REDES NEURONALES ARTIFICIALES

Motivacin:
Los seres humanos a diferencia de otros seres vivos, son capaces de
asimilar lo que se encuentra en su entorno, a partir de la capacidad de
adquirir el conocimiento gracias a la inteligencia que posee. La
inteligencia se define como la capacidad de asimilar y elaborar
informacin y utilizarla adecuadamente.
La inteligencia est ligada con otras funciones mentales, como la
percepcin o la memoria. El encargado de recibir y procesar la
informacin es el cerebro. La transmisin de informacin dentro del
cerebro se produce mediante la actividad de clulas llamadas neurotransmisores que son capaces de provocar la activacin de impulso
nervioso.
El cerebro se compone de dos tipos de clulas neurotransmisoras: las
clulas quiliales que funcionan como tejido de soporte y las neuronas que
son la unidad bsica del sistema nervioso.
Se calculan que los humanos tenemos aproximadamente 1011 neuronas y 1015
conexiones sinpticas
dentro del cerebro que forman una red de neuronas
fsicamente interconectadas que reciben seales.
Las neuronas procesan dichas seales gracias a un
La principal caracterstica de las neuronas que
excitabilidad
de
la
membrana
plasmtica.
especializadas en la recepcin de estmulos y
nerviosos entre ellas o con otro tipo de clulas
los tejidos musculares.

proceso electroqumico.
conforman la red es su
Estas
se
encuentran
conduccin de impulsos
como las que conforman

Las neuronas presentan unas caractersticas morfolgicas tpicas. Un

cuerpo celular central, una o varias prolongaciones cortas que recogen
informacin de los impulsos llamadas dentritas y una prolongacin larga
denominada axn que conduce los impulsos hacia otra neurona.
Cuando las neuronas transmiten informacin de unas a otras se denomina
sinapsis. La sinapsis comienza con una descarga electroqumica en una de
las neuronas. Una
vez que el impulso nervioso alcanza el extremo del
axn, la propia neurona genera una sustancia que se transmite a una de
las dentritas de otra neurona. Las conexiones entre las neuronas son la
base para construir redes neuronales.

RED NEURONAL ARTIFICIAL:

Una red neuronal artificial es un modelo de interconexin entre neuronas
artificiales, que transmite informacin de una a otra para producir un
estmulo de salida. Las redes neuronales artificiales tienen la habilidad
de aprender. Este tipo de redes se utiliza para:

El reconocimiento de patrones de voz.

Reconocimiento de imgenes
Reconocimiento de seales.
Interfaces adaptativas para sistemas hombre/mquina.
Prediccin.
Control y optimizacin.
Planeamiento.
Filtrado de seales.

Por tanto las redes neuronales artificiales son un intento de imitar

nuestra manera de pensar y a la vez un sistema que es capaz de aprender
por s solo, es decir, es un modelo computacional abstracto de un cerebro
humano.
Es evidente que una red neuronal artificial deriva su poder de
computacin, a travs de, primero de su enorme estructura compleja,
paralela y distribuida y segundo su capacidad de aprender y por lo tanto
generalizar. Generalizacin se refiere a que una Red Neuronal produce
razonablemente salidas para nuevas entradas no encontradas durante el
proceso de aprendizaje.
A continuacin se presenta un modelo de red neuronal artificial:

Del modelo anterior se tiene lo siguiente:

Las entradas (xi) son colecciones de datos que provienen del DataSet y
se combinan a travs de la funcin de combinacin (), la cual es
entrada (No lineal usualmente) para una funcin de activacin () que
produce una salida de respuesta (y), la cual es entonces entrada para
otras neuronas.
Cules tipos de problemas son apropiados para una red neuronal?
o Una de las ventajas de utilizar redes neuronales es que ellas
son bastante robustas con respecto a datos ruidosos. Porque la
red contiene muchos nodos (neuronas artificiales), las cuales
asignan pesos para cada conexin, la red puede trabajar con
datos que no generen mucha informacin e incluso con datos
errneos que existan en el DataSet.

Sin embargo, a diferencia de los rboles de decisin, los cuales

producen reglas intuitivas que son comprensibles, las redes
neuronales son relativamente opacas a la interpretacin humana.
Tambin, las redes neuronales usualmente quieren tiempos de
entrenamiento ms largos que un rbol de decisin.

ENTRADAS Y SALIDAS DE CODIFICACIN:

Un posible inconveniente de las redes neuronales es que todos los valores
de los atributos deben ser codificados de una manera estndar, tomando
valores entre 0 y 1, incluso para variables categricas o discretas.
Una de las formas de estandarizacin de valores es con Normalizacin MinMax:

REDES NEURONALES PARA ESTIMACIN Y PREDICCIN:

Claramente, las redes neuronales por su naturaleza producen salidas
continuas, por lo cual pueden ser utilizadas para estimacin y
prediccin. Suponer por ejemplo, que se est interesado en predecir el
precio de un artculo tres meses en el futuro. Presumiblemente, se debe
tener codificado la informacin del precio utilizando normalizacin minmax.
Sin embargo, la salida de la red neuronal es un valor entre 0 y 1, el
cual no representa la prediccin del precio del artculo.
Ms bien, la normalizacin min-max necesita ser invertida, entonces la
salida de la red neuronal puede ser entendida en la escala del precio del
artculo. En general esta des-normalizacin es como lo siguiente:
Prediction = output(data range) + minimum
Donde:

Output: representa la salida de la red neuronal en el rango (0,1).

Data range: representa el rango del valor del atributo original en
la escala no-normalizada.
Minimum: representa el valor del atributo ms pequeo de la escala
no-normalizada.

Por ejemplo, suponer que el rango del precio del artculo se encuentra
entre $20 y $30 y que la salida de la red neuronal fue 0.69. Entonces la
prediccin del precio del artculo en tres meses es:
Prediction = output(data range) + mnimum = 0.69($10)+$20 = $26.90

EJEMPLO SIMPLE DE UNA RED NEURONAL:

La
anterior
es
una
red
neuronal
simple,
que
contiene
capas,
realimentacin hacia adelante, red de neuronas artificiales completamente
conectadas. La realimentacin hacia adelante es restriccin natural en
las redes neuronales por lo cual no se permiten ciclos.
Las redes neuronales estn compuestas por dos o ms capas, a pesar que la
mayora de las redes consisten de tres capas: capa de entrada, una capa
oculta y una capa de salida. Puede haber ms de una capa oculta, a pesar
que la mayora de las redes contienen solamente una, la cual es
suficiente para la mayora de propsitos.
La red neuronal est completamente conectada, significa que cada nodo en
la capa dada est conectado con cada nodo de la siguiente capa.
Cada conexin entre nodos tiene un peso asociado. En la asignacin, estos
pesos son asignados randmicamente y los valores asignados estn entre 0
y 1.
El nmero de nodos de entrada usualmente dependen del nmero y tipo de
atributos del DataSet.
El nmero de capas ocultas y el nmero de nodos en cada capa oculta son
configurables por el usuario.
La red puede tener ms de un nodo en la capa de salida, dependiendo la
tarea de clasificacin particular de la red.
Cuntos nodos se deben tener en la capa oculta?
Entre ms nodos existan en la capa oculta, se incrementa el poder y
flexibilidad de la red para identificar patrones complejos, pero se debe
tener en cuenta que una capa oculta demasiado grande conduce a una
sobrecarga y sobre-entendimiento.
La capa de entrada acepta entradas desde el DataSet, tal como valores de
atributos, y simplemente pasa estos valores a lo largo de la capa oculta
sin ms transformacin. As, los nodos en la capa de entrada no comparten
el detalle de la estructura de los nodos de la capa oculta y los nodos de
la capa de salida.

Miremos la estructura de los nodos de la capa oculta y de la capa de

salida a travs del siguiente ejemplo:
Considrese la siguiente tabla:

Primero: La funcin de combinacin () produce una combinacin lineal de

los nodos de entrada y de los pesos de la conexin en un valor simple
escalar, el cual se denominar net. As, para el nodo j dado, se tiene:

Donde:

Xij representa la i-sima entrada para nodo j.

Wij representa el peso asociado con la i-sima entrada para nodo j.
Y esto es I+1 entradas para nodo j.
Notar que: X1, X2, , Xi representan entradas desde nodos del DataSet,
mientras que X0 representa una entrada constante, anlogo al factor
constante en los modelos de regresin (y = mx + b), la cual por
convencin nicamente tomar el valor X0j=1. Por lo tanto, cada capa
oculta o nodo j de la capa de salida contiene una entrada extra igual a
un peso particular W0jX0j = W0j, tal como W0B para el nodo B.
Por ejemplo, un Nodo A en la capa oculta tiene:

Con Noda A, esta Funcin de Combinacin () netA = 1.32 es entonces usada

como una entrada para la Funcin de Activacin ().
En neuronas biolgicas, las seales son enviadas entre neuronas cuando
la combinacin de entradas de una neurona particular supera un umbral
determinado (neurona fires o neurona de disparo).
Este es un comportamiento no lineal, ya que la respuesta de disparo no es
necesariamente una relacin lineal con el incremento en la estimulacin
de entrada.

En un modelo de neurona artificial la Funcin de Activacin presenta un

comportamiento No lineal.
La mayora de las funciones de activacin es representada por la Funcin
Sigmoid:

Donde,

es la base del logaritmo natural igual a 2.718281828. As, con Nodo A,

la activacin tomando netA = 1.32 como entrada para la Funcin de
Activacin Sigmoid, produce un valor de salida de:
1.32

Y = 1 / (1 + e-

) = 0.7892.

El trabajo con el Nodo A est realizado (por el momento), y este valor de

salida deber ser pasado entonces a lo largo de la conexin para el Nodo
Z, donde se formara a travs de otra combinacin lineal un componente
netz.
Antes de continuar el proceso con Nodo Z, se necesita encontrar la
contribucin del Nodo B, a partir de los valores de la tabla inicial. De
acuerdo a ello, se tiene:

Entonces:

El Nodo Z entonces combina esas salidas desde los Nodos A y B, a travs

de netz, una suma ponderada usando los pesos asociados con las conexiones
entre esos nodos.
Notar que las entradas Xi para Nodo Z No son los valores de los atributos
del DataSet, pero las salidas desde la Funcin Sigmoid de los Nodos A y B
pueden ser usadas como los valores Xi para el Nodo Z de salida:

Finalmente, netz es entrada en la Funcin de Activacin Sigmoid en Nodo

Z, resultando en:

Este valor de 0.8750 es la salida de la red neuronal para este PRIMER

PASO a travs de la red, y representa el valor predecido para la variable
objetivo para la primera observacin.

EJERCICIO:
El siguiente es un Data Set que contiene informacin resultado de una
investigacin del Largo y Ancho en centmetros, de los Spalos y Ptalos
de tres clases de flores (virgnicas, setosa, versicolor):
sepallength
7.7
5.1
5.6

sepalwidth
3.0
3.5
2.9

petallength
6.1
1.4
3.6

petalwidth
2.3
0.2
1.3

Utilizar el Data Set propuesto para realizar una

observacin por
cada registro (es decir, se esperan tres resultados de la red
1 por cada registro del Data Set), bajo las siguientes
restricciones:
1. Normalizar con min-max los valores del DataSet.
2. Para la red neuronal crear: una capa oculta con 2 nodos y una capa
de salida con 1 nodo.
3. La red neuronal debe estar conectada completamente.
4. Los pesos de las conexiones deben ser asignados randmicamente
asignando valores entre 0 y 1.
5. Para el Factor Constante de la red tomar los siguientes valores:
a. X0 = 1
b. W0_nodo1_capaOculta = 0.5
c. W0_nodo2_capOculta = 0.7
d. W0_nodoSalida = 0.6