•Neurona elemento de proceso•Variantes y combinaciones: gran flexibilidad: ¿demasiada?
Aprendizaje flexible: Redes neuronales
•Respuesta de elemento•Interconexiones
•Aproximador universal, ¿lento?, ¿seguro?•¿Opaco?•Diseño indefinido
Aprendizaje supervisado: Perceptrones
Ejemplo: indexación
doc1 doc2 doc3 doc4 .......... doc n
w1 w2 ....... wn
punteros a documentos
Red neuronal
palabra
•Buen interpolador•Usa categorización por proximidad
Aprendizaje supervisado: Redes de base radial
•Clasificación no preetiquetada•Rápido
Aprendizaje no supervisado: Redes competitivas (SOM)
Ejemplo: zonificación
•Recuperación a partir de contenido parcial•Capacidad limitada
Memoria asociativa: Autoasociadores
Escalabilidad
•Perceptrón masivo (300 ocultos), 300 ciclos•Intel Pentium 4 a 2,8 GHz, bus a 800 MHz, 1 MB cache, 1 GB RAM•35 000 datos•500 variables•5 horas
•Análisis de algodón•Estabilidad de estrato rocoso•Reconocimiento de imágenes
Análisis de algodón
Problema: Clasificar los restos de materiales en las balas de algodón
Datos: amplia muestra de imágenes 640£480Proceso:
•Análisis de imagen•Estadística y redes neuro-difusas•Justificación teórica de los resultadosResultado publicado: 98%
Estabilidad de roca
Problema: Determinar estabilidad de techos de mina
Datos: 230 casos, 12 variablesProceso:
•Redes neuronales, perceptrón (4, 9 ocultos) y radial (43 ocultos)•Diseño por validación cruzadaResultado publicado: ≥90%
Reconocimiento de imágenes
Problema: Dados los píxels decir qué es (dentro de un conjunto acotado)
Datos: típicamente decenas de miles de casos, decenas de píxels de lado
Resultados publicados: Dígitos: Error del 0.2% (como personas)Señales de tráfico: 0.56% (personas ~1%, otras técnicas ~3%)Reconocimiento de fonemas: 18%
Implementación
Tamaño: Hasta mil millones de parámetrosImplementación:
• Clúster de 1000 equipos de 16 núcleos• GPU: factor 50