Investigación

INDICE
Introducción………………………………………………………………..…………...2

Historia……………………………………………………………………………….....2
Definición Y Elementos Que La Componen……….………………………………..….3
Clasificación……….……………………………………………………….…………3-4
Ventajas……………………..…………………………………………………………..4

Aplicaciones En Las Finanzas………………………………………………….……..4-6

Conclusiones……………………………………………………………………...……..7
Bibliografía..……………………………………………………………………………8

Introducción
¿Qué es? Podemos decir que intenta simular el comportamiento de las neuronas biológicas, y su estructura es:
Neuronas de entrada - intermedias - neuronas de salida
¿Cómo funciona? Su función es similar a las de las biológicas, mediante la activación donde se transfiere información que se transmite mediante conexiones matemáticas.
En cuanto al aprendizaje podemos clasificar los sistemas de aprendizaje de lasiguiente manera:
Supervisado, agente externo que da la información. Este tipo de aprendizaje a su vez se divide en tres diferentes: por corrección de error, por refuerzo y estocástico.
No supervisado, valores de entrada. Este tipo de aprendizaje se divide en dos diferentes: Hebbiano y competitivo.
Online, aprende de forma continua (no distingue fase de entrenamiento y de operatividad).Offline, distingue entre fase de entrenamiento y de operatividad.
Historia
Los primeros modelos de redes neuronales datan de 1943 por los neurólogos McCulloch y Pitts. Años más tarde, en 1949, Donald Hebb desarrolló sus ideas sobre el aprendizaje neuronal, quedando reflejado en la "regla de Hebb". En 1958, Rosemblatt desarrolló el perceptrón simple, y en 1960, Widrow y Hoff desarrollaron el ADALINE, que fue laprimera aplicación industrial real.
En los años siguientes, se redujo la investigación, debido a la falta de modelos de aprendizaje y el estudio de Minsky y Papert sobre las limitaciones del perceptrón. Sin embargo, en los años 80, volvieron a resurgir las RNA gracias al desarrollo de la red de Hopfield, y en especial, al algoritmo de aprendizaje de retropropagación ideado por Rumelhart y McLellan en1986 que fue aplicado en el desarrollo de los perceptrones multicapa.
Definición y Elementos Que La Componen
Las redes de neuronas artificiales  son un paradigma de aprendizaje y procesamiento automático inspirado en la forma en que funciona el sistema nervioso de los animales. Se trata de un sistema de interconexión de neuronas que colaboran entre sí para producir un estímulo de salida.En inteligencia artificial es frecuente referirse a ellas como redes de neuronas o redes neuronales.
Una red neuronal se compone de unidades llamadas neuronas. Cada neurona recibe una serie de entradas a través de interconexiones y emite una salida. Esta salida viene dada por tres funciones:
1. Una función de propagación (también conocida como función de excitación), que por lo general consiste enel 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. Puede no 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 funciónde 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]).
Clasificación
Una primera clasificación de las redes de neuronas artificialesque se suele hacer es en función del patrón de conexiones que presenta. Así se definen tres tipos básicos de redes:
Dos tipos de redes de propagación hacia delante o acíclicas en las que todas las señales van desde la capa de entrada hacia la salida sin existir ciclos, ni conexiones entre neuronas de la misma capa de red neuronal y su clasificación....