones particulares de cada caracter. Una técnica que puede ser utilizada para resolver este problema es el aprendizaje. Así, el criterio para decidir si una imagen corresponde a una letra A, B o C, consiste en comparar si es lo suficientemente similar a otras A B o C vistas anteriormente; con ese enfoque, uno no calcula la clasificación de letras, sino que se aprenden a partir de ejemplos.
La capacidad de aprendizaje de las RNA les da una inmensa ventaja sobre métodos tradicionales, ya que tan sólo se requiere disponer de un conjunto de ejemplos (conjunto de aprendizaje) para que la red pueda aprender. Es por ello que las redes de neuronas son ampliamente utilizadas en aplicaciones tan variadas como la previsión, la predicción, la clasificación, el diagnóstico automático, el procesamiento de señales, el reconocimiento de formas, la compresión de datos, la optimización combinatoria, la robótica y la búsqueda de documentos, entre otras.
Las características comunes de las RNA son: una capacidad de autorganización; robustez frente a perturbaciones externas; memoria distribuida, deslocalizada y redundante, y un paralelismo masivo e inherente. A su vez, difieren entre sí por diversos aspectos: sus motivaciones biológicas, su modo de funcionamiento o su campo de aplicaciones. Algunas técnicas neuronales avanzadas son llamadas constructivas, ya que modifican la arquitectura misma de la red en un proceso antagónico de crecimiento-aprendizaje/disminución-olvido.
Fuente: http://www.portaleureka.com/accesible/images/stories/articulos/informatica/neurona1.jpg
Tomado: http://www.neptalium.com/blog/tag/redes-neuronales
