IAC2016-14_Aplica_vent_desvent_A4

Vista previa del material en texto

Ventajas de las RNA (BP).
La flexibilidad de esta red se puede aumentar con la posibilidad de elegir número de capas, interconexiones,
número de neuronas, tasa de aprendizaje (learning rate), momentum, representación de los datos, etc.
La red Backpropagation es capaz de participar con éxito en una amplia gama de aplicaciones.
Ventajas de las RNA (BP).
La función del diseñador es únicamente la obtención de la arquitectura apropiada. No es problema del
diseñador el cómo la red aprenderá a discriminar. Sin embargo, sí es necesario que desarrolle un buen
algoritmo de aprendizaje que le proporcione a la red la capacidad de discriminar, mediante un entrenamiento
con patrones.
La habilidad de las neuronas de calcular funciones de salida no lineales, capacita a la red para resolver
problemas complejos o no lineales. De este modo, en numerosas aplicaciones se están consiguiendo con
RNA cotas de error mucho mejores que las proporcionadas por otros métodos.
2. Desventajas de las RNA (BP).
2.1. Desventajas de las RNA (BP).
Desventajas de las RNA (BP).
El mayor inconveniente es el tiempo de convergencia. Las aplicaciones reales pueden llegar a tener miles
de ejemplos en el conjunto de entrenamiento y ello requiere días de tiempo de cálculo.
La backpropagation es susceptible de fallar en el entrenamiento, es decir, la red puede que nunca llegue a
converger.
Desventajas de las RNA (BP).
No se puede aplicar una RNA a todo tipo de problemas. La condición indispensable para aplicar una RNA
es contar con un grupo grande de ejemplos historicos.
Es difícil comprender la naturaleza de las representaciones internas generadas por la red para responder ante
un problema determinado. Es decir, no sabemos cómo el sistema interrelaciona las diferentes variables de
entrada con los pesos de las conexiones entre neuronas para elaborar una solución.
3. Implementación de una RNA por Hardware.
3.1. Implementación de una RNA por Hardware.
Implementación de una RNA por Hardware.
Una forma de implementar una RNA es mediante chips especializados para redes neuronales.
Con esto aprovechamos su capacidad de cálculo en paralelo y reducimos notablemente el tiempo de ejecu-
ción lo cual hace posible su implimentación real para desarrollar una única y bien definida tarea.
Por lo tanto, no se presentan dificultades para la inserción de RNA en aplicaciones específicas, por ejemplo
de control, dentro de los sistemas existentes.
2
4. Implementación de una RNA por Software.
4.1. Implementación de una RNA por Software.
Implementación de una RNA por Software.
Otra forma de implementación que es más simple e inmediata consiste en simular la red sobre un ordenador
convencional mediante un software específico. Aunque de esta manera se pierde su capacidad de cálculo en
paralelo, las prestaciones que ofrecen los ordenadores actuales resultan suficientes para resolver numerosos
problemas prácticos pequeños, al permitir simular redes a una velocidad razonable.
Implementación de una RNA por Software.
Esta forma de implementación constituye la manera más barata y directa de implementar una RNA.
Por otra parte, no es necesario que cada investigador diseñe sus propios simuladores, pues existen numerosas
aplicaciones comerciales que permiten la simulación de multitud de modelos neuronales.
5. Aplicaciones generales de los métodos de Machine Learning.
5.1. Aplicaciones generales de los métodos de Machine Learning.
Aplicaciones generales de los métodos de Machine Learning.
Hay muchos tipos de métodos de aprendizaje automatizado; cada uno de los cuales tiene una aplicación parti-
cular más apropiada. Algunas aplicaciones comerciales son:
Biología:
- Aprender más acerca del cerebro y otros sistemas. - Obtención de modelos de la retina.
Aplicaciones generales de los métodos de Machine Learning.
Empresa:
- Identificación de candidatos para posiciones específicas. - Explotación de bases de datos. - Optimización de
plazas y horarios en líneas de vuelo. - Optimización del flujo del tránsito controlando convenientemente la tempo-
rización de los semáforos. - Reconocimiento de caracteres escritos o de voz.
Aplicaciones generales de los métodos de Machine Learning.
Medio ambiente:
- Analizar tendencias y patrones. - Previsión del tiempo.
3
Aplicaciones generales de los métodos de Machine Learning.
Finanzas:
- Previsión de la evolución de los precios. - Valoración del riesgo de los créditos. - Identificación de falsificaciones.
- Interpretación de firmas.
Aplicaciones generales de los métodos de Machine Learning.
Manufactura:
- Robots automatizados y sistemas de control (visión artificial, sensores de presión, temperatura, gas, etc.). -
Control de producción en líneas de procesos. - Inspección de la calidad (Sawyer).
Aplicaciones generales de los métodos de Machine Learning.
Robots Humanoides
- Nao es un robot humanoide programable y autónomo, desarrollado por Aldebaran Robotics, una compañía de
robótica francesa con sede en París en 2004 comenzó su desarrollo. - Nao se viene usando desde 2008 en intitucio-
nes educativas en todo el mundo (mas de 70 países). - Actualmente se han creado comunidades de desarrolladores,
para potenciar las aplicaciones de este robot, haciendolo disponible para todos.
Aplicaciones generales de los métodos de Machine Learning.
Robots Humanoides
- ASIMO es un robot humanoide (androide) desarrollado por la compañía japonesa Honda en el año 2000. - Se
desarrollo con el objetivo de ayudar a las personas que carecen de movilidad completa en sus cuerpos. También
para animar a la juventud para estudiar ciencias y matemáticas. - En la actualidad Honda sigue desarrollando más
funcionalidades de ASIMO.
4
Aplicaciones generales de los métodos de Machine Learning.
Medicina:
- Analizadores del habla para ayudar en la audición de sordos profundos. - Monitorización en cirugías. - Pre-
dicción de reacciones adversas en los medicamentos. - Entendimiento de la causa de los ataques cardíacos. -
Ingeniería biomedica: diseño y construcción de equipos médicos, prótesis, dispositivos de diagnóstico y terapia
Aplicaciones generales de los métodos de Machine Learning.
Astronáutica:
Es la teoría y práctica de la navegación fuera de la atmósfera de la Tierra por parte de objetos artificiales, tripulados
o no, es decir, el estudio de las trayectorias, navegación, exploración y supervivencia humana en el espacio. Abarca
tanto la construcción de los vehículos espaciales como el diseño de los lanzadores que habrán de ponerlos en órbita.
Aplicaciones generales de los métodos de Machine Learning.
Astronomía:
Ciencia que estudia la estructura y la composición de los astros, su localización y las leyes de sus movimientos.
5
Aplicaciones generales de las RNA.
Militares:
- Clasificación de las señales de radar. - Creación de armas inteligentes. - Optimización del uso de recursos
escasos. - Reconocimiento y seguimiento en el tiro al blanco.
Aplicaciones generales de los métodos de Machine Learning.
Contraataque nuclear garantizado: el botón del Juicio Final en Rusia
El mayor elemento de disuasión nuclear de Rusia es un sistema que garantiza un ataque nuclear de respuesta,
incluso en caso de la destrucción total de las líneas de mando y comunicación y muerte de personas clave. Se
conoce en Rusia como Perímetr.
Aplicaciones generales de los métodos de Machine Learning.
Resumiendo:
La mayoría de estas aplicaciones consisten en realizar un reconocimiento de patrones, como ser: buscar un patrón
en una serie de ejemplos, clasificar patrones,completar una señal a partir de valores parciales o reconstruir el patrón
correcto partiendo de uno distorsionado. Se puede afirmar que está creciendo el uso de los métodos de Machine
Learning en distintos tipos de sistemas.
Aplicaciones generales de los métodos de Machine Learning.
Calsificación con los métodos de Machine Learning:
En muchas aplicaciones de clasificación, por ejemplo, reconocimiento de voz, la clave esta en que los datos de
entrenamiento deben ser paresde patrones de entrada y salida. En este caso, es conveniente adoptar métodos de
aprendizaje supervisados como los que vimos en este curso.
6. Próxima Clase
Próxima Clase
1. Trabajo Final.
6