Descarga la aplicación para disfrutar aún más
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
Compartir