ENTRENAMIENTO DE REDES NEURONALES BASADO EN ALGORITMOS EVOLUTIVOS.

ENTRENAMIENTO DE REDES NEURONALES BASADO EN ALGORITMOS EVOLUTIVOS.
FACULTAD DE INGENIERÍA, UNIVERSIDAD DE BUENOS AIRES
TESISTA: Sr. Luis Federico Bertona
Perez Ramos Rocio de Belen Grupo: 1801 Materia: Inteligencia Artificial
La Inteligencia Artificial sintetiza y automatiza tareas intelectuales y es, por lo tanto, potencialmente relevante para cualquier ámbito de la actividad intelectual humana. [Russell y Norving, 2004].
Actualmente esta ciencia está comprendida por varios subcampos que van desde áreas de propósito general, como el aprendizaje y la percepción, a otras más específicas como la demostración de teoremas matemáticos, el diagnostico de enfermedades, etc.
Uno de los modelos que ha surgido para emular el proceso de aprendizaje es la red neuronal artificial. Las redes neuronales son modelos que intentan reproducir el comportamiento del cerebro humano.
Este documento me llamo la atencion debido a que hemos estudiado dentro de clase algunos terminos de los cuales se desprende el “aprendizaje de una maquina” y la simulacion de la forma en que el cerebro humano lleba acabo el proceso de analisis y la toma de desciciones.
Las redes neuronales artificiales (RNA) son modelos matemáticos que intentan reproducir el funcionamiento del sistema nervioso. Como todo modelo, realizan una simplificación del sistema real que simulan y toman las características principales del mismo para la resolución de una tarea determinada.
Una red neuronal artificial esta compuesta por una o más capas, las cuales se encuentran interconectadas entre sí. Entre un par de neuronas de la red neuronal artificial pueden existir conexiones. Estas conexiones son las sinapsis, tienen asociadas un peso sináptico, y son direccionales.(La sinapsis que es la Comunicación entre las neuronas, con intercambio de señales químicas y eléctricas)
Cuando la conexión se establece entre dos neuronas de una misma capa hablamos de conexiones laterales o conexiones intra-capa. Por el contrario, si la conexión se establece entre neuronas de distintas capas se la denomina conexión inter-capa. Si la conexión se produce en el sentido inverso al de entrada-salida la conexión se llama recurrente o realimentada.
Una red puede estar formada por una única capa de neuronas. En este caso hablamos de redes monocapa, y las neuronas que conforman dicha capa cumplen la función de neuronas de entrada y salida simultáneamente. Cuando la red esta compuesta por dos o más capas hablamos de redes multicapa.
Una vez seleccionada el tipo de neurona artificial que se utilizará en una red neuronal y determinada su topología es necesario entrenarla para que la redes pueda ser utilizada. Partiendo de un conjunto de pesos sinápticos aleatorio, el proceso de aprendizaje busca un conjunto de pesos que permitan a la red desarrollar correctamente una determinada tarea. Durante el proceso de aprendizaje se va refinando iterativamente la solución hasta alcanzar un nivel de operación suficientemente bueno.
Arquitectura de una red neuronal se compone de: aprendizaje, fase de entrenamiento y fase de operación.
El proceso de aprendizaje se puede dividir en tres grandes grupos de acuerdo a sus características;
• Aprendizaje supervisado. Se presenta a la red un conjunto de patrones de entrada junto con la salida esperada. Los pesos se van modificando de manera proporcional al error que se produce entre la salida real de la red y la salida esperada.
• Aprendizaje no supervisado. Se presenta ala red un conjunto de patrones de entrada. No hay información disponible sobre la salida esperada. El proceso de entrenamiento en este caso deberá ajustar sus pesos en base a la correlación existente entre los datos de entrada.
• Aprendizaje por refuerzo. Este tipo de aprendizaje se ubica entre medio de los dos anteriores. Se le presenta a la red un conjunto de patrones de entrada y se le indica a la red si la salida obtenida es o no correcta. Sin embargo, no se le proporciona el valor de la salida esperada. Este tipo de aprendizaje es muy útil en aquellos casos en que se desconoce cual es la salida exacta que debe proporcionar la red.
Una vez finalizada la fase de aprendizaje, la red puede ser utilizada para realizar la tarea para la que fue entrenada. Una de las principales ventajas que posee este modelo es que la red aprende la relación existente entre los datos, adquiriendo la capacidad de generalizar conceptos. De esta manera, una red neuronal puede tratar con información que no le fue presentada durante de la fase de entrenamiento.
Existen diferentes metodologias o metodos para entrenar las neuronas artificiales detro de ellas hacen mencion de: Métodos de gradiente descendente, el algoritmo Backpropagation y generalización.
Cualquier metodo escogido para desarrollar RNA’s debe ser analizado minuciosamente ya que cada uno, tiene variantes a favor y en contra; cualquiera que fuere la descicion y metodo para el escogido no debemos dejar de lado que en el analisis matematico para el calculo y aplicacion de aprendizaje de las redes neuronales artificiales esta el secreto del exito e implementacion de estas.