Redes Neuronales

INTRODUCCIÓN
Las redes de neuronas artificiales son un paradigma de aprendizaje y procesamiento automático inspirado en la forma en que funciona el sistema nervioso de los animales. Se trata de un sistema de interconexión de neuronas en una red que colabora para producir un estímulo de salida.
Con un paradigma convencional de programación en ingeniería del software, el objetivo del programadores modelar matemáticamente el problema en cuestión y posteriormente formular una solución (programa) mediante un algoritmo codificado que tenga una serie de propiedades que permitan resolver dicho problema. En contraposición, la aproximación basada en las redes neuronales artificiales parte de un conjunto de datos de entrada suficientemente significativo y el objetivo es conseguir que la redaprenda automáticamente las propiedades deseadas.
Una RNA(red neuronal artificial) es muy diferente en términos de estructura de un cerebro animal. Al igual que el cerebro, una RNA se compone de un conjunto masivamente paralelo de unidades de proceso muy simples y es en las conexiones entre estas unidades donde reside la inteligencia de la red.
Las redes neuronales artificiales tienen ciertasventajas, entre las que destacan el aprendizaje, auto organización, tolerancia a fallos, flexibilidad y tiempo real.
Aprendizaje: Las RNA tienen la habilidad de aprender mediante una etapa que se llama etapa de aprendizaje. Esta consiste en proporcionar a la RNA datos como entrada a su vez que se le indica cuál es la salida esperada.
Auto organización: Una RNA crea su propia representación de lainformación en su interior, descargando al usuario de esto. Tolerancia a fallos: Debido a que una RNA almacena la información de forma redundante, ésta puede seguir respondiendo de manera aceptable aun si se daña parcialmente. Flexibilidad: Una RNA puede manejar cambios no importantes en la información de entrada, como señales con ruido u otros cambios en la entrada (por ejemplo si la información deentrada es la
4
imagen de un objeto, la respuesta correspondiente no sufre cambios si la imagen cambia un poco su brillo o el objeto cambia ligeramente). Tiempo real: La estructura de una RNA es paralela, por lo cual si esto es implementado con computadoras o en dispositivos electrónicos especiales, se pueden obtener respuestas en tiempo real.
5
ANTECEDENTES
El Backpropagation es un algoritmo deaprendizaje supervisado que se usa para entrenar redes neuronales artificiales. El algoritmo consiste en minimizar un error por medio de descenso de gradiente, por lo que la parte esencial del algoritmo es el cálculo de las derivadas parciales de dicho error con respecto a los parámetros de la red neuronal.
Descripción del algoritmo:
1. Calcular la salida de la red a partir de uno de losconjuntos de valores de prueba x. 2. Comparar con la salida correcta t y calcular el error según la fórmula: 3. Calcular las derivadas parciales del error con respecto a los pesos que unen la capa oculta con la de salida. 4. Calcular las derivadas parciales del error con respecto a los pesos que unen la capa de entrada con la oculta. 5. Ajustar los pesos de cada neurona para reducir el error. 6. Repetirel proceso varias veces por cada par de entradas-salidas de prueba. O = Xj*F(netj)
6
OBJETIVO Desarrollar una aplicación de software haciendo uso de las redes neuronales con el algoritmo de backpropagation con la finalidad de aplicarlo a la clasificación de dos tipos de vinos. Con esta aplicación se pretende poder clasificar entre dos tipos de vinos salidos de viñedos diferentes de Italia segúnla base de datos “Wine” de la UCI Machine Learning Repository.
PROPUESTA El desarrollo de esta aplicación tiene como finalidad dar una pequeña muestra de un clasificador haciendo uso de redes neuronales y es aplicable a todo tipo de mercados, en este caso, al de vino, ya que un software de este tipo permitiría diferenciar rápidamente en base a ciertos parámetros diversos tipos de productos de...