Archive for the ‘Loxa’ Category

Una red Bayesiana  es un grafo acíclico dirigido en el que cada nodo representa una variable y cada arco una dependencia probabilística. Los nodos por lo general son variables aleatorias. Son utilizadas para modelar un fenómeno y de representar el conocimiento y métodos flexibles de razonamiento por medio de los nodos. El obtener una red Bayesiana  a partir de datos, es un proceso de aprendizaje que se divide en dos etapas: el aprendizaje estructural y el aprendizaje paramétrico.

 

Aprendizaje

 

Redes Bayesianas Dinámicas (RBD) son las que cambian con el tiempo.

 

Dada una representación en RBD en base a dos componentes, la estructura base (estático), y la red de transición.

 

Estructura base: Para aprender de la estructura base se consideran los datos de todas las variables en todos los tiempos, de forma que se pueda tener dependencias sin considerar las relaciones temporales. El problema entonces es de dos tipos:

 

  • Aprendizaje estructural: obtiene la estructura de la red Bayesiana (o topología de red) a partir de bases de datos, es decir, las relaciones de dependencia e independencia entre las variables involucradas.

 

  • Aprendizaje paramétrico: dada una estructura, obtiene las probabilidades asociadas. El requisito primordial para poder realizar la tarea de aprendizaje de redes Bayesianas a partir de datos es disponer de bases de datos muy amplia en las que esté detallado el valor de cada variable en cada uno de los casos.

 

 

Estructura de transición: dada la estructura base se aprende la red de transición esto se realiza usando dos enfoques:

 

  • Basado en medidas de ajuste de búsqueda: se parte de una estructura inicial con dos copias de la red base, y se busca agregar ligas entre variables en el tiempo T y T+1 que optimicen la medida de evaluación, para ello se consideran los datos de cada variable en el tiempo siguiente.

 

 

Figura 1: Aprendizaje de una red Bayesiana dinámica. Primero se obtiene la estructura base (izquierda) y después y después las relaciones entre etapas (derecha).

 

 

De medidas locales: Se aplican estas variables entre etapas para de esta forma determinar los arcos a incluirse en la red de transición. La Figura 1 ilustra una RBD sencillo.

 

Bibliografía

 

[1] Sierra Araujo, B. (2006): Aprendizaje Automatico. España: Pearson

[2] Ezequiel FELGAER, P. (2008, Abril). OPTIMIZACIÓN DE REDES BAYESIANAS BASADO

EN TÉCNICAS DE APRENDIZAJE POR INDUCCIÓN disponible en: www.itba.edu.ar/capis/rtis/rtis-6-2/optimizacion-de-redes-bayesianas.pdf

[3] Ezequiel FELGAER, P. (2008, Abril). OPTIMIZACIÓN DE REDES BAYESIANAS BASADO

EN TÉCNICAS DE APRENDIZAJE POR INDUCCIÓN disponible en: www.fi.uba.ar/materias/7500/felgaer-tesisingenieriainformatica.pdf

 

Por: Junior Sinche

 

Para hablar de redes neuronales artificiales primero se debe entender el funcionamiento del cerebro humano desde las partes que conforman una neurona hasta el procedimeinto que se cumple para la activacion de una de ellas ya que en base a este proceso se comenzaron a desarrollar las investigaciones sobre RNA, esta area ha tenido una significativa historia que comienza en 1943 hasta la actualidad.

En el presente post comenzamos con una introduccion del tema, pasando a un concepto concreto de redes neuronales artificiales, y una importante historia que ha sido resumida sobre las investigaciones de este campo.

INTRODUCCIÓN

El cerebro humano continuamente recibe señales de entrada de muchas fuentes y las procesa a manera de crear una apropiada respuesta de salida. Nuestros cerebros cuentan con millones de neuronas que se interconectan para elaborar “Redes Neuronales”. Estas redes ejecutan los millones de instrucciones necesarias para mantener una vida normal.

Las neuronas, al igual que las demás células del cuerpo, funcionan a través de impulsos eléctricos y reacciones químicas. Los impulsos eléctricos que utiliza una neurona para intercambiar información con las demás, viajan por el axón que hace contacto con las dendritas de la neurona vecina mediante las sinápsis. La intensidad de la corriente transmitida depende de la eficiencia de la transmisión sináptica. Una neurona en especial transmitirá un impulso eléctrico por su axón si suficientes señales de las neuronas vecinas transmiten a través de sus dendritas en un tiempo corto. La señal que se transmite a la neurona podrá ser además ya sea inhibitoria o excitatoria. La neurona dispara, esto es, manda el impulso por su axón, si la excitación excede su inhibición por un valor crítico, el umbral de la neurona.

Todo el sistema descrito anteriormente es el proceso que realiza el cerebro, el funcionamiento complejo es el que las redes neuronales tratan de imitar, mediante la integración y utilización de modelos de algoritmos matemáticos que simulan el funcionamiento de una neurona hasta la unión de de todas estas en una sola red neuronal artificial.

Los avances que esta rama ha generado son diversos y en diferentes áreas, desde la aplicación en la biología, empresas, manufacturación, medicina, hasta en el campo militar para la creación de armas inteligentes

CONCEPTO DE RED NEURONAL ARTIFICIAL

Las RNA están compuestas de un gran número elementos de procesamiento altamente interconectados (Neuronas) trabajando al mismo tiempo para la solución de problemas específicos. Las RNA, tal como las personas, aprenden de la experiencia.

En cualquier caso, se trata de una nueva forma de computación que es capaz de manejar las imprecisiones e incertidumbres que aparecen cuando se trata de resolver problemas relacionados con el mundo real (reconocimiento de formas, toma de decisiones, etc.), ofreciendo soluciones robustas y de fácil implementación.

Seguir leyendo »