Inteligencia Artificial

Redes Neuronales Artificiales
Las redes Neuronales Artificiales son un paradigma deaprendizaje y procesamiento automático inspirado en la forma en que funciona el sistema nervioso de los animales. Se trata de unsistema de interconexión de neuronas en una red que colabora para producir un estímulo de salida.
Elementos que conforman una Neurona Artificial
* Conjunto de entradas: los datosque son recibidos por la neurona
* Pesos sinápticos: son el nivel o peso de importancia del dato
* Función de activación: Acción u operación que se realiza con los datos
* Función de transferencia: a donde se envía el resultado.
* Bias o polarización: entrada constante de magnitud 1, y pedo b que se introduce en el sumador.
Existen cuatro aspectos que caracterizan una red neuronal:su topología, el mecanismo de aprendizaje, tipo de asociación realizada entre la información de entrada y salida, y la forma de representación de estas informaciones.
1. Redes Monocapa: Se establecen conexiones laterales, cruzadas o autorrecurrentes entre las neuronas que pertenecen a la única capa que constituye la red. Se utilizan en tareas relacionadas con lo que se conoce comoautoasociación; por ejemplo, para generar informaciones de entrada que se presentan a la red incompletas o distorsionadas.
Redes Multicapa: Son aquellas que disponen de conjuntos de neuronas agrupadas en varios niveles o capas. Una forma de distinguir la capa a la que pertenece la neurona, consiste en fijarse en el origen de las señales que recibe a la entrada y el destino de la señal de salida. Según eltipo de conexión, como se vio previamente, se distinguen las redes feedforward, y las redes feedforward/feedback.
2. Topología de las Redes Neuronales. La arquitectura de las redes neuronales consiste en la organización y disposición de las neuronas formando capas más o menos alejadas de la entrada y salida de la red. En este sentido, los parámetros fundamentales de la red son: el número decapas, el número de neuronas por capa, el grado de conectividad y el tipo de conexiones entre neuronas.
3. Mecanismo de Aprendizaje. El aprendizaje es el proceso por el cual una red neuronal modifica sus pesos en respuesta a una información de entrada. Los cambios que se producen durante el proceso de aprendizaje se reducen a la destrucción, modificación y creación de conexiones entre lasneuronas, la creación de una nueva conexión implica que el peso de la misma pasa a tener un valor distinto de cero, una conexión se destruye cuando su peso pasa a ser cero. Se puede afirmar que el proceso de aprendizaje ha finalizado (la red ha aprendido) cuando los valores de los pesos permanecen estables (dwij / dt = 0).
Un criterio para diferenciar las reglas de aprendizaje se basa en considerar si lared puede aprender durante su funcionamiento habitual, o si el aprendizaje supone la desconexión de la red.
Otro criterio suele considerar dos tipos de reglas de aprendizaje: las de aprendizaje supervisado y las correspondientes a un aprendizaje no supervisado, estas reglas dan pie a una de las clasificaciones que se realizan de las RNA: Redes neuronales con aprendizaje supervisado y redesneuronales con aprendizaje no supervisado. La diferencia fundamental entre ambos tipos estriba en la existencia o no de un agente externo (supervisor) que controle el aprendizaje de la red.
Redes con Aprendizaje Supervisado. El proceso de aprendizaje se realiza mediante un entrenamiento controlado por un agente externo (supervisor, maestro) que determina la respuesta que debería generar la red apartir de una entrada determinada. El supervisor comprueba la salida de la red y en el caso de que ésta no coincida con la deseada, se procederá a modificar los pesos de las conexiones, con el fin de conseguir que la salida se aproxime a la deseada.

El Perceptrón es un tipo de red neuronal artificial desarrollado porFrank Rosenblatt, también puede entenderse como perceptrón laneurona artificial y...