Redes neuronales

¿Qué es una Red Neuronal?
Sistema de procesamiento masivo de información compuesto de unidades de proceso simples, llamadas neuronas, que se utiliza para almacenar conocimiento a través de un proceso de aprendizaje.
Está basado en la idea de cómo funciona el cerebro en los siguientes dos sentidos:
1. El conocimiento de la red es adquirido a través de un proceso de aprendizaje.
2. Elconocimiento se almacena en las conexiones entre las neuronas, llamadas pesos sinápticos.
Funcionamiento básico:
Las redes neuronales consisten en una simulación de las propiedades observadas en los sistemas neuronales biológicos a través de modelos matemáticos recreados mediante mecanismos artificiales (como un circuito integrado, un ordenador o un conjunto de válvulas). El objetivo es conseguir que lasmáquinas den respuestas similares a las que es capaz de dar el cerebro que se caracterizan por su generalización y su robustez.
Las redes neuronales están formadas por un conjunto de neuronas artificiales interconectadas.
Las neuronas de la red se encuentran distribuidas en diferentes capas de neuronas, de manera que las neuronas de una capa están conectadas con las neuronas de la capasiguiente, a las que pueden enviar información.
La arquitectura más usada en la actualidad de una red neuronal consistiría en:
* Una primera capa de entradas, que recibe información del exterior.
* Una serie de capas ocultas (intermedias), encargadas de realizar el trabajo de la red.
* Una capa de salidas, que proporciona el resultado del trabajo de la red al exterior.

Esta salidaviene dada por tres funciones:
1. Una función de propagación (también conocida como función de excitación), que por lo general consiste en el sumatorio de cada entrada multiplicada por el peso de su interconexión (valor neto). Si el peso es positivo, la conexión se denomina excitatoria; si es negativo, se denomina inhibitoria.
2. Una función de activación, que modifica a la anterior. Puedeno existir, siendo en este caso la salida la misma función de propagación.
3. Una función de transferencia, que se aplica al valor devuelto por la función de activación. Se utiliza para acotar la salida de la neurona y generalmente viene dada por la interpretación que queramos darle a dichas salidas. Algunas de las más utilizadas son la función sigmoidea (para obtener valores en el intervalo[0,1]) y la tangente hiperbólica (para obtener valores en el intervalo [-1,1]).
Forma de Conexión de las Capas:

Unión Todos con Todos:
Consiste en unir cada neurona de una capa con todas las neuronas de la otra capa. Este tipo de conexionado es el más usado en las redes neuronales, se usa en todo tipo de uniones desde el Perceptron multicapa a las redes de Hopfield o BAM

Unión Lineal:Consiste en unir cada neurona con otra neurona de la otra capa. Este tipo de unión se usa menos que el anterior y suele usarse para unir la capa de entrada con la capa procesamiento, si la capa de entrada se usa como sensor. También se usa en algunas redes de aprendizaje competitivo

 
Predeterminado:
Este tipo de conexionado aparece en redes que tienen la propiedad de agregar o eliminarneuronas de sus capas y de eliminar también conexiones.

Si establecemos un orden en las capas podemos establecer conexiones hacia delante, hacia atrás o conexiones laterales. Esto sirve para clasificar las redes en feedforward o hacia delante, no tienen ninguna conexión hacia atrás, y feedback o hacia atrás que si permiten este tipo de conexiones.
Las conexiones laterales son conexiones entreneuronas de la misma capa, este tipo de conexión son muy comunes en las redes mono capa. Si la red admite que las neuronas tengan conexiones a sí mismas se dice que la red es auto recurrente.
Tipos de aprendizaje básicos:
* Aprendizaje supervisado: se introducen unos valores de entrada a la red, y los valores de salida generados por esta se comparan con los valores de salida correctos. Si hay...