Redes Neuronales

Introducción 

                 

                                           

• una  red  artificial  no es nada mas  y  nada menos  que un  modelo  matemático   que  funciona de forma  de las neuronas  biológicas   y en la  estructura diseñada para  emular la forma del cerebro humano,  una red artificial   también puede ser vista como un sistema inteligente que lleva a cabo   tareas  de varias formas según su programacion y diseño. Son muy  rápidas en el procesamiento de la información, existen tareas muy complejas para el ser humando  que estas neuronas pueden dar facilidad  y rapidez  como   por ejemplo el reconocimientos  y clasificación de patrones que demandan demasiado tiempo y  es fuerzo en las computadoras mas potente de la actualidad, cosa que el cerebro humano es mas apto  para resolverlas. el cerebro   puede  ser considerado   un sistema  altamente complejo ya que su  unidad  básica, la neurona que esta básicamente esta masiva mente  distribuida con  conexiones entre ellas. En la  actualidad se calcula que hay aproximadamente  10 billones de neuronas  en corteza  cerebral y 60 trillones de conexiones  neuronales. 

  

1.     MARCO TEÓRICO

1.1.           REDES NEURONALES ARTIFICIALES

Una red neuronal artificial (ANN) es un esquema de computación distribuida inspirada en la estructura del sistema nervioso de los seres humanos. La arquitectura de una red neuronal es formada conectando múltiples procesadores elementales, siendo éste un sistema adaptivo que posee un algoritmo para ajustar sus pesos (parámetros libres) para alcanzar los requerimientos de desempeño del problema basado en muestras representativas.

1.2.           MODELO COMPUTACIONAL

La diferencia entre una maquina neuronal y los programas de computador convencional es que estas elaboran en cierta medida, la información de entrada para obtener una salida o respuesta. No se trata de la aplicación ciega y automática de un algoritmo.

Existen modelos muy diversos de redes de neuronas en los cuales se siguen filosofías de diseño, reglas de aprendizaje y funciones de construcción de las respuestas distintas. Una primera clasificación se hace en función del recorrido que sique la informacion dentro de la red, y así se distinguen redes alimentadas hacia adelante y redes con retro alimentación.

1.3.            APRENDIZAJE

La parte más importante de una red neuronal de neuronas artificiales es el 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 son la destrucción, modificación y creación de conexiones entre las neuronas.

W = 0 Destrucción                               W › 0 Creación Aprendizaje

El esquema de aprendizaje de una red es lo que determina el tipo de problemas que será capaz de resolver, l conjunto de aprendizaje debe poseer las siguientes características:

·         Ser significativo. Debe haber un número suficiente de ejemplos. Si el conjunto de aprendizaje es reducido, la red no será capaz de adaptar sus pesos de forma eficaz.

·         Ser representativo. Los componentes del conjunto de aprendizaje deberán ser diversos. Si un conjunto de aprendizaje tiene muchos más ejemplos de un tipo que del resto, la red se especializara en dicho subconjunto de datos y no será de aplicación general. Es importante que todas las regiones significativas del espacio de estados estén suficientemente representadas en el conjunto de aprendizaje.

El aprendizaje en una red de neuronas artificial consiste en la determinación de los valores precisos de los pesos para todas sus conexiones, que la capacite para la resolución eficiente de un problema. Una vez introducidos todos los ejemplos se comprueba si se ha cumplido cierto criterio de convergencia; de no ser así se repite el proceso y todos los ejemplos del conjunto vuelven a ser introducidos. La modificación de los pesos puede hacerse después de la introducción de cada ejemplo del conjunto, o una vez introducidos todos ellos.

El criterio de convergencia depende del tipo de red utilizado o del tipo de problema a resolver. La finalización del periodo de aprendizaje se puede determinar:

·         Mediante un número fijo de ciclos. Se decide cuantas veces será introducido todo el conjunto, y una vez superado dicho número se detiene el proceso y se da por aceptada la red resultante.

·         Cuando el error descienda por debajo de una cantidad preestablecida. En este caso habla que definir en primer lugar una función de error, bien a nivel de patrón individual, bien a nivel de la totalidad del conjunto de entrenamiento. Se decide a priori un valor aceptable para dicho error, y solo se para el proceso de aprendizaje cuando la red produzca un valor de error por debajo del prefijado. Para este criterio puede suceder que la red jamás consiga bajar por debajo del nivel prefijado, en cuyo caso se debe disponer de un criterio adicional de parada, por ejemplo un número de ciclos, que de utilizarse por la red significara que esta no ha convergido. En este caso la red se dice que no ha sido capaz de obtener una solución. Será necesario probar cambiando alguno de los parámetros.

·         Cuando la modificación de los pesos sea irrelevante. En algunos modelos se define un esquema de aprendizaje que hace que las conexiones vayan modificándose cada vez con menor intensidad. Si el proceso de aprendizaje continuo, llegara un momento en que ya no se producirán variaciones de los valores de los pesos de ninguna conexión; en ese momento se dice que la red ha convergido y se detiene el proceso de aprendizaje.

Dependiendo del esquema de aprendizaje y del problema a resolver, se pueden distinguir tres tipos de esquemas de aprendizaje:

Aprendizaje supervisado. En este tipo de esquemas, los datos del conjunto de aprendizaje tiene dos tipos de atributos: los datos propiamente dichos y cierta información relativa a la solución del problema.

·         Por ejemplo, si se trata de definir un clasificador para u conjunto de datos, un sistema capaz de distinguir entre caras de diferentes personas, los ejemplos contendrán datos del individuo, una imagen de su cara, e información de la solución, de que persona se trata (una etiqueta que la distinga). El esquema de aprendizaje supervisado utilizara esta información para modificar las conexiones. La manera más habitual de modificar los valores de los pesos de las conexiones es la representada en la Figura 3.2. cada vez que un ejemplo es introducido y se procesa para obtener una salida, dicha salida se compara con la salida que debería haber producido, y de la que se dispone al estar incluida dicha informacion en el conjunto de aprendizaje. La diferencia entre ambas influirá en cómo se modificaran los pesos. Si los dos datos son muy eficientes, se modificaran mucho los pesos si son parecidos la modificación será menor.

Para este tipo de aprendizaje, se dice que hay un profesor externo encargado de determinar si la red se está comportando de forma adecuada, mediante la comparación entre la salida producida y esperada, y de actuar en consecuencia modificando apropiadamente los valores de los pesos.

 Aprendizaje supervisado Es una variante del aprendizaje supervisado en el que no se dispone de información concreta del error cometido por la red para cada ejemplo de aprendizaje, sino que simplemente se determina si la salida producida para dicho patrón es o no adecuada. En este caso el conjunto de aprendizaje está compuesto por ejemplos que contienen los datos y sus salidas deseadas.

 CONCLUSIÓN

 se concluye este capitulo sabiendo la importancia de las redes neuronales  artificiales que radica en problemas de tipo no  lineal.  ya que por su naturaleza experimental, por lo que por su implementacion  se sustenta principalmente  en métodos basados en la  experiencia. sin  embargo cabe  recalcar  que en la inteligencia artificial esta esa una de las ramas  de investigación mas importante   en el desarrollo  y los   resultados obtenidos   que se obtienen  hasta el momento son prometedores  para el  futuro.

·   

ñ

BIBLIOGRAFÍA

Gómez, F; Fernández, M; López, M; Díaz, M. 2004.   Aprendizaje   con    redes.

Neuronas Artificiales. (En línea). Formato PDF. Consultado el 2 de dic. 2015. Disponible en: dialnet.unirioja.es/descarga/articulo/2281678.pdf

Isasi, P; Galván, I; 2004. Redes de Neuronas Artificiales Un Enfoque Práctico.

Madrid España.

Salas, R.  2008.  Redes  Neuronales  Artificiales.  (En línea).  Formato PDF.

Consultado el 2 de dic. 2015. Disponible en: http://www.inf.utfsm.cl/~rsalas/Pagina_Investigacion/docs/Apuntes/Redes%20Neuronales%20Artificiales.pdf

Haykin S. . Neural Networks. A Comprehensive Foundation, second edition. Pearson Prentice Hall, 1999