Redes Neuronales

INDICE

Redes neuronales artificiales………………………1

SOM (Mapas auto-organizados)………………...…2

Multicapa……………………………………………...4

Maquina de Blotzmann………………………………5

Clasificadores Bayesianos…………………………..6

k-means………………………………………………..8

Mínima distancia de controides……………………..8

k-nn……………………………………………………..9

Referencias…………………………………………….11

Redes neuronales artificiales

Las redesneuronales artificiales (RNA) son modelos que intentan reproducir el comportamiento del cerebro. Como tal modelo, realiza una simplificación, averiguando cuáles son los elementos relevantes del sistema, bien porque la cantidad de información de que se dispone es excesiva o bien porque es redundante. Una elección adecuada de sus características, más una estructura conveniente, esel procedimiento convencional utilizado para construir redes capaces de realizar determinada tarea.
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.
Redes Monocapa: Se establecen conexiones laterales, cruzadas o autorrecurrentes entre lasneuronas que pertenecen a la única capa que constituye la red. Se utilizan en tareas relacionadas con lo que se conoce como autoasociación; por ejemplo, para generar informaciones de entrada que se presentan a la red incompleta o distorsionada.
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 laneurona, consiste en fijarse en el origen de las señales que recibe a la entrada y el destino de la señal de salida. Según el tipo de conexión, como se vio previamente, se distinguen las redes feedforward, y las redes feedforward/feedback.

SOM

En 1982 T. Kohonen presentó un modelo de red denominado mapas auto-organizados o SOM (Self-Organizing Maps), basado en ciertas evidencias descubiertasa nivel cerebral.
Este tipo de red posee un aprendizaje no supervisado competitivo. La red auto-organizada debe descubrir rasgos comunes, regularidades, correlaciones o categorías en los datos de entrada, e incorporarlos a su estructura interna de conexiones.
Se dice, por tanto, que las neuronas deben auto-organizarse en función de los estímulos
(Datos) procedentes del exterior. En elaprendizaje competitivo las neuronas compiten unas con otras con el fin de llevar a cabo una tarea dada. Se pretende que cuando se presente a la red un patrón de entrada, sólo una de las neuronas de salida (o un grupo de vecinas) se active.
Por tanto, las neuronas compiten por activarse, quedando finalmente una como neurona vencedora y anulada el resto, que son forzadas a sus valores de respuesta mínimos.El objetivo de este aprendizaje es categorizar los datos que se introducen en la red.
Se clasifican valores similares en la misma categoría y, por tanto, deben activar la misma neurona de salida. Se elige un gran número de clusters y se colocan en forma de una red bidimensional.
La idea es que los representantes de cada grupo (o pesos, según la notación de Kohonen) estén correlacionadosespacialmente, de modo que los puntos más próximos en la rejilla sean más parecidos entre sí que los que estén muy separados. En cada paso se introduce un vector de datos en cada neurona y se calcula la "similitud" entre éste y el vector de peso de cada neurona. La neurona más parecida al vector de entrada es la neurona ganadora (o BMU, Best-Matching Unit, Unidad con mejor ajuste). Para medir la similaridadse utiliza usualmente la distancia euclídea. Tras ello, los vectores de pesos de la BMU y de sus vecinos son actualizados, de tal forma que se acercan al vector de entrada.
Para realizar un correcto entrenamiento, es importante seguir los siguientes pasos:
Inicializar pesos. Asignar a los pesos valores pequeños aleatorios.
Presentar una nueva entrada. (El conjunto de aprendizaje se...