me parece muy interesante

2.  Redes Neuronales
 Método de aprendizaje automático
basado en el funcionamiento del
cerebro.
 Las células llamadas neuronas son una
unidad de procesamiento que

3.  Recibe un estimulo eléctrico de otras
neuronas principalmente a través de su
árbol dendrítico.
 El estimulo eléctrico recibido al pasar de
un cierto umbral causa que la
 neurona a su vez imprima una señal
eléctrica a través de su axón a
 otras neuronas.

5.  1943 - Warren McCulloch y Walter Pitts
, primer modelo.
 1962 - Widrow & Hoff desarrollan un
método de aprendizaje.
 1963-1980 olvidadas
 1980- Múltiples aplicaciones y diferentes
modelos
 Redes Neuronales

6.  El cerebro tiene unas 1010 neuronas
 Conexiones por neurona: 104-5
 Tiempo de activación/desactivación
0.001 seg.
 Tiempo en reconocer una cara 0.1 seg
 Computación paralela!

9.  Predicción
• enfermedades coronarias
• ventas
• divorcios
 Clasificación
• clientes de un banco
• economía
 Interpolación
• control de producción
• reconocimiento

10.  Funciones paso: Dan una salida binaria
 dependiente de si el valor de entrada
está por
 encima o por debajo del valor umbral.
 Funciones sigmoidales: Funciones
 monótonas acotadas que dan una
salida
gradual no lineal.

11.  Red neuronal multicapa:
 Cada perceptrón está conectado a
todos los demás de la siguiente capa.
 Las capas ocultas no están conectadas
al exterior.
 No hay conexión entre las neuronas de
la misma capa.
 Redes Neuronales

13. Créditos
Seguros
Logística
Sociología
Control
Optimización
Fidelidad
Bolsa

14.  Simulación del movimiento de objetos
(juegos, realidad virtual, etc..)

17. • Dos personas dicen “Hola”
• Hacemos un análisis de frecuencias (60)
• Entrenamos una red con “hola”s
• 1
• 0
•
• 1
• 0
• Discrimnación de la red con “hola”s conocidos = 100%
• Discriminación de la red con “hola”s desconocidos = 100%

18.  Promedios sobre redes
entrenadas a partir de pesos
aleatorios
› Si existe un modelo
subyacente, las redes son
equivalentes
› Si no existe un modelo
subyacente, las redes producen
• Lanzamos 100 redes sobre
 datos entrenar/validar
• Para cada dato tenemos un
 promedio y una dispersión
• Descartamos 3 sigma
 Opciones
 Alarmas
 Arbitraje
 Estrategias