Descargar para leer sin conexión
![Algoritmo LMS (mínimo cuadrado medio)
Aprendizaje competitivo
Algoritmos de aprendizaje populares utilizados en redes neuronales Haga clic para twittear
Tipos de aprendizaje en redes neuronales
Aprendizaje supervisado-En el aprendizaje supervisado, los datos de entrenamiento se ingresan a la red y
se conoce el resultado deseado. Los pesos se ajustan hasta que la producción produce el valor deseado.
Aprendizaje sin supervisión-Los datos de entrada se utilizan para entrenar la red cuya salida se conoce. La
red clasifica los datos de entrada y ajusta el peso mediante la extracción de características en los datos de
entrada.
Aprendizaje reforzado -Aquí se desconoce el valor de la salida, pero la red proporciona
información sobre si la salida es correcta o incorrecta. EsAprendizaje semisupervisado
.
Aprendizaje sin conexión -El ajuste del vector de peso y el umbral se realiza solo después de que todo el
conjunto de entrenamiento se presenta a la red. También es llamadoAprendizaje por lotes.
Aprender en línea-El ajuste del peso y el umbral se realiza después de presentar cada
muestra de entrenamiento a la red.
Conjuntos de datos de aprendizaje en redes neuronales artificiales
Conjunto de entrenamiento -Un conjunto de ejemplos utilizados para el aprendizaje, es decir, para ajustar los
parámetros [es decir, pesos] de la red.Una Época se compone de un ciclo de formación completo en el
13/23](https://image.slidesharecdn.com/overviewofartificialneuralnetworksanditsapplications-240118174130-e0d11790/75/Overview-of-Artificial-Neural-Networks-and-its-Applications-13-2048.jpg)
![conjunto de entrenamiento.
Conjunto de validación -Un conjunto de ejemplos utilizados para ajustar los parámetros [es decir, la
arquitectura] de la red. Por ejemplo para elegir la cantidad de unidades ocultas en una Red Neuronal.
Equipo de prueba -Un conjunto de ejemplos utilizados únicamente para evaluar el rendimiento [generalización] de una
red completamente especificada o para aplicar con éxito en la predicción de resultados cuya entrada se conoce.
¿Cómo ocurre el aprendizaje en la red neuronal?
El aprendizaje ocurre cuando los pesos dentro de la red se actualizan después de muchas iteraciones.
Por ejemplo, supongamos que tenemos entradas en forma de patrones para dos clases diferentes de
patrones: I y 0 como se muestra y b -bias e y como salida deseada.
Patrón y X1 X2 X3 X4 X5 X6 X7 X8 X9 b
I 1 1 1 1 - 1 1 - 1 1 1 1 1
oh - 1 1 1 1 1 - 1 1 1 1 1 1
Queremos clasificar los patrones de entrada en patrones 'I' y 'O'.
Los siguientes son los pasos realizados:
Nueve entradas de x1- X9junto con el sesgo b (entrada que tiene un valor de peso 1) se envía a la red
para el primer patrón.
Inicialmente, los pesos se inicializan a cero.
Luego los pesos se actualizan para cada neurona usando la fórmula: Δ wi=xiy para i = 1 a 9
(regla de Hebb)
Finalmente, se encuentran nuevos pesos usando las fórmulas:
14/23](https://image.slidesharecdn.com/overviewofartificialneuralnetworksanditsapplications-240118174130-e0d11790/75/Overview-of-Artificial-Neural-Networks-and-its-Applications-14-2048.jpg)
![wi(nuevo) = wi(antiguo) + Δwi
W.i(nuevo) = [111-11-1 1111]
El segundo patrón se ingresa a la red. Esta vez, los pesos no se inicializan a cero. Los
pesos iniciales utilizados aquí son los pesos finales obtenidos después de presentar
el primer patrón. Al hacerlo, la red
Los pasos del 1 al 4 se repiten para las segundas entradas.
Los nuevos pesos son W.i(nuevo) = [0 0 0 -2 -2 -2 000]
Entonces, estos pesos corresponden a la capacidad de aprendizaje de la red para clasificar los patrones de
entrada con éxito.
Cuatro usos diferentes de las redes neuronales
Clasificación -Se puede entrenar una red neuronal para clasificar un patrón o conjunto de datos
determinado en una clase predefinida. UsaRedes de avance.
Predicción -Se puede entrenar una red neuronal para que produzca los resultados que se esperan de una entrada
determinada. Por ejemplo, - Predicción del mercado de valores.
Agrupación -La red neuronal se puede utilizar para identificar una característica única de los
datos y clasificarlos en diferentes categorías sin ningún conocimiento previo de los datos.
Las siguientes redes se utilizan para la agrupación:
Redes competitivas
Redes de teoría de resonancia adaptativa
Mapas autoorganizados de Kohonen.
Asociación -Se puede entrenar una red neuronal para que recuerde el patrón particular,
15/23](https://image.slidesharecdn.com/overviewofartificialneuralnetworksanditsapplications-240118174130-e0d11790/75/Overview-of-Artificial-Neural-Networks-and-its-Applications-15-2048.jpg)
Subido porRamiro Aduviri Velasco
Overview of Artificial Neural Networks and its Applications
Este documento proporciona una descripción general de las redes neuronales artificiales, incluida su estructura, funcionamiento, tipos y aplicaciones. Explica que las redes neuronales artificiales se inspiran en el cerebro biológico y consisten en redes interconectadas de neuronas artificiales. También describe los diferentes tipos de redes neuronales, como perceptrones, redes convolucionales y redes recurrentes, así como los algoritmos de aprendizaje como retropropagación y aprendizaje profundo que permiten a las redes neuronales aprender de los datos.
Más contenido relacionado
Similar a Overview of Artificial Neural Networks and its Applications
Más de Ramiro Aduviri Velasco
Overview of Artificial Neural Networks and its Applications
- 1. Descripción general delas redes neuronales artificiales y sus aplicaciones xenonstack.com/blog/descripción-de-las-redes-neurales-artificiales-y-sus-aplicaciones Descripción general de las redes neuronales artificiales y sus aplicaciones. por Jagreet | 05 de mayo de 2017 | Categorías -Redes neuronales artificiales, Aprendizaje automático, Aprendizaje profundo ¿Qué es la red neuronal? El término 'Neural' se deriva de la 'neurona' de la unidad funcional básica del sistema nervioso humano (animal) o células nerviosas que están presentes en el cerebro y otras partes del cuerpo humano (animal). Estructura de las neuronas en el cerebro La célula nerviosa típica del cerebro humano se compone de cuatro partes: 1/23 Traducido del inglés al español - www.onlinedoctranslator.com
- 2. Fuente de imagen- cs231n.github.io Dendrita:Recibe señales de otras neuronas. Soma (cuerpo de la célula):suma todas las señales entrantes para generar entrada. axón -Cuando la suma alcanza un valor umbral, la neurona se activa y la señal viaja por el axón hasta las otras neuronas. Sinapsis -El punto de interconexión de una neurona con otras neuronas. La cantidad de señal transmitida depende de la fuerza (pesos sinápticos) de las conexiones. Las conexiones pueden ser de naturaleza inhibidora (fuerza decreciente) o excitadora (fuerza creciente). Entonces, una red neuronal, en general, es una red altamente interconectada de miles de millones de neuronas con billones de interconexiones entre ellas. ¿En qué se diferencia el cerebro de las computadoras? 2/23
- 3. ¿Qué es lared neuronal artificial? Redes neuronales artificialesson simulaciones de inspiración biológica realizadas en la computadora para realizar ciertas tareas específicas como agrupación, clasificación, reconocimiento de patrones, etc. Las redes neuronales artificiales, en general, son redes de neuronas artificiales de inspiración biológica configuradas para realizar tareas específicas. ¿Qué son las redes neuronales artificiales? Haga clic para twittear Red neuronal biológica (real) versus artificial Características Red neuronal artificial Red neuronal biológica (real) Velocidad Más rápido en el procesamiento información. El tiempo de respuesta es en nanosegundos. Más lento en el procesamiento de la información. El El tiempo de respuesta es en milisegundos. 3/23
- 4. Procesando Procesamiento enserie. Procesamiento masivamente paralelo. Tamaño & Complejidad Menos tamaño y complejidad. Lo hace no realizar patrones complejos Tareas de reconocimiento. Red muy compleja y densa de neuronas interconectadas que contiene neuronas del orden de 10.11con 1015de interconexiones. Almacenamiento El almacenamiento de información es reemplazable significa que se pueden agregar nuevos datos eliminando un el viejo. Red muy compleja y densa de neuronas interconectadas que contiene neuronas del orden de 10.11con 1015de interconexiones. Tolerancia a fallos Intolerante a los fallos. Información una vez dañado no se puede recuperar en caso de falla de el sistema. El almacenamiento de información es adaptable significa nuevo. La información se agrega ajustando las fortalezas de la interconexión sin destruir información antigua Control Mecanismo Hay una unidad de control para controlar las actividades informáticas. No existe ningún mecanismo de control específico externo al tarea informática. Similitud de ANN con red neuronal biológica Redes neuronalesse parecen al cerebro humano en los dos aspectos siguientes: Una red neuronal adquiere conocimiento a través del aprendizaje. El conocimiento de una red neuronal se almacena dentro de fortalezas de conexión entre neuronas conocidas como pesos sinápticos. BASADO EN LA ARQUITECTURA DE VON NEUMANN INFORMÁTICA COMPUTACIÓN BASADA EN ANN Procesamiento en serie: instrucción de procesamiento y regla del problema uno a la vez (secuencial) Procesamiento paralelo: varios procesadores realizar simultáneamente (multitarea) Funciona lógicamente con un conjunto de reglas if y else - regla- enfoque basado Función aprendiendo patrón a partir de una entrada dada (imagen, texto o vídeo, etc.) 4/23
- 5. Programable por lenguajesde nivel superior como C,Java , C++, etc. ANN es, en esencia, programarse ellos mismos. Requiere un paralelo grande o propenso a errores procesadores Uso de multichips específicos de la aplicación. Analogía de la red neuronal artificial con la red neuronal biológica Las dendritas en elRed neuronal biológicason análogas a las entradas ponderadas basadas en su interconexión sináptica en elRed neuronal artificial. El cuerpo celular es comparable a la unidad de neurona artificial en la red neuronal artificial, que también consta de una unidad de suma y umbral. Axon transmite una salida análoga a la unidad de salida en el caso de una red neuronal artificial. Entonces, las RNA se modelan utilizando el funcionamiento de neuronas biológicas básicas. 5/23
- 6. ¿Cómo funciona lared neuronal artificial? Artificial Las redes neuronales pueden verse como gráficos dirigidos ponderados en los que las neuronas artificiales son nodos y los bordes dirigidos con pesos son conexiones entre las salidas y las entradas de las neuronas. La Red Neuronal Artificial recibe información del mundo exterior en forma de patrón e imagen en forma vectorial. Estas entradas se designan matemáticamente mediante la notación x(n) para n número de entradas. Cada entrada se multiplica por sus pesos correspondientes. Los pesos son la información que utiliza la red neuronal para resolver un problema. Normalmente, el peso representa la fuerza de la interconexión entre las neuronas dentro delRed neuronal. Todas las entradas ponderadas se resumen dentro de la unidad informática (neurona artificial). En caso de que la suma ponderada sea cero, se agrega un sesgo para hacer que la salida no sea cero o para aumentar la respuesta del sistema. Bias tiene el peso y la entrada siempre iguales a '1'. La suma corresponde a cualquier valor numérico que va del 0 al infinito. Para limitar la respuesta para llegar al valor deseado, se configura el valor umbral. Para ello, la suma pasa a través de la función de activación. 6/23
- 7. La función deactivación se establece en la función de transferencia utilizada para obtener la salida deseada. Existen funciones de activación lineales y no lineales. Funcionamiento de redes neuronales artificiales Haga clic para twittear Algunas de las funciones de activación más utilizadas son: funciones sigmoidales binarias, sigmoidales (lineales) y tan hiperbólicas (no lineales). binario -La salida tiene sólo dos valores, 0 y 1. Para ello, se configura el valor umbral. Si el insumo neto ponderado es mayor que 1, se supone que un producto es uno, de lo contrario es cero. Hiperbólico sigmoideo-Esta función tiene una curva en forma de 'S'. Aquí la función hiperbólica tan se utiliza para aproximar la salida a partir de la entrada neta. La función se define como - f (x) = (1/1+ exp(- x)) donde - parámetro de inclinación. Quizás también te guste leerDescripción general de la inteligencia artificial y el papel del procesamiento del lenguaje natural en Big Data Arquitectura de redes neuronales artificiales un tipicoRed neuronalContiene una gran cantidad de neuronas artificiales llamadas unidades dispuestas en una serie de capas. En una red neuronal artificial típica, se compone de diferentes capas: 7/23
- 8. Capa de entrada-Contieneesas unidades (Neuronas artificiales) que reciben información del mundo exterior en la que la red aprenderá, reconocerá o procesará de otro modo. Capa de salida-Contiene unidades que responden a la información sobre cómo se aprende cualquier tarea. capa oculta-Estas unidades se encuentran entre las capas de entrada y salida. El trabajo de la capa oculta es transformar la entrada en algo que la unidad de salida pueda usar de alguna manera. La mayoría de las redes neuronales están completamente conectadas, lo que significa que cada neurona oculta está completamente vinculada a cada neurona en su capa anterior (entrada) y a la siguiente capa (salida). Arquitectura de redes neuronales artificiales Haga clic para twittear 8/23
- 9. Tipos de redneuronal Parámetro Tipos Descripción Residencia en conexión patrón avance, Recurrente avance-En el que los gráficos no tienen bucles. Recurrente-Los bucles ocurren debido a la retroalimentación. Basado en el número de capa oculta Una sola capa, Multicapa Una sola capa-Tener una capa oculta. Por ejemplo, soltero perceptrón Multicapa-Tener múltiples capas ocultas. Multicapa perceptrón Basado en la naturaleza de pesas Fijado, Adaptado Fijado-Los pesos se fijan a priori y no se modifican en absoluto. Adaptado-Los pesos se actualizan y cambian durante capacitación. Residencia en Unidad de memoria Estático, Dinámica Estático-Unidad sin memoria. La salida actual depende de la entrada actual. Por ejemplo, red Feedforward Dinámica-Unidad de memoria: la salida depende de la entrada actual así como la salida actual. P.ej , Red neuronal recurrente Arquitecturas de redes neuronales populares 23/9
- 10. perceptrón-La red neuronaltiene dos unidades de entrada y una unidad de salida sin capas ocultas. Estos también se conocen como "perceptrones de una sola capa". Red de funciones de base radial-Estas redes son similares a la red neuronal de alimentación directa, excepto que la función de base radial se utiliza como función de activación de estas neuronas. Perceptrón multicapa-Estas redes utilizan más de una capa oculta de neuronas, a diferencia del perceptrón de una sola capa. Estos también se conocen comoRedes neuronales de avance profundo. Red neuronal recurrente-Tipo de red neuronal en la que las neuronas de capa oculta tienen autoconexiones.Redes neuronales recurrentesposeer memoria. En cualquier caso, la neurona de la capa oculta recibe activación de la capa inferior, así como su valor de activación anterior. Red de memoria a corto y largo plazo (LSTM)-El tipo de red neuronal en la que se incorporan células de memoria dentro de neuronas de capa oculta se denomina red LSTM. 23/10
- 11. Red Hopfield-Una redde neuronas completamente interconectada en la que cada neurona está conectada con todas las demás neuronas. La red se entrena con un patrón de entrada estableciendo un valor de neuronas según el patrón deseado. Luego se calculan sus pesos. Los pesos no se modifican. Una vez entrenada para uno o más patrones, la red convergerá a los patrones aprendidos. Es diferente de otras redes neuronales. Red de máquinas Boltzmann-Estas redes son similares a la red Hopfield excepto que algunas neuronas son de entrada, mientras que otras están ocultas en la naturaleza. Los pesos se inicializan aleatoriamente y se aprenden mediante un algoritmo de retropropagación. Red neuronal convolucional-Obtenga una descripción completa de las redes neuronales convolucionales a través de nuestro blogLog Analytics con aprendizaje automático y aprendizaje profundo . Arquitecturas de redes neuronales populares Haga clic para twittear Otros tipos de red neuronal Red neuronal modular-Es la estructura combinada de diferentes tipos de redes neuronales como el perceptrón multicapa,Red Hopfield,Red neuronal recurrente, etc. que se incorporan como un único módulo a la red para realizar subtareas independientes de redes neuronales completas. Red neuronal física-En este tipo de red neuronal artificial, se utiliza material de resistencia eléctricamente ajustable para emular la función de la sinapsis en lugar de simulaciones de software realizadas en la red neuronal. Aprendizaje en redes neuronales artificiales 23/11
- 12. La red neuronalaprende ajustando sus pesos y sesgos (umbral) de forma iterativa para producir el resultado deseado. También se denominan parámetros libres. Para que se produzca el aprendizaje, primero se entrena la red neuronal. El entrenamiento se realiza utilizando un conjunto definido de reglas, también conocido como algoritmo de aprendizaje. Algoritmos de aprendizaje populares utilizados en redes neuronales Descenso de gradiente -Este es el algoritmo de entrenamiento más simple utilizado en el caso de un modelo de entrenamiento supervisado. En caso de que la salida real sea diferente de la salida objetivo, se descubre la diferencia o el error. El algoritmo de descenso de gradiente cambia los pesos de la red de tal manera que minimice este error. Propagación hacia atrás -Es una extensión de la regla de aprendizaje delta basada en gradientes. Aquí, después de encontrar un error (la diferencia entre lo deseado y el objetivo), el error se propaga hacia atrás desde la capa de salida a la capa de entrada a través de la capa oculta. Se utiliza en caso de Red neuronal multicapa. Otros algoritmos de aprendizaje Regla de Hebb Regla Kohonen autoorganizada ley de hopfield 23/12
- 13. Algoritmo LMS (mínimocuadrado medio) Aprendizaje competitivo Algoritmos de aprendizaje populares utilizados en redes neuronales Haga clic para twittear Tipos de aprendizaje en redes neuronales Aprendizaje supervisado-En el aprendizaje supervisado, los datos de entrenamiento se ingresan a la red y se conoce el resultado deseado. Los pesos se ajustan hasta que la producción produce el valor deseado. Aprendizaje sin supervisión-Los datos de entrada se utilizan para entrenar la red cuya salida se conoce. La red clasifica los datos de entrada y ajusta el peso mediante la extracción de características en los datos de entrada. Aprendizaje reforzado -Aquí se desconoce el valor de la salida, pero la red proporciona información sobre si la salida es correcta o incorrecta. EsAprendizaje semisupervisado . Aprendizaje sin conexión -El ajuste del vector de peso y el umbral se realiza solo después de que todo el conjunto de entrenamiento se presenta a la red. También es llamadoAprendizaje por lotes. Aprender en línea-El ajuste del peso y el umbral se realiza después de presentar cada muestra de entrenamiento a la red. Conjuntos de datos de aprendizaje en redes neuronales artificiales Conjunto de entrenamiento -Un conjunto de ejemplos utilizados para el aprendizaje, es decir, para ajustar los parámetros [es decir, pesos] de la red.Una Época se compone de un ciclo de formación completo en el 13/23
- 14. conjunto de entrenamiento. Conjuntode validación -Un conjunto de ejemplos utilizados para ajustar los parámetros [es decir, la arquitectura] de la red. Por ejemplo para elegir la cantidad de unidades ocultas en una Red Neuronal. Equipo de prueba -Un conjunto de ejemplos utilizados únicamente para evaluar el rendimiento [generalización] de una red completamente especificada o para aplicar con éxito en la predicción de resultados cuya entrada se conoce. ¿Cómo ocurre el aprendizaje en la red neuronal? El aprendizaje ocurre cuando los pesos dentro de la red se actualizan después de muchas iteraciones. Por ejemplo, supongamos que tenemos entradas en forma de patrones para dos clases diferentes de patrones: I y 0 como se muestra y b -bias e y como salida deseada. Patrón y X1 X2 X3 X4 X5 X6 X7 X8 X9 b I 1 1 1 1 - 1 1 - 1 1 1 1 1 oh - 1 1 1 1 1 - 1 1 1 1 1 1 Queremos clasificar los patrones de entrada en patrones 'I' y 'O'. Los siguientes son los pasos realizados: Nueve entradas de x1- X9junto con el sesgo b (entrada que tiene un valor de peso 1) se envía a la red para el primer patrón. Inicialmente, los pesos se inicializan a cero. Luego los pesos se actualizan para cada neurona usando la fórmula: Δ wi=xiy para i = 1 a 9 (regla de Hebb) Finalmente, se encuentran nuevos pesos usando las fórmulas: 14/23
- 15. wi(nuevo) = wi(antiguo)+ Δwi W.i(nuevo) = [111-11-1 1111] El segundo patrón se ingresa a la red. Esta vez, los pesos no se inicializan a cero. Los pesos iniciales utilizados aquí son los pesos finales obtenidos después de presentar el primer patrón. Al hacerlo, la red Los pasos del 1 al 4 se repiten para las segundas entradas. Los nuevos pesos son W.i(nuevo) = [0 0 0 -2 -2 -2 000] Entonces, estos pesos corresponden a la capacidad de aprendizaje de la red para clasificar los patrones de entrada con éxito. Cuatro usos diferentes de las redes neuronales Clasificación -Se puede entrenar una red neuronal para clasificar un patrón o conjunto de datos determinado en una clase predefinida. UsaRedes de avance. Predicción -Se puede entrenar una red neuronal para que produzca los resultados que se esperan de una entrada determinada. Por ejemplo, - Predicción del mercado de valores. Agrupación -La red neuronal se puede utilizar para identificar una característica única de los datos y clasificarlos en diferentes categorías sin ningún conocimiento previo de los datos. Las siguientes redes se utilizan para la agrupación: Redes competitivas Redes de teoría de resonancia adaptativa Mapas autoorganizados de Kohonen. Asociación -Se puede entrenar una red neuronal para que recuerde el patrón particular, 15/23
- 16. de modo quecuando el patrón de ruido se presenta a la red, la red lo asocia con el más cercano en la memoria o lo descarta. P.ej ,Redes Hopfieldque realiza reconocimiento, clasificación y agrupación, etc. Red neuronal para el reconocimiento de patrones Reconocimiento de patronesEs el estudio de cómo las máquinas pueden observar el entorno, aprender a distinguir patrones de interés de su entorno y tomar decisiones sólidas y razonables sobre las categorías de los patrones. Algunos ejemplos del patrón son: imagen de una huella digital, una palabra escrita a mano, un rostro humano o una señal de voz. Dado un patrón de entrada, su reconocimiento implica la siguiente tarea: Clasificación supervisada-El patrón de entrada dado se identifica como miembro de una clase predefinida. Clasificación no supervisada-El patrón se asigna a una clase hasta ahora desconocida. Entonces, el problema de reconocimiento aquí es esencialmente clasificación o tarea categorizada. El diseño de sistemas de reconocimiento de patrones generalmente involucra los siguientes tres aspectos: 16/23
- 17. Adquisición y preprocesamientode datos Representación de datos Toma de decisiones Enfoques utilizados para el reconocimiento de patrones Comparación de plantillas Estadístico Coincidencia sintáctica Redes neuronales artificiales Siguiendo las arquitecturas de redes neuronales utilizadas para el reconocimiento de patrones: Perceptrón multicapa Kohonen SOM (Mapa autoorganizado) Red de funciones de base radial (RBF) Redes neuronales para reconocimiento de patrones Haga clic para twittear Red neuronal para aprendizaje automático Perceptrón multicapa (clasificación supervisada) Red de Propagación Atrás (clasificación supervisada) Hopfield Network (para asociación de patrones) Redes neuronales profundas (agrupación en clústeres no supervisados) Red neuronal para el aprendizaje profundo 17/23
- 18. Siguiendo la redneuronal, las arquitecturas se utilizan enAprendizaje profundo - Redes neuronales de retroalimentación Red neuronal recurrente Perceptrones multicapa (MLP) Redes neuronales convolucionales Redes neuronales recursivas Redes de creencias profundas Redes convolucionales de creencias profundas Mapas autoorganizados Máquinas Boltzmann profundas Codificadores automáticos con eliminación de ruido apilados Quizás también te guste leerAnálisis de registros con aprendizaje profundo y aprendizaje automático Lógica difusa en redes neuronales La lógica difusa se refiere a la lógica desarrollada para expresar el grado de veracidad asignando valores entre 0 y 1, a diferencia de la lógica booleana tradicional que representa 0 y 1. La lógica difusa y las redes neuronales tienen una cosa en común. Pueden utilizarse para resolver problemas de reconocimiento de patrones y otros que no impliquen ningún modelo matemático. Los sistemas que combinan lógica difusa y redes neuronales son sistemas neurodifusos. Estos sistemas (híbridos) pueden combinar ventajas tanto de las redes neuronales como de la lógica difusa para funcionar mejor. 18/23
- 19. La lógica difusay las redes neuronales se han integrado para su uso en las siguientes aplicaciones: Ingeniería automotriz Selección de candidatos para puestos de trabajo Control de grúa Seguimiento del glaucoma En un modelo híbrido (neuro-difuso),Algoritmos de aprendizaje de redes neuronalesse fusionan con el razonamiento confuso de la lógica difusa. La red neuronal determina los valores de los parámetros, mientras que las reglas si-entonces se manejan mediante lógica difusa. Hardware para redes neuronales Se utilizan dos tipos de métodos para implementar hardware para redes neuronales. Simulación de software en computadora convencional. Solución de hardware especial para disminuir el tiempo de ejecución. Cuando se utilizan redes neuronales con una menor cantidad de unidades de procesamiento y pesos, la simulación de software se realiza directamente en la computadora. Por ejemplo, reconocimiento de voz, etc. CuandoAlgoritmos de redes neuronalesDesarrollado hasta el punto en que se pueden hacer cosas útiles con miles de neuronas y miles de sinapsis, el hardware de redes neuronales de alto rendimiento se volverá esencial para la operación práctica. Por ejemplo, GPU (unidad de procesamiento gráfico) en el caso deAprendizaje profundo algoritmos en caso de reconocimiento de objetos, clasificación de imágenes, etc. 19/23
- 20. El rendimiento dela implementación se mide por la conexión por segundo número (cps), es decir, el número de fragmentos de datos que se transportan a través de los bordes de la red neuronal. Mientras que el rendimiento del algoritmo de aprendizaje se mide en las actualizaciones de conexión por segundo (tazas) Aplicaciones de la red neuronal Las redes neuronales se han aplicado con éxito a un amplio espectro de aplicaciones con uso intensivo de datos, como por ejemplo: Solicitud Arquitectura / Algoritmo Activación Función Modelado de procesos y control Red de base radial Base radial Diagnóstico de la máquina Perceptrón multicapa Bronceado-sigmoideo Función portafolio Gestión Algoritmo supervisado de clasificación Bronceado-sigmoideo Función Reconocimiento de objetivos Red neuronal modular Bronceado-sigmoideo Función Diagnostico medico Perceptrón multicapa Bronceado-sigmoideo Función Calificación crediticia Análisis discriminante logístico con ANN, vector de soporte Máquina Función logística Marketing dirigido Algoritmo de propagación hacia atrás Función logística Reconocimiento de voz Perceptrón multicapa, redes neuronales profundas ( Redes neuronales convolucionales) Función logística Previsión financiera Algoritmo de retropropagación Función logística 20/23
- 21. búsqueda inteligente Redneuronal profunda Función logística Detección de fraude Gradiente: algoritmo de descenso y mínimo cuadrado medio (LMS) algoritmo. Función logística Ventajas de la red neuronal Una red neuronal puede realizar tareas que un programa lineal no puede. Cuando un elemento de la red neuronal falla, puede continuar sin ningún problema por su carácter paralelo. Una red neuronal aprende y no necesita ser reprogramada. Se puede implementar en cualquier aplicación. Se puede realizar sin ningún problema. Limitaciones de la red neuronal La red neuronal necesita entrenamiento para funcionar. La arquitectura de una red neuronal es diferente de la arquitectura de los microprocesadores, por lo que es necesario emularla. Requiere un alto tiempo de procesamiento para redes neuronales grandes. ¿Cómo puede ayudarle XenonStack? XenonStack puede ayudarle a desarrollar e implementar sus soluciones modelo basadas en redes neuronales. Cualquiera que sea el tipo de problema al que se enfrente (predicción, clasificación o reconocimiento de patrones), XenonStack tiene una solución para usted. 21/23
- 22. Contacto Requisitos. Pila dexenónSoluciones de ciencia de datos proporciona una plataforma para que los científicos e investigadores de datos creen, implementen algoritmos de aprendizaje automático y aprendizaje profundo a escala con infraestructura de nube híbrida local y automatizada. a nosotros Con su Datos Análisis, Clasificación y Previsión Ponerse en contacto con nosotros para pruebas de concepto, consultoría, datos de construcción y productos de inteligencia artificial. Hable con nuestro científico de datos para evaluación y consultoría para su industria/solución/productos. Acerca de XenonStack XenonStack es una empresa de software líder enDesarrollo de productos y proveedor de soluciones para DevOps ,Integración de grandes datos ,Análisis en tiempo real ,Infraestructura de la nube & Ciencia de los datos . Obtenga una evaluación gratuita para DevOps, estrategia de Big Data, nube y ciencia de datos. CONTÁCTANOS AHORA Compartir publicación en las redes sociales 22/23
- 23.