Escolar Documentos
Profissional Documentos
Cultura Documentos
“INTELIGENCIA ARTIFICIAL”
Las neuronas y las conexiones entre ella, llamadas sinapsis, son la clave para el
procesado de la información.
Neurona Biológica.
5.2.1. CONCEPTOS BÁSICOS.
La mayoría de neuronas tienen una estructura parecida a la de un árbol llamadas
dendritas que reciben las señales de entrada que vienen de otras neuronas a través
de las sinapsis.
Red de Neuronas.
5.2.1. CONCEPTOS BÁSICOS.
Es de prever que dichas RNAs tengan características similares a las del cerebro:
• Sean robustas y tolerantes a fallos.
• Sean flexibles.
• Puedan trabajar con información borrosa, incompleta, probabilística, con ruido o
inconsistente.
• Sean altamente paralelas.
5.2.1. CONCEPTOS BÁSICOS.
La Neurona Artificial.
Si se tienen N neuronas, podemos ordenarlas arbitrariamente y designarlas como
unidades. Su trabajo es simple y único, y consiste en recibir las entradas de las
células vecinas y calcular un valor de salida, el cual es enviado a todas las células
restantes.
Neurona Artificial.
5.2.2. CLASIFICACIÓN.
El criterio más habitual para clasificar las redes neuronales es el tipo de aprendizaje
que se utilice.
La clasificación general sería la siguiente:
• Aprendizaje Supervisado.
• Aprendizaje No Supervisado.
Existen tres tipos básicos: por corrección de error, por refuerzo y estocástico.
5.2.2. CLASIFICACIÓN.
Aprendizaje No Supervisado.
La capacidad de clasificación de la red neuronal depende del valor de los pesos
sinápticos, que pueden ser preestablecidos o entrenados adaptativamente mediante
mecanismos de aprendizaje.
5.2.2. CLASIFICACIÓN.
Aprendizaje Híbrido.
Es una mezcla de los anteriores.
Unas capas de la red tienen un aprendizaje supervisado y otras capas de la red
tienen un aprendizaje de tipo no supervisado.
5.2.2. CLASIFICACIÓN.
Aprendizaje Reforzado.
Es un aprendizaje con características del supervisado y con características del no
supervisado. No se proporciona una salida deseada, pero sí que se le indica a la red
en cierta medida el error que comete, aunque es un error global.
5.2.2. CLASIFICACIÓN.
En función del patrón de conexiones que presenta.
Frente a este tipo de problemas, donde ya existe dicha solución “clásica”, las redes
pueden aportar su alta no linealidad y su gran facilidad en aportar datos adicionales,
tanto numéricos, como borrosos y/o subjetivos, que en técnicas convencionales o
modelos “clásicos” no son tenidos en consideración.
5.2.3. DESARROLLOS ACTUALES Y APLICACIONES.
Campos de aplicación.
Las RNAs han sido aplicadas a un creciente número de problemas con una
complejidad considerable, como puede ser el reconocimiento de patrones,
clasificación de datos, predicciones, etc...
Su ventaja más importante está en solucionar problemas que son demasiado
complejos para las técnicas convencionales.
5.2.3. DESARROLLOS ACTUALES Y APLICACIONES.
Las aplicaciones de las RNAs abarcan diversas actividades de muy diferentes
campos. Estos son:
• Finanzas.
• Negocios.
• Tratamientos de texto y proceso de formas.
• Alimentación.
• Energía.
• Industria manufacturera.
• Medicina y salud.
• Ciencia e Ingeniería.
• Transportes y comunicaciones.
CONCLUSIONES.
Las Redes neuronales, con su notable habilidad para deducir significados de datos
complicados o imprecisos pueden ser usadas para extraer patrones y detectar
tendencias que son demasiado complejas para ser comprendidas por los humanos u
otras técnicas computacionales.
Una red neuronal capacitada puede ser concebida como algo que algún día le
podremos realizar preguntas como "qué pasaría si...".