Introducción al Softcomputing

Vista previa del material en texto

Introducción al Soft
Computing
1.1.1 Definición
El Softcomputing es un conjunto de técnicas y algoritmos que se basan en la inteligencia 
artificial y la inteligencia computacional para tomar decisiones. Incluye técnicas como el 
aprendizaje automático, la inteligencia artificial difusa y la inteligencia artificial basada en 
la naturaleza. Estas técnicas se utilizan para abordar problemas complejos y no 
estructurados que no pueden ser resueltos mediante métodos tradicionales de cálculo.
1.1.2 Importancia
• El Soft Computing es importante porque permite solucionar problemas que son difíciles 
de abordar con los enfoques tradicionales de la inteligencia artificial y la computación. 
• Es utilizado en una amplia gama de aplicaciones, desde el procesamiento de señales 
hasta la toma de decisiones en sistemas complejos.
1.1.3. Ventajas
• Capacidad de manejar incertidumbre y imprecisión: el Soft Computing se basa en la 
lógica difusa, lo que le permite manejar información imprecisa y tener una respuesta 
más próxima a la realidad.
• Aplicabilidad en diferentes áreas: Soft Computing es ampliamente aplicado en diferentes 
campos, como la industria, la banca, la medicina, entre otros, lo que demuestra su 
versatilidad y flexibilidad.
• Mejora la toma de decisiones: el Soft Computing permite la integración de diferentes 
técnicas de inteligencia artificial, lo que mejora la toma de decisiones en situaciones 
complejas o con incertidumbre.
1.1.3. Desventajas
• Complejidad: el Soft Computing puede ser una tecnología compleja y requiere un alto 
conocimiento técnico para su implementación y uso eficiente.
• Tiempo de procesamiento: algunos algoritmos de Soft Computing requieren mucho 
tiempo de procesamiento, lo que puede ser un problema en aplicaciones en tiempo real.
• Falta de interpretabilidad: algunos resultados de Soft Computing pueden ser difíciles de 
interpretar y explicar, lo que puede ser un obstáculo para su adopción y uso en algunos 
campos.
1.1.4 Términos 
relacionados
• 1.1.4.1 Redes Neuronales Artificiales: 
• Las Redes Neuronales Artificiales (RNA) son una 
herramienta fundamental dentro del campo del 
Softcomputing, que emula el comportamiento y la 
estructura del sistema nervioso humano para resolver 
problemas complejos.
1.1.4 Términos 
relacionados
• 1.1.4.1 Redes Neuronales 
Artificiales: 
• Estas redes están formadas por 
una serie de nodos o neuronas, 
cada uno de los cuales es 
responsable de procesar 
información y transmitirla a otros 
nodos. La información se 
transmite a través de las 
conexiones entre las neuronas, las 
cuales se activan y transmiten 
información en función de la 
entrada recibida
• Una capa es un conjunto 
de neuronas cuyas 
entradas provienen de 
una capa anterior (o de 
los datos de entrada en el 
caso de la primera capa) y 
cuyas salidas son la 
entrada de una capa 
posterior.
• Las neuronas de la primera capa reciben 
como entrada los datos reales que 
alimentan a la red neuronal. Es por eso por 
lo que la primera capa se conoce como capa 
de entrada.
• La salida de la última capa es el resultado 
visible de la red, por lo que la última capa se 
conoce como la capa de salida. 
• Las capas que se sitúan entre la capa de 
entrada y la capa de salida se conocen como 
capas ocultas ya que desconocemos tanto 
los valores de entrada como los de salida.
¿Cómo se entrena una red neuronal?
• Entrenar una red neuronal consiste en ajustar cada uno de los pesos 
de las entradas de todas las neuronas que forman parte de la red 
neuronal, para que las respuestas de la capa de salida se ajusten lo 
más posible a los datos que conocemos.
• Si queremos conseguir que la red neuronal sea capaz de generalizar e 
identificar gatos en cualquier imagen, es importante utilizar un 
elevado número de imágenes para realizar el entrenamiento, tanto de 
imágenes que son gatos (etiquetadas como 1) como de imágenes que 
no son gatos (etiquetadas como 0), incluyendo la mayor variabilidad 
posible. 
• Con esto, la red será capaz de ajustar sus parámetros para satisfacer 
en la medida de lo posible todas las imágenes, por lo que será capaz 
de extraer de manera precisa las características que identifican la 
presencia de un gato en una imagen.
Tipos de aprendizajes de la RNA
• Aprendizaje supervisado: La red recibe información de entrada y la compara con una 
salida deseada, ajustando los pesos de las conexiones en consecuencia para mejorar su 
capacidad para producir la salida correcta en el futuro.
• Aprendizaje no supervisado: La red recibe información de entrada sin una salida 
deseada específica, y se ajusta para descubrir patrones y estructuras subyacentes en los 
datos.
• Aprendizaje por refuerzo: La red recibe recompensas o castigos por cada decisión que 
toma, y se ajusta en consecuencia para maximizar su recompensa a largo plazo.
• Aprendizaje semisupervisado: La red recibe una combinación de datos etiquetados y no 
etiquetados, y se ajusta para mejorar su capacidad de clasificación y generalización.
Tipos de redes neuronales artificiales 
• Red neuronal de percepción: se utiliza en problemas de clasificación binaria, donde la 
salida es un valor de 0 o 1. Por ejemplo, una red neuronal de percepción puede ser 
entrenada para identificar si una imagen contiene un gato o no.
• Red neuronal multicapa feedforward (MLFF): es una red neuronal que se utiliza en 
problemas de clasificación multiclase, donde la salida es una categoría entre varias 
opciones. Por ejemplo, una red neuronal MLFF puede ser entrenada para identificar el 
tipo de frutas en una imagen (manzana, plátano, naranja, etc.).
• Red neuronal recurrente: se utiliza en problemas que requieren la consideración de 
secuencias de entrada, como el análisis de texto o la predicción de una serie temporal. 
Por ejemplo, una red neuronal recurrente puede ser entrenada para predecir el precio de 
una acción en función de su historial de precios.
Entrenando a mi red neuronal
• Google Teachable Machine utiliza aprendizaje supervisado para 
entrenar los modelos de Machine Learning. Esto significa que la 
herramienta se alimenta con datos etiquetados previamente, que 
describen las categorías o clases a las que pertenecen los objetos o 
imágenes que se usan como entrada. Luego, la herramienta utiliza 
estos datos para entrenar un modelo de Machine Learning que pueda 
clasificar nuevos objetos o imágenes en las mismas categorías.
• https://www.youtube.com/watch?v=bA00XlslUT8&t=1068s
Tarea: Proyecto de aprendizaje de máquina 
con redes neuronales
1. Investigación de un problema: Investiga un problema que pueda ser solucionado 
utilizando una red neuronal. Por ejemplo, se puede investigar problemas relacionados 
con la clasificación de imágenes, reconocimiento de voz, análisis de texto, entre otros.
2. Propuesta de proyecto: Propón un proyecto que utilice redes neuronales para 
solucionar el problema identificado en el paso anterior. Por ejemplo, si has investigado 
un problema relacionado con la clasificación de imágenes, puedes proponer un 
proyecto en el que entrenes una red neuronal para clasificar imágenes de animales en 
diferentes categorías (perros, gatos, pájaros, etc.).
3. Utilización de Google Teachable Machine: Usa Google Teachable Machine para 
entrenar a la red neuronal y solucionar el problema propuesto en el paso anterior.
Tarea: Proyecto de aprendizaje de máquina 
con redes neuronales
4. Grabación de video: Graba un video en el que muestres el proceso 
de entrenamiento y ponga a prueba tu proyecto. Asegúrate de incluir 
ejemplos de entradas y salidas de la red neuronal para que los 
espectadores puedan ver cómo funciona el modelo.
5. Subida del video: Sube el video a una plataforma, como YouTube, 
para compartir tu proyecto con otros. Incluye una descripción detallada 
del proyecto y de los resultados obtenidos para que los espectadores 
puedan entender lo que hiciste y cómo lo hiciste.
	Diapositiva 1: Introducción al Soft Computing
	Diapositiva2: 1.1.1 Definición
	Diapositiva 3: 1.1.2 Importancia
	Diapositiva 4: 1.1.3. Ventajas
	Diapositiva 5: 1.1.3. Desventajas
	Diapositiva 6: 1.1.4 Términos relacionados
	Diapositiva 7: 1.1.4 Términos relacionados
	Diapositiva 8
	Diapositiva 9
	Diapositiva 10: ¿Cómo se entrena una red neuronal?
	Diapositiva 11
	Diapositiva 12: Tipos de aprendizajes de la RNA
	Diapositiva 13: Tipos de redes neuronales artificiales 
	Diapositiva 14: Entrenando a mi red neuronal
	Diapositiva 15
	Diapositiva 16: Tarea: Proyecto de aprendizaje de máquina con redes neuronales
	Diapositiva 17: Tarea: Proyecto de aprendizaje de máquina con redes neuronales