Redes Neuronales

Universidad Tecnológica Israel

Nombre: Trabajo:

Roberto Carlos Zeas Martínez
Redes Neuronales Naturales Redes Neuronales Artificiales Fases de Aprendizaje Modelo Perceptron Modelo Adaline Modelo Backpropagation

Materia: Profesora: Ciclo:

Inteligencia Artificial Ing. Javier Quezada 10mo de Ingeniería en Sistemas

Presentación:

Miércoles, 11 de Mayo del 2011

Año Lectivo:2011

Inteligencia Artificial

Contenido
1. Redes Neuronales Naturales 2. Redes Neuronales Artificiales 3. Fases de Aprendizaje 4. Modelo Perceptron 5. Modelo Adaline 6. Modelo Backpropagation

Red Neuronal Natural El sistema de neuronas biológico está compuesto por neuronas de entrada llamadas censores que pueden ser señales de los oídos, ojos conectados a una compleja red de neuronasdenominadas neuronas ocultas, las cuales, están conectadas a las neuronas de salidas. Las respuestas de las neuronas de salida activan los músculos correspondientes. En el cerebro humano existe una gran cantidad de redes neuronales calculadoras u ocultas que realizan las operaciones necesarias. Similar a una red neuronal artificial debe estar compuesta por censores del tipo mecánico o eléctrico. Unared 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 funciones:

Redes Neuronales Artificiales
Las redes de neuronas artificiales conocidas como RNA son un modelo de aprendizaje y procesamiento automático inspirado en la forma en que funciona el sistema nervioso de los seresvivos. Se trata de un sistema de interconexión de neuronas en una red que colabora para producir un estímulo de salida. Las redes neuronales consisten en una simulación de las propiedades observadas en los sistemas neuronales biológicos a través de modelos matemáticos mediante mecanismos.

Aprendizaje supervisado en redes neuronales
Este en modo aprendizaje se muestran los patrones a la red yla salida deseada para esos patrones y se usa una fórmula matemática de minimización del error que ajuste los pesos para dar la salida más cercana posible a la salida deseada. Inicializar los pesos de las sinapsis aleatoriamente. Para cada patrón P perteneciente al conjunto de los patrones que tenemos. Mostrar el patrón de entrada P y hacer la dinámica de la red para calcular la salida de la redS, que no es la salida deseada sino un patrón aleatorio ya que los pesos inicialmente eran aleatorios. Ajustar los pesos usando la regla de aprendizaje para disminuir el error medio. Normalmente, se hace creando una función que represente el error cometido. El objetivo es llegar lo más bajo posible en el mapa. Las redes más significativas que usan este aprendizaje supervisado son el Perceptrón,El Perceptrón multicapa y la red de Hopfield.

Aprendizaje no supervisado
Este tipo de aprendizaje no necesita que le mostremos los patrones objetivos para salida, ya que el algoritmo y la regla de modificación de las conexiones producen patrones de salida consistentes. Cuando la red procesa patrones con bastante grado de similitud, da la misma salida para ambos patrones, esto es, clasificalos patrones en categorías de patrones parecidos. Podemos imaginar que en el proceso de aprendizaje, la red mide cuanto se parecen el patrón que le llega y los que tiene almacenados y en función de ello los agrupa en una categoría u otra, aunque en un principio no sepamos qué salida corresponderá a cada tipo o grupo de patrones de entrada, ni que atributos usará para clasificarlos. En general, losmétodos de aprendizaje no supervisado usan representaciones modélicas de los objetos a reconocer y a clasificar. Entre los distintos tipos de aprendizaje no supervisado podemos distinguir, el aprendizaje por componentes principales y el aprendizaje competitivo.

Aprendizaje por componentes principales
El aprendizaje por componentes principales se basa en hallar características principales a...