Redes neuronales artificiales
Vídeo Relacionado a las
Redes Neuronales Artificiales
Definición
Modelo computacional
funcionamiento del cerebro
desarrollo de una arquitectura con rasgos cerebrales
Características
cuatro aspectos
fundamentales de
una red neuronal
forma de representar de la información
las funciones de activación de las neuronas serán continuas, del tipo lineal o sigmoidal
mecanismo de aprendizaje
basa en el entrenamiento de
la red con patrones
3 tipos de aprendizaje
aprendizaje
supervisado
aprendizaje
no supervisado
aprendizaje híbrido
Topología
arquitectura de las redes neuronales consiste en la organización y disposición de las neuronas
capas más o menos alejadas de la entrada y salida de la red
los parámetros fundamentales de la red son
número de capas
número de neuronas por capa
grado de conectividad
conexiones entre neuronas.
tipo de asociación entre la información de entrada y salida
almacenan cierta información aprendida; está información se registra de forma distribuida en los pesos asociados a las conexiones entre neuronas de entrada y salida
Funcionamiento
Función de propagación o unión de sumadora
Función de activación
Señal de salida o simplemente salida
señales de entrada
Pesos sinápticos
Utilidad
en la medicina, las RNA, poseen utilidades basadas en asistir al medico en algunas tareas
Imágenes
procesamiento de mágenes de alta complejidad (RX; TAC; RNM; ecografías; Doppler, etc) mediante redes neuronales permitió establecer patentes referidas a imágenes significativas de patologías antes no demostradas.
Analítica
facilitan los análisis de orina, sangre, control de diabetes, ionogramas,y la forma de detectar condiciones patológicas a través del análisis bioquímico
Farmacología
desarrollo de drogas para el tratamiento del cáncer. También han sido utilizadas para el proceso de modelado de biomoléculas
Diagnóstico
detección de cáncer y patologías cardíacas a través de las señales que se obtienen a partir de la aparatología médica
Ventajas y
Desventajas
Ventajas
Aprendizaje
consiste en proporcionar a la RNA datos como entrada a su vez que se le indica cuál es la salida esperada
Auto organización
crea su propia representación de la información en su interior
Tolerancia a fallos
puede seguir respondiendo de manera aceptable aun si se daña parcialmente
Flexibilidad
puede manejar cambios no importantes en la información de entrada, como señales con ruido u otros cambios en la entrada
Desventajas
Complejidad de aprendizaje en grandes tareas
Tiempo de aprendizaje elevado
Impedimento de interpretación
Elevada cantidad de datos para el entrenamiento
