UNIVERSIDAD BICENTENARIA DE ARAGUA VICERRECTORADO ACADEMICO FACULTAD DE INGENIERIA ESCUELA DE INGENIERIA DE SISTEMAS APURE VENEZUELA

Integrantes: Erika Rondn C.I 19.470.923

Biruaca, Febrero 2013

INDICE

INTRODUCCION....................................................................................................................... 3 MODELOS DE REDES SUPERVISADOS Y NO SUPERVISADOS. .................................. 4 MODELOS DE REDES SUPERVISADOS. ............................................................................ 4 TIPOS DE MODELO DE REDES SUPERVISADAS. ............................................................ 4 PERCEPTRON ............................................................................................................. 4 EL PERCEPTRN MULTICAPA. .............................................................................. 5 BACKPROPAGATION................................................................................................ 5

OTROS MODELOS DE REDES SUPERVISADOS. .............................................................. 6 MODELOS DE REDES NO SUPERVISADO. ....................................................................... 6 TIPOS DE MODELOS NO SUPERVISADOS ........................................................................ 7 REGLA DE APRENDIZAJE COMPETITIVO............................................................ 8 REDES DE HOPFIELD................................................................................................ 8

CONCLUSIN ............................................................................................................................ 9

INTRODUCCION
La Inteligencia Artificial es la disciplina que estudia la forma de disear procesos que exhiban caractersticas que comnmente se asocian con el comportamiento humano inteligente. La Inteligencia Artificial sintetiza y automatiza tareas intelectuales y es, por lo tanto, potencialmente relevante para cualquier mbito de la actividad intelectual humana. Actualmente esta ciencia est comprendida por varios subcampos que van desde reas de propsito general, como el aprendizaje y la percepcin, a otras ms especficas como la demostracin de teoremas matemticos, el diagnstico de enfermedades, etc. Uno de los modelos que ha surgido para emular el proceso de aprendizaje es la red neuronal artificial. Las redes neuronales comportamiento del cerebro humano. Una red neuronal consiste en un conjunto de elementos de procesamiento, llamados neuronas, los cuales se conectan entre s. La organizacin y disposicin de las neuronas dentro de una red neuronal se denomina topologa, y viene dada por el nmero de capas, la cantidad de neuronas por capa, el grado de conectividad, y el tipo de conexin entre neuronas. son modelos que intentan reproducir el

MODELOS DE REDES SUPERVISADOS Y NO SUPERVISADOS.

Las redes neuronales se clasican en trminos de sus correspondientes a los mtodos de entrenamiento: redes no supervisadas y redes de entrenamiento supervisado.

MODELOS DE REDES SUPERVISADOS.

Las redes neuronales de entrenamiento supervisado son las ms populares. Los datos para el entrenamiento estn constituidos por varios pares de patrones de entrenamiento de entrada y de salida. El hecho de conocer la salida implica que el entrenamiento se benecia de la supervisin de un maestro. En este modo de aprendizaje se muestran los patrones a la red y la salida deseada para esos patrones y se usa una frmula matemtica de minimizacin del error que ajuste los pesos para dar la salida ms cercana posible a la salida deseada. Algunas de sus aplicaciones ms importantes son: Asociadores de patrones, esto es asocia dos patrones y permite recuperar la informacin a pesar de errores en la capa de entrada. Modeladores funcionales, las redes neuronales permiten, gracias a su capacidad de ajustar el error dar los valores ms cercanos a una funcin de la que solo sabemos algunos puntos por los que pasa

TIPOS DE MODELO DE REDES SUPERVISADAS.

PERCEPTRON

Un Perceptrn unicapa no es ms que un conjunto de neuronas no unidas entre s, de manera que cada una de las entradas del sistema se conectan a cada neurona, produciendo cada una de ellas su salida individual:

Modelo de perceptron.

En el Aprendizaje Supervisado se presentan al Perceptrn unas entradas con las correspondientes salidas que queremos que aprenda. De esta manera la red primeramente calcula la salida que da ella para esas entradas y luego, conociendo el error que est cometiendo, ajusta sus pesos proporcionalmente al error que ha cometido (si la diferencia entre salida calculada y salida deseada es nula, no se varan los pesos). EL PERCEPTRN MULTICAPA.

Esta estructura naci con la intencin de dar solucin a las limitaciones del Perceptrn unicapa, y supuso el resurgimiento del movimiento conexionista. Como su nombre indica, se trata de un unos cuantos (dos o tres) perceptrones unicapa conectados en cascada.

Modelo de perceptron multicapas. El problema de este tipo de Perceptrn est en su entrenamiento, ya que es difcil modificar correctamente los pesos de la capa. Para poder hacer aprender cosas a un Perceptrn de este tipo, se implement el algoritmo de BackPropagation, que tal como su nombre indica tiene la funcin de ir propagando los errores producidos en la capa de salida hacia atrs. Perceptrn multicapa podra ser su uso en visin artificial. Dada su capacidad para generalizar, las redes neuronales ya han demostrado su importancia en este campo. El nico problema es la lentitud que tiene para aprender. BACKPROPAGATION

El aprendizaje con redes de neuronas se realiza actualmente siguiendo el enfoque de la Retropropagacin de Gradiente Backpropagation y el de los algoritmos constructivos. El primero necesita introducir a priori el nmero y conexiones de las unidades ocultas, y

determinar los pesos por minimizacin de un costo. La red as obtenida es eventualmente simplificada eliminando unidades y/o conexiones que parecen intiles. El principal defecto de este enfoque consiste en la bsqueda de la mejor arquitectura a travs de prueba y error. Por otra parte, con un enfoque constructivo se aprende al mismo tiempo el nmero de unidades y pesos, en el marco de una arquitectura que comienza generalmente con un perceptron. La caracterstica de estos algoritmos es que construyen una RN adaptada a cada problema particular, usando la informacin contenida en el conjunto de aprendizaje y evitando redisear la arquitectura. El primer algoritmo constructivo fue el algoritmo Tiling, de ah surgieron Cascade Correlation, el algoritmo Upstart, Offset y GAL entre otros. Monoplan y NetLines son dos algoritmos recientemente introducidos por el autor. De aqu en adelante, nuestra discusin ser basada nicamente en los mtodos constructivos. Una vez construida la red, sta debe ser capaz de predecir la clase de datos nuevos que no estn presentes en el conjunto de aprendizaje. La calidad del algoritmo de aprendizaje se traduce en la capacidad de prediccin de la RN. Esta calidad se mide a travs del error de generalizacin, que es la proporcin de clasificaciones correctas realizadas por la red sobre nuevos datos. Esta cantidad se mide empricamente sobre una serie de problemas estndar (benchmarks) que sirven de prueba.

OTROS MODELOS DE REDES SUPERVISADOS.

Time Delay NN: Red multicapa feddforward donde las salidas de cada capa estan retenidas durante un tiempo, conectandose todas a la vez a la siguiente capa. La aplicacin donde ms se encuentran estas redes es en las tascas de reconociemeto optico. Probabilistic NN: Red de tres capas, que en su forma standar no entrena. El aprendizaje se realiza similar a la red de Hamming. Su mayor ventaja s que no necesita entrenamiento i la mayor desventaja que sus matrices son muy largas. Generalized Regresion NN: Red que por lo general no necesita un entrenamiento iterativo, se utiliza en problemas de clasificacin o estimacin de variables continuas.

MODELOS DE REDES NO SUPERVISADO.

Para los modelos no supervisados, el conjunto de datos de entrenamiento consiste slo en los patrones de entrada. Por lo tanto, la red es entrenada sin el benecio de un maestro. La red aprende a adaptarse basada en las experiencias recogidas de los patrones de entrenamiento anteriores. Estas redes deben encontrar las caractersticas, regularidades, correlaciones o categoras que se pueden establecer entre los datos que se presentan en su entrada.

En algunos casos, la salida representa el grado de familiaridad o similitud entre la informacin que se le est presentando en la entrada y las que se le han mostrado en el pasado. En otro caso podra realizar una clusterizacin, indicando la red la salida a qu categora pertenece la informacin presentada a la entrada, siendo la propia red quien debe encontrar las categoras apropiadas a partir de correlaciones entre las informaciones presentadas. Una variacin de esta categorizacin es el prototipado. En este caso, la red obtiene prototipos representantes de las clases a las que pertenecen las informaciones de entrada. Algunas redes con aprendizaje no supervisado, realizan un mapeo de caractersticas, obtenindose en las neuronas de salida una disposicin geomtrica que representa un mapa topogrfico de las caractersticas de los datos de entrada, de tal forma que si se presentan a la red informaciones similares, siempre sean afectadas neuronas de salidas prximas entre s, en la misma zona del mapa. Ejemplos tpicos de modelos no supervisados son la Regla de Aprendizaje de Hebb, y la Regla de Aprendizaje Competitivo:

TIPOS DE MODELOS NO SUPERVISADOS

LA REGLA DE APRENDIZAJE DE HEBB

Este tipo de aprendizaje se basa en el postulado formulado por Donald O. Hebb en 1949: "Cuando un axn de una celda A est suficientemente cerca como para conseguir excitar a una celda B y repetida o persistemente toma parte en su activacin, algn proceso de crecimiento o cambio metablico tiene lugares en una o ambas celdas, de tal forma que la eficiencia de A, cuando la celda a activar es B, aumenta. Por celdas, Hebb entiende un conjunto de neuronas fuertemente conexionadas a travs de una estructura compleja. La eficiencia podra identificarse por la intensidad o magnitud de la conexin, es decir, con el peso. Consiste en reforzar el peso que conecta dos nodos que se excitan simultneamente. Se puede decir que el aprendizaje consiste en el ajuste de los pesos de las conexiones de acuerdo con la correlacin (multiplicacin en el caso de valores binarios +1 y 1) de los valores de activacin (salidas) de las neuronas conectadas. Esta expresin responde a la idea de Hebb, puesto que si las dos unidades son activas (positivas), se refuerza la conexin; por el contrario, cuando una es activa y la otra pasiva, se debilita la conexin. Existen muchas variaciones de dicho aprendizaje, por ejemplo, Sejnowski en 1977 utiliz la correlacin de covarianza de los valores de activacin de las neuronas. Sutton y Barto en 1981 utilizaron la correlacin el valor medio de una neurona con la varianza de la otra. Klopf en 1986

propuso una correlacin entre las variaciones de los valores de activacin en dos instantes de tiempo sucesivos, aprendizaje que denomin drive-reinforcement y que utiliz en redes del mismo nombre con topologa feedforward de dos capas. Otra versin e este aprendizaje es el hebbiano diferencial, que utiliza la correlacin de las derivadas en el tiempo de las funciones de activacin de las neuronas. REGLA DE APRENDIZAJE COMPETITIVO

En el aprendizaje competitivo, si un patrn nuevo pertenece a una clase reconocida previamente, entonces la inclusin de este nuevo patrn a esta clase matizar la representacin de la misma. Si el nuevo patrn no pertenece a ninguna de las clases reconocidas anteriormente, entonces la estructura y los pesos de la red neuronal sern ajustados para reconocer a la nueva clase. REDES DE HOPFIELD

El modelo Hopfiel consiste de una red monocapa con N neuronas cuyos valores de salida son binarios 0/1 -1/+1. En la versin original del modelo Discrete Hopfield, las funciones de activacin de las neuronas eran del tipo escaln. Se trataba, por lo tanto, de una red discreta con entradas y salidas binarias; sin embargo, posteriormente Hopfield desarroll una versin continua con entradas y salidas analgicas utilizando neuronas de activacin tipo sigmiodal. Una de las caractersticas del modelo de Hopfield, es que se trata de una red auto-asociativa. As como, varios patrones diferentes pueden ser almacenados en la red, como si se tratase de una memoria, durante la etapa de aprendizaje. Posteriormente, si se presenta a la entrada alguna de las informaciones almacenadas, la red evoluciona hasta estabilizarse, ofreciendo entonces en la salida la informacin almacenada, que coincide con la presentada en la entrada. Si por el contrario, la informacin de entrada no coincide con ninguna de las almacenadas, por estar distorsionada o incompleta, la red evoluciona generando como salida la ms parecida.

CONCLUSIN.

Las redes neuronales son ms que otra forma de emular ciertas caractersticas propias de los humanos, como la capacidad de memorizar y de asociar hechos. Como por ejemplo: ciertos problemas no solo se solucionan con frmulas, se observar que todos ellos tienen una caracterstica en comn: la experiencia. En definitiva, las redes neuronales no son ms que un modelo artificial del cerebro, que es el ejemplo ms perfecto del que disponemos para un sistema que es capaz de adquirir conocimiento a travs de la experiencia. Es un nuevo sistema para el tratamiento de la

informacin, cuya unidad bsica de procesamiento est inspirada en la clula fundamental del sistema nervioso humano. Todos los procesos del cuerpo humano se relacionan en alguna u otra forma con la actividad de estas neuronas. Aprendizaje que se obtiene gracias a la experiencia, pues si no podemos resolver un problema, con la Experiencia podramos aprender cmo resolverlo. Tambin, es bien conocido que los humanos son capaces de aprender. adquirieron Esta habilidad. Por lo mismo, estas redes ya