Escolar Documentos
Profissional Documentos
Cultura Documentos
Aprendizaje Auto-
Adaptativo organización
Tolerancia a Operación en
fallos tiempo real
Fácil inserción
dentro de la
tecnología
existente
- Aprendizaje Adaptativo: Capacidad de aprender
a realizar tareas basadas en un entrenamiento o en
una experiencia inicial.
Ante el Mapas
fracaso del autoorganizativos
análisis
clásico de las
series
temporales.
Características de la redes neuronales:
Pesos:
•Los datos de entrada de las redes neuronales pueden
tener pesos fijos o adaptables.
Aprendizaje por
corrección de error
Redes con
Aprendizaje por
aprendizaje
refuerzo
supervisado
Aprendizaje
Se pueden distinguir estocástico
2 tipos de redes
neuronales:
Aprendizaje
Hebbiano
Redes con
aprendizaje no
supervisado Aprendizaje
competitivo y
cooperativo
Redes con aprendizaje supervisado: Se caracterizan por que
el proceso de aprendizaje se realiza mediante un
entrenamiento controlado por un agente externo que
determina la respuesta que debería generar la red a partir
de una entrada determinada. Existen tres formas de llevarlo
a cabo, como lo son:
Aprendizaje por corrección de error: Consiste en ajustar los
pesos de las conexiones de la red en función de la diferencia
entre los valores deseados y los obtenidos a la salida; es
decir, en función del error cometido en la salida.
Aprendizaje por refuerzo: se trata de un aprendizaje
supervisado, más lento que el anterior, que se basa en la
idea de no disponer de un ejemplo completo del
comportamiento deseado, es decir, de no indicar durante el
entrenamiento exactamente la salda que se desea que
proporcione la red ante una determinada entrada.
Aprendizaje estocástico: Consiste básicamente en realizar
cambios aleatorios en los valores de los pesos de las
conexiones de la red, y evaluar su efecto a partir del objetivo
deseado y de distribuciones de probabilidad.
Redes con aprendizaje no supervisado: No requiere influencia
externa para ajustar los pesos de las conexiones entre sus
neuronas. La red no recibe ninguna información por parte del
entorno que le indique si a salida generada en respuesta a una
determinada entrada es o no correcta; por ello, suele decirse
que estas redes son capaces de autoorganizarce. Existen dos
tipos de llevarlo a cabo:
Aprendizaje Hebbiano: Esta regla de aprendizaje es la base de
muchas otras. Pretende medir la familiaridad o extraer
características de los datos de entrada. El fundamento es una
suposición bastante simple: si dos neuronas toman el mismo
estado simultáneamente (ambas activas o ambas inactivas), el
peso de la conexión entre ambas se incrementa.
Aprendizaje competitivo y cooperativo:Se orienta a la
clasificación de los datos de entrada. Si el patrón de entrada se
determinó que no pertenece a ninguna de las clases
reconocidas anteriormente, entonces la estructura y los pesos
de la red neuronal serán ajustados para reconocer la nueva
clase.
Cómo funcionan?
Cada neurona recibe impulsos procedentes de
otras neuronas a través de las dentritas, que están
conectadas a las salidas de otras neuronas por
puntos de contacto especiales (sinapsis).
El aprendizaje resulta de la modificación de estos
pesos, que unido al procesamiento de información
de la neurona determinan el mecanismo básico de
la memoria.
Funcionamiento de una red neuronal
Las redes neuronales artificiales simulan las propiedades de
los sistemas neuronales biológicos a través de modelos
matemáticos creados mediante mecanismos artificiales. Su
objetivo es conseguir respuestas similares a las que es capaz
de dar el cerebro, caracterizadas por su generalización y su
robustez.
-Regeneración de patrones
-Regeneración y generalización
-Optimización
Alan Turing
Donald Hebb
Frank Rosenblatt