Redes superficiales para reconocimiento de patrones, agrupación y series de tiempo
Las redes neuronales están compuestas de elementos simples que funcionan en paralelo. Estos elementos se inspiran en los sistema nerviosos biológicos. Al igual que en la naturaleza, las conexiones entre elementos determinan en gran medida el funcionamiento de la red. Puede entrenar una red neuronal para que ejecute una función particular ajustando los valores de las conexiones (pesos) entre elementos.
Normalmente, las redes neuronales se ajustan o entrenan de manera que una entrada particular lleve a una salida objetivo específica. La siguiente figura ilustra esta situación. En este caso, la red se ajusta a partir de una comparación de la salida y el objetivo, hasta que la salida de la red coincide con el objetivo. Normalmente, se necesitan muchos pares entrada-objetivo para entrenar una red.
Se han entrenado redes neuronales para que ejecuten funciones complejas en varios campos, incluidos el reconocimiento de patrones, la identificación, la clasificación, el habla, la visión y los sistemas de control.
Las redes neuronales también pueden entrenarse para resolver problemas que resultan difíciles a los ordenadores convencionales o a los seres humanos. La toolbox enfatiza el uso de paradigmas de redes neuronales que se integren (o se usen como tal) en aplicaciones de ingeniería, finanzas y otros campos prácticos.
Los siguientes temas explican cómo entrenar de forma interactiva redes neuronales superficiales para resolver problemas relativos al ajuste de funciones, el reconocimiento de patrones, la agrupación y las series de tiempo. El uso de estas herramientas puede proporcionarle una excelente introducción a la utilización del software Deep Learning Toolbox™:
Sugerencia
Para crear y visualizar redes neuronales de deep learning de forma interactiva, utilice la app Deep Network Designer. Para obtener más información, consulte Introducción a Deep Network Designer.
Aplicaciones y funciones de redes superficiales en Deep Learning Toolbox
Hay cuatro formas de usar el software Deep Learning Toolbox.
La primera forma es a través de sus herramientas. Estas herramientas ofrecen una vía práctica para acceder a las prestaciones de la toolbox para realizar las tareas siguientes:
La segunda forma de usar la toolbox es a través de operaciones de línea de comandos básicas. Las operaciones de línea de comandos ofrecen más flexibilidad que las herramientas, pero tienen cierta complejidad añadida. Si esta es su primera experiencia con la toolbox, las herramientas son la mejor introducción. Además, las herramientas pueden generar scripts de código MATLAB® documentado para proporcionarle plantillas que le permitan crear sus propias funciones de línea de comandos personalizadas. El proceso de usar primero las herramientas y, después, generar y modificar scripts de MATLAB es una forma excelente de aprender sobre la funcionalidad de la toolbox.
La tercera forma de usar la toolbox es a través de la personalización. Esta prestación avanzada le permite crear sus propias redes neuronales personalizadas, sin perder acceso a todas las funcionalidades de la toolbox. Puede crear redes con conexiones aleatorias y entrenarlas con las funciones de entrenamiento de la toolbox existentes (siempre y cuando los componentes de la red sean diferenciables).
La cuarta forma de usar la toolbox es mediante la posibilidad de modificar cualquiera de las funciones que contiene. Cada componente computacional está escrito en código de MATLAB y es totalmente accesible.
Estos cuatro niveles de uso de la toolbox se dirigen tanto a principiantes como a expertos: las herramientas sencillas guían a los nuevos usuarios a través de aplicaciones específicas y la personalización de la red permite a los investigadores probar arquitecturas novedosas con el mínimo esfuerzo. Sea cual sea su nivel de conocimientos sobre redes neuronales y MATLAB, existen funciones de la toolbox que se ajustan a sus necesidades.
Generación automática de scripts
Las propias herramientas son una parte importante del proceso de aprendizaje del software Deep Learning Toolbox. Le guiarán a través del proceso de diseño de redes neuronales para resolver problemas en cuatro importantes áreas de aplicación, sin necesidad de que tenga conocimientos previos de redes neuronales ni de que domine el uso de MATLAB. Además, las herramientas pueden generar automáticamente scripts de MATLAB, tanto simples como avanzados, que pueden reproducir los pasos ejecutados por la herramienta, pero con la opción de anular la configuración predeterminada. Estos scripts pueden proporcionarle plantillas para crear código personalizado y asistirle a la hora de familiarizarse con la funcionalidad de línea de comandos de la toolbox. Le recomendamos que utilice la función de generación automática de scripts de estas herramientas.
Aplicaciones de Deep Learning Toolbox
Sería imposible abarcar todo el conjunto de aplicaciones a las que las redes neuronales han aportado soluciones sobresalientes. Las secciones restantes de este tema describen solo algunas de las aplicaciones del ajuste de funciones, reconocimiento de patrones, agrupación y análisis de series de tiempo. La tabla siguiente da una idea de la diversidad de aplicaciones para las que las redes neuronales ofrecen soluciones de vanguardia.
Industria | Aplicaciones empresariales |
---|---|
Aeroespacial | Pilotos automáticos de aviones de alto rendimiento, simulación de trayectorias de vuelo, sistemas de control de aviones, mejoras del piloto automático, simulación de componentes de aviones y detección de fallos en componentes de aviones. |
Automoción | Sistema de navegación automática de automóviles y análisis de la actividad de garantía |
Banca | Lectura de cheques y otros documentos y evaluación de solicitudes de crédito |
Defensa | Dirección de armas, seguimiento de objetivos, discriminación de objetos, reconocimiento facial, nuevos tipos de sensores, sonar, radar y procesamiento de señales de imágenes, incluida la compresión de datos, la extracción de características y la supresión de ruido, así como la identificación de señales e imágenes |
Electrónica | Predicción de secuencias de código, diseño de chips de circuitos integrados, control de procesos; análisis de fallos de chips, visión artificial, síntesis de voz y modelado no lineal |
Entretenimiento | Animación, efectos especiales y previsiones de mercado |
Finanzas | Tasación inmobiliaria, asesoramiento sobre préstamos, selección de hipotecas, calificación de bonos corporativos, análisis del uso de líneas de crédito, seguimiento de la actividad de tarjetas de crédito, programa de negociación de carteras, análisis financiero corporativo y predicción del precio de las divisas |
Industria | Predicción de procesos industriales, como los gases de salida de los hornos, en sustitución de los complejos y costosos equipos utilizados hasta ahora para este fin |
Seguros | Evaluación de aplicación de pólizas y optimización de productos |
Fabricación | Control de procesos de fabricación, diseño y análisis de productos, diagnóstico de procesos y máquinas, identificación de partículas en tiempo real, sistemas de inspección visual de la calidad, pruebas de cerveza, análisis de la calidad de las soldaduras, predicción de la calidad del papel, análisis de la calidad de los chips informáticos, análisis de las operaciones de molienda, análisis del diseño de productos químicos, análisis del mantenimiento de máquinas, pujas, planificación y gestión de proyectos y modelado dinámico de sistemas de procesos químicos |
Medicina | Análisis de células de cáncer de mama, análisis de EEG y ECG, diseño de prótesis, optimización de los tiempos de trasplante, reducción de gastos hospitalarios, mejora de la calidad hospitalaria y asesoramiento sobre pruebas en urgencias |
Petróleo y gas | Exploración |
Robótica | Control de trayectorias, robot de carretilla elevadora, controladores de los manipuladores y sistemas de visión |
Instrumentos financieros | Análisis de mercado, calificación automática de bonos y sistemas de asesoramiento bursátil |
Habla | Reconocimiento del habla, compresión del habla, clasificación de vocales y síntesis de texto a voz |
Telecomunicaciones | Compresión de imágenes y datos, servicios de información automatizados, traducción de lengua hablada en tiempo real y sistemas de procesamiento de pagos de clientes |
Transporte | Sistemas de diagnóstico de frenos de camiones, programación de vehículos y sistemas de rutas |
Pasos para diseñar una red neuronal superficial
En las secciones restantes de este tema, seguirá los pasos estándar para diseñar redes neuronales y solucionar problemas en cuatro áreas de aplicación: ajuste de funciones, reconocimiento de patrones; agrupación; y análisis de series de tiempo. El flujo de trabajo de cualquiera de estos problemas incluye siete pasos principales. (La recopilación de datos del paso 1, aunque sea importante, ocurre generalmente fuera del entorno de MATLAB).
Recopilar datos
Crear la red
Configurar la red
Inicializar los pesos y los sesgos
Entrenar la red
Validar la red
Usar la red
Seguirá estos pasos usando tanto las herramientas de interfaz gráfica como las operaciones de línea de comandos en las secciones siguientes:
Consulte también
Neural Net Fitting | Neural Net Time Series | Neural Net Pattern Recognition | Neural Net Clustering | Deep Network Designer | trainlm
| fitnet