Redes
Páginas: 5 (1062 palabras)
Publicado: 28 de marzo de 2011
sRedes Neuronales Artificiales
Contenido del curso Introducción y Antecedentes
Perceptron
– Estructura y entrenamiento – Separabilidad lineal – Aplicaciones (funciones lógicas, clasificación)
Redes Lineales
– – – – – – – –
Estructura y entrenamiento Razón de aprendizaje Nodos adaptativos Aplicaciones (filtros lineales adaptativos, aproximación lineal) Estructura y entrenamientoMejoras de entrenamiento Pre y post procesamiento Aplicaciones (reconocimiento óptico de caracteres, sensores virtuales)
Redes Multicapa
Redes de Funciones de Base Radial
– Estructura y entrenamiento – Aplicaciones (reconocimiento y clasificación de patrones)
Perspectiva histórica
Pre-1940: von Hemholtz, Mach, Pavlov, etc.
– Teorías generales sobre el aprendizaje, visión y condicionamientosin modelos matemáticos específicos sobre la operación neuronal.
1940s: Hebb, McCulloch and Pitts
– Mecanismo de aprendizaje en neuronas biológicas – Redes de elementos ‘neuronales’ pueden hacer cómputo
aritmético
1950s: Rosenblatt, Widrow and Hoff
– Primeras redes artificiales (RNA) prácticas y reglas de aprendizaje
1960s: Minsky and Papert
– Demostraron las limitaciones de lasRNA existentes, no se estaban
desarrollando nuevos algoritmos de aprendizaje. Muchas investigaciones en el campo se suspenden.
1970s: Amari, Anderson, Fukushima, Grossberg, Kohonen
– Continuan trabajando en el tema pero a pasos mas lentos.
1980s: Grossberg, Hopfield, Kohonen, Rumelhart, etc.
– Desarrollos importantes causan un resurgimiento de estudios en
el campo.
Algunasposibles aplicaciones
Espacio aéreo
– Pilotos automáticos de alto desempeño, simulaciones y
predicciones de trayectoria de vuelo, sistemas de control de vuelo, detección de fallas en componentes de la nave.
Automotriz
– Sistemas automáticos de navegación, comando por voz
Bancos
– Lectores de documentos, evaluadores de asignación de crédito,
identificador de firmas.
DefensaElectrónica
– Predicción de secuencias de códigos, control de procesos, análisis
de fallas de circuitos, visión de máquina, síntesis de voz, modelado no lineal.
Algunas posibles aplicaciones
Robótica
– Control de trayectorias, control de manipuladores, sistemas de visión.
Voz
– Reconocimiento de voz, compresión de voz, sintetizadores de texto a
voz.
Telecomunicaciones
– Compresión dedatos e imágenes, servicios automáticos de
información, traducción de lenguaje hablado en tiempo real.
Transportation
– Sistemas ruteadores, diagnóstico de motores, tiempos y movimientos.
Seguridad
– Reconocimiento de rostros, identificación y acceso de personas
Algunas posibles aplicaciones
Financieros
– Evaluación de bienes raíces, consultor de prestamos, valuación
de bonoscorporativos, análisis sel uso de la línea de crédito, predicción de tipo de cambio.
Manufactura
– Control de procesos de manufactura, análisis y diseño de
productos, diagnóstico de máquinas y procesos, identificación de partes en tiempo real, sistemas de inspección de calidad, predicción de fin de proceso, análisis de mantenimiento de máquinas, modelado de sistemas dinámicos.
Medicina
–Detección de cáncer mamario o en la piel, análisis de EEG y ECG,
diseño de prótesis, optimización de tiempos de trasplante, reducción de gastos en hospitales.
Oficinas postales, Verificación remota, etc.
Aspectos biológicos
Las neuronas son lentas
– 10-3 s comparadas con 10-9 s para circuitos eléctricos
El cerebro usa cómputo masivamente paralelo
– ≈1011 neuronas en el cerebro – ≈104 conexiones por neurona
Dendrites
Axon Cell Body
Synapse
Cómputo convencional
Máquina ‘von Neuman’ CPU Memoria
Tomar una instrucción de memoria. Tomar datos de memoria requeridos por la instrucción. Ejecutar la instrucción (procesar los datos). Almacenar resultados. Regresar al paso#1.
¿Qué limitaciones tiene este esquema?, ¿qué problemas no podrían ser resueltos así?
Una...
Contenido del curso Introducción y Antecedentes
Perceptron
– Estructura y entrenamiento – Separabilidad lineal – Aplicaciones (funciones lógicas, clasificación)
Redes Lineales
– – – – – – – –
Estructura y entrenamiento Razón de aprendizaje Nodos adaptativos Aplicaciones (filtros lineales adaptativos, aproximación lineal) Estructura y entrenamientoMejoras de entrenamiento Pre y post procesamiento Aplicaciones (reconocimiento óptico de caracteres, sensores virtuales)
Redes Multicapa
Redes de Funciones de Base Radial
– Estructura y entrenamiento – Aplicaciones (reconocimiento y clasificación de patrones)
Perspectiva histórica
Pre-1940: von Hemholtz, Mach, Pavlov, etc.
– Teorías generales sobre el aprendizaje, visión y condicionamientosin modelos matemáticos específicos sobre la operación neuronal.
1940s: Hebb, McCulloch and Pitts
– Mecanismo de aprendizaje en neuronas biológicas – Redes de elementos ‘neuronales’ pueden hacer cómputo
aritmético
1950s: Rosenblatt, Widrow and Hoff
– Primeras redes artificiales (RNA) prácticas y reglas de aprendizaje
1960s: Minsky and Papert
– Demostraron las limitaciones de lasRNA existentes, no se estaban
desarrollando nuevos algoritmos de aprendizaje. Muchas investigaciones en el campo se suspenden.
1970s: Amari, Anderson, Fukushima, Grossberg, Kohonen
– Continuan trabajando en el tema pero a pasos mas lentos.
1980s: Grossberg, Hopfield, Kohonen, Rumelhart, etc.
– Desarrollos importantes causan un resurgimiento de estudios en
el campo.
Algunasposibles aplicaciones
Espacio aéreo
– Pilotos automáticos de alto desempeño, simulaciones y
predicciones de trayectoria de vuelo, sistemas de control de vuelo, detección de fallas en componentes de la nave.
Automotriz
– Sistemas automáticos de navegación, comando por voz
Bancos
– Lectores de documentos, evaluadores de asignación de crédito,
identificador de firmas.
DefensaElectrónica
– Predicción de secuencias de códigos, control de procesos, análisis
de fallas de circuitos, visión de máquina, síntesis de voz, modelado no lineal.
Algunas posibles aplicaciones
Robótica
– Control de trayectorias, control de manipuladores, sistemas de visión.
Voz
– Reconocimiento de voz, compresión de voz, sintetizadores de texto a
voz.
Telecomunicaciones
– Compresión dedatos e imágenes, servicios automáticos de
información, traducción de lenguaje hablado en tiempo real.
Transportation
– Sistemas ruteadores, diagnóstico de motores, tiempos y movimientos.
Seguridad
– Reconocimiento de rostros, identificación y acceso de personas
Algunas posibles aplicaciones
Financieros
– Evaluación de bienes raíces, consultor de prestamos, valuación
de bonoscorporativos, análisis sel uso de la línea de crédito, predicción de tipo de cambio.
Manufactura
– Control de procesos de manufactura, análisis y diseño de
productos, diagnóstico de máquinas y procesos, identificación de partes en tiempo real, sistemas de inspección de calidad, predicción de fin de proceso, análisis de mantenimiento de máquinas, modelado de sistemas dinámicos.
Medicina
–Detección de cáncer mamario o en la piel, análisis de EEG y ECG,
diseño de prótesis, optimización de tiempos de trasplante, reducción de gastos en hospitales.
Oficinas postales, Verificación remota, etc.
Aspectos biológicos
Las neuronas son lentas
– 10-3 s comparadas con 10-9 s para circuitos eléctricos
El cerebro usa cómputo masivamente paralelo
– ≈1011 neuronas en el cerebro – ≈104 conexiones por neurona
Dendrites
Axon Cell Body
Synapse
Cómputo convencional
Máquina ‘von Neuman’ CPU Memoria
Tomar una instrucción de memoria. Tomar datos de memoria requeridos por la instrucción. Ejecutar la instrucción (procesar los datos). Almacenar resultados. Regresar al paso#1.
¿Qué limitaciones tiene este esquema?, ¿qué problemas no podrían ser resueltos así?
Una...
Leer documento completo
Regístrate para leer el documento completo.