Redes neuronales artificiales

Redes Neuronales Artificiales Redes Neuronales Artificiales Aplicaciones de RNA Redes Neuronales Artificiales Aplicaciones a) Modelización de sistemas. Determinar el modelo de un sistema a partir de entradas y salidas que se conocen. b) Predicción. Determinar el valor de una secuencia temporal en un tiempo a partir de valores en tiempos anteriores. Evolución de un número de consumidores para un determinado producto. c) Clasificación. Clasificar el patrón de entrada en una serie de clases definidas de antemano (Clasificación de tumores). 3 Reconocimiento de imágenes 10 mas buscados del FBI Redes Neuronales Artificiales Características • Clasifica imágenes • Busca imágenes por Internet • Reconoce patrones • Preediciones sobre una serie de datos • RNA basados en Hopfield •Se puede modificar la cantidad de Neuronas y su entrenamiento 4 Manejo del programa Redes Neuronales Artificiales •El sospechoso •La base de datos de criminales conocidos •Resultados de la búsqueda 5 Buscado por el FBI Es un criminal Redes Neuronales Artificiales Glen Stewart Godwin was convicted of murder and sentenced to twenty-five years to life. On June 30, 1987 he escaped from Folsom State Prison by accessing the main storm drain and thereby reaching the American River where a raft was waiting. He is one of only three prisoners to ever escape from this prison. Recompensa de 10 millones por información que permita su captura 6 Aplicación de redes neuronales para la mejora de la calidad del jamón Función Utiliza un sistema electrónico que ayude a la determinación de la calidad del Jamón. Redes Neuronales Artificiales Características •Conjunto de sensores olfativos (nariz electrónica) •Trabajan 16 sensores •Clasificados por un sistema de clasificación basado en redes neuronales •Entrenado usando los resultados ofrecidos por un experto. 7 Detección de Cubierta Nubosa y Clasificación de Nubes mediante Redes Neuronales Redes Neuronales Artificiales •Trata la segmentación de las imágenes meteorológicas •Nubes bajas, medias, altas, Nubes de desarrollo vertical y Nieblas. •Cubierta nubosa es uno de los factores más importantes del balance radiactivo terrestre y constituye un papel fundamental en la modulación del clima. •Para la clasificación se utilizan algoritmos de redes neuronales Perceptrones multicapa Mapas autoorganizativos •El entrenamiento de las redes se realiza a partir de un conjunto de ejemplos preclasificados por expertos en sus correspondientes clases 8 Evaluación Morfológica de Ganado Bovino Redes Neuronales Artificiales A partir de fotografías de campo (una lateral, otra de frente y una posterior) se obtiene una evaluación morfológica del animal. El problema se centra en la segmentación de la imagen (localización del animal) y en la posterior evaluación del contorno mediante redes neuronales. 9 Redes Neuronales Artificiales Aplicacion de RNA en Robótica La programación de robots se hace en relación a las coordenadas cartesianas, por lo tanto caerá en el controlador la tarea de traducir dichas coordenadas en variables articulares o motoras que gobernaran las movimientos del robot. Por lo tanto , el control de robots depende de la disponibilidad de funciones que permitan pasar del espacio físico al espacio de variables articulares o motoras. funciones tienen el problema de ser altamente no lineales por todo esto las redes neuronales ofrecen una buena respuesta a este tipo de aplicaciones. 10 Redes Neuronales Artificiales Reglas de aprendizaje • Reglas correccionales. No usan ninguna realimentación derivan de la regla hebbiana, usadas en modelos de aprendizaje adaptativo, modelos de resonancia adaptativa, y mapas auto-organizativos de Kohonen. b) Reglas de minimización del error. Requieren una señal de error exacta que usa como realimentación. Esto quiere decir que precisan conocer las salidas que corresponden a las entradas. c) Reglas basadas en una señal de refuerzo. La señal de refuerzo proporciona información de cómo ha sido de buena o mala la respuesta a un determinado estímulo, generalmente adopta valores entre un máximo (premio) y un mínimo (castigo). 11 Redes Neuronales Artificiales Utilización de RNA en control a) Modelización inversa directa. Es el esquema mas simple. Usa el propio sistema para generar pares de entradasalida y entrena el modelo inverso directamente mediante el intercambio de entradas y salidas. b) Modelización hacia delante. Procede en dos etapas. 1) Se hace que la red aprenda el modelo del sistema a partir de pares e/s. 2) Se antepone dicho modelo a otra red neuronal y se entrena el sistema formado por ambas para que aproxime la función identidad, manteniendo los pesos del modelo fijos, ya que serán lo pesos del controlador los que se ajustan. 12 Redes Neuronales Artificiales c) Aprendizaje basado en la señal f de error realimentada. Requiere disponer de un controlador convencional conectado al sistema, siendo la función de este la de hacer que la señal de error tienda a cero. Este enfoque no precisa fase de aprendizaje previa. 13 Redes Neuronales Artificiales Problemas Matemáticos En Redes Neuronales En el caso de ajuste de funciones, las RNA tienen la ventaja de su rápida evaluación numérica y de la obtención, igualmente rápida, de derivadas de las funciones, sin necesidad de tomar derivadas numéricas. Para las ecuaciones diferenciales, las RNA pueden emplearse, en general, para resolver ecuaciones que tengan soluciones continuas; para ello, se representa la solución por medio de la red y se ajustan los parámetros de la misma por medio de una minimización de una función de error que cuantifica la desviación de la solución. 14 Redes Neuronales Artificiales Q Q Aspectos destacables. El empleo de las RNA reduce al mínimo el número de coeficientes a utilizar para representar una función, con el consiguiente ahorro de memoria. Así mismo, debido a la rapidez de la evaluación numérica, se economiza tiempo de cálculo. 15 Compañías aseguradoras Redes Neuronales Artificiales Las RNA proporcionan varias herramientas para mejorar la comercialización de productos propios de compañías aseguradoras. Se destacan a continuación tres tipos de redes que ya se han empleado en este tipo de mercado. Predicción de bajas A partir de un histórico (accidentes, edad, nivel socioeconómico) sobre anteriores bajas, una red puede ser entrenada para detectar a un mes vista qué clientes tienen una alta probabilidad de dejar la compañía. La red otorga a cada cliente un nivel de fidelidad, mejorando la identificación de los clientes más proclives a dejar la entidad. 16 Compañías aseguradoras Redes Neuronales Artificiales Targeted marketing Una red puede ser entrenada con los resultados de una campaña anterior para mejorar la selección de potenciales clientes en una nueva oferta de producto. A partir de datos históricos, la red ofrece una predicción de no compra y, por lo tanto, reduce el conjunto de posibles clientes a contactar. Este método puede llegar a reducir a la mitad el número de clientes contactados manteniendo en un 90% el nivel de aceptación de una campaña. 17 Redes Neuronales Artificiales Q Detección de fraude Q Una RNA puede ser entrenada con datos históricos para detectar fraude no evidente. La red busca correlaciones entre fraudes detectados y datos del cliente, para luego sondear los nuevos casos de accidentes. Q Las RNA proporcionan una herramienta cuantitativa sólida para la utilización de bases de datos de clientes en compañías aseguradoras. 18 Compañías del sector de la alimentación La IA proporciona varias herramientas para mejorar la comercialización de productos propios de compañías del sector de la alimentación. Se destaca a continuación tres problemas que se pueden atacar con métodos estadísticos, algoritmos genéticos y redes neuronales que se han empleado en este tipo de mercado. Redes Neuronales Artificiales Distribución Los algoritmos genéticos permiten rastrear un enorme número de opciones en el diseño de una red de distribución, encontrando una solución optimizada. La necesidad de este tipo de técnicas de análisis se hace patente cuando la red de distribución es grande, como puede ser el diseño de rutas de un distribuidor con decenas de camiones. 19 Redes Neuronales Artificiales Compañías del sector de la alimentación Predicción Una RNA puede ser entrenada con datos históricos para hacer predicción de ventas. Es posible, por ejemplo, alimentar a la red con datos de las ventas de tanto un camión como de todo un distribuidor para luego proporcionar una ayuda en la estimación de la predicción de las ventas futuras a corto y largo plazo. 20 Clasificación Redes Neuronales Artificiales Q Q Las RNA pueden aprender criterios de propensión a la compra de un determinado producto. Permiten también crear cestas de compra, es decir predecir qué nuevo producto se debe ofrecer a un determinado cliente dada su respuesta en el pasado. Las RNA, los algoritmos genéticos y otros métodos estadísticos avanzados proporcionan pues una herramienta cuantitativa sólida para la utilización de bases de datos de clientes en compañías del sector de la alimentación. 21 Redes Neuronales Artificiales Consumo eléctrico Tipo de Objetivo red. Problema Clasificac Ayuda al proceso de toma de ión y decisiones en la demanda predicció energética n Determinar la cantidad de electricidad que se consumirá mañana durante cada hora del día en función del tipo de día. DATOS ORIGINALES: Se han recopilado datos de varios años de los que puede verse una breve muestra a continuación en "ele.raw". En este fichero encontramos la fecha, el día de la semana (1=lunes, ....), y el consumo horario durante las 24 horas. 22 Redes Neuronales Artificiales 23 Consumo eléctrico 2.-Datos input de la red Redes Neuronales Artificiales Para el aprendizaje por parte de la red neuronal los datos originales se han procesado y se ha creado el fichero "ele.dat", del que ofrecemos una muestra. 24 Redes Neuronales Artificiales 25 Consumo eléctrico Redes Neuronales Artificiales Variables elegidas para este Variable a PREDECIR: estudio: Parametrización en únicamente dos variables de: 1-24) Perfil normalizado del consumo horario durante todo el día. Esta parametrización es hallada automáticamente por la red. 1) Consumo total. 2-25) Perfil normalizado del consumo horario durante todo el día. La red debe buscar la mejor parametrización (ejemplo de clasificación), para poder utilizarla posteriormente como predicción (ejemplo de predicción) 26 Redes Neuronales Artificiales Consumo eléctrico 27 Redes Neuronales Artificiales RESULTADOS Los resultados se encuentran en el fichero "ele.tes". Las columnas 1 y 2 contienen la parametrización que ha encontrado la red. En la grafica adjunta podemos ver esta parametrizacion obtenida por la red. Los lunes se situan automaticamente en la parte superior derecha, los domingos en la inferior izquierda, y el resto entre ellos. Esta parametrización es la utilizada para efectuar la predicción del consumo horario 28 Aplicaciones Médicas Redes Neuronales Artificiales Las RNA proporcionan varias herramientas para ayudar en el diagnóstico de pacientes y la predicción de su evolución. Diagnóstico Una RNA puede ser entrenada a partir de datos históricos de pacientes y su diagnóstico consolidado, el proceso corresponde a una clasificación. A diferencia de otros métodos empleados en sistemas expertos, la red se adapta mediante reentrenamiento a cambios de tests, técnicas de diagnosis e incluso evolución de la población. Es una herramienta de ayuda en el proceso de clasificación versátil y dinámica. 29 Aplicaciones Médicas Redes Neuronales Artificiales Evolución de un paciente Una red puede ser entrenada con datos que reflejan la evolución de pacientes aquejados de una cierta enfermedad. La red permite realizar una predicción de la evolución de la misma enfermedad en nuevos pacientes. La red es capaz de adaptase a cambios en el tratamiento e incluso proporcionar predicciones del resultado de aplicar diferentes tratamientos. Grupos de riesgo A menudo se caracterizan ciertos grupos de riesgo (SIDA, cáncer de pecho, etc..) con técnicas estadísticas sencillas. Las redes neuronales permiten realizar clasificaciones mucho más elaboradas (no lineales) en base a ejemplos. La red actúa como una herramienta de "clusterización". 30 Redes Neuronales Artificiales Futuro redes neuronales artificiales Las redes neuronales alcanzan cada vez mayor auge, teniendo multitud de aplicaciones en campos diversos y dando soluciones sencillas a problemas cuya resolución resulta complicada cuando se emplean máquinas algorítmicas. Aún así, el futuro de las redes neuronales no está todavía claro y será en los próximos años cuando se determine su evolución. 31 Redes Neuronales Artificiales 32