Este documento describe diferentes tipos de redes neuronales artificiales, incluyendo modelos supervisados como perceptrones, perceptrones multicapa, Adaline-Madaline y backpropagation. También describe modelos no supervisados como redes de Hopfield y mapas de Kohonen, así como modelos competitivos. Explica conceptos clave como la fase de entrenamiento y la fase de prueba de las redes neuronales para aplicaciones concretas.

1. Universidad Santa María
Decanato de Postgrado y Extensión
Especialización en Planificación y Evaluación Educativas
Redes y Telecomunicaciones
REDES NEURONALES ARTIFICIALES
REDES NEURONALES ARTIFICIALES
Modelos Supervisados y de
Modelos Supervisados y de
Entrenamiento Competitivo
Entrenamiento Competitivo
Yulimar Parababire

2. REDES NEURONALES
REDES NEURONALES
ARTIFICIALES
ARTIFICIALES
Las Redes Neuronales Artificiales (Artificial Neural
Networks - ANNs) se constituyeron inicialmente
como una simulación abstracta de los sistemas
nerviosos biológicos formados por un conjunto de
unidades llamadas neuronas o nodos conectados
unos con otros. Las conexiones de estos nodos se
asemejan a las dendritas y axones de los sistemas
nerviosos biológicos.
MODELOS DE TIPO BIOLÓGICO
MODELOS DIRIGIDOS A APLICACIONES

3. MODELOS DE TIPO BIOLÓGICO
El objetivo de las redes neuronales de tipo biológico se constituye en desarrollar un
elemento sintáctico que permita verificar las hipótesis correspondientes a los demás
sistemas biológicos. Es decir, las redes neuronales de tipo biológico deben recibir y
procesar información de otros sistemas biológicos y devolver
una respuesta de acción efectiva.

4. REDES NEURONALES DE APLICACIONES CONCRETAS
Toda aplicación de redes neuronales consta de dos
fases: la fase de aprendizaje o entrenamiento y la
fase de prueba o funcionamiento directo. En la fase
de entrenamiento se usa un conjunto de datos o
patrones de entrenamiento para determinar los
pesos que definen el modelo neuronal. Este modelo
una vez entrenado, se usará en la fase de
funcionamiento directo en la que se procesarán
patrones de prueba que constituyen la entrada
habitual de la red con el objetivo de analizar las
prestaciones definitivas de la misma.

5. TAXONOMÍA DE LOS MODELOS
DE REDES NEURONALES
Modelos Supervisados
Perceptrón
Perceptrón Multicapa
Adaline-Madaline
Backpropagation
Time Delay NN
Probabilistic NN
Generelized Regresión NN
Modelos No Supervisados
Redes de Hopfield Mapas de Kohonen
Modelos Competitivos

6. Modelos Supervisados
Perceptrón Es un conjunto de neuronas no unidas
entre sí, de manera que cada una de las
entradas del sistema se conectan a cada
neurona, produciendo cada una de ellas
su salida individual.
Perceptrón
Multicapa
Como su nombre indica,
se trata de unos cuantos
(dos o tres)
perceptrones de una
sola conectados en
cascada.
Adaline-Madaline
ADALINE que por sus siglas en inglés significa
ADAptive LINear Element es un dispositivo que
consta de un solo elemento de procesamiento,
por lo que técnicamente no es una red.
MADALINE (por sus siglas en inglés Multiple
ADAptive LINear Element). Consta de una capa
de ADALINES y una función de mayoría cuya
respuesta binaria depende de las respuestas de
las ADALINES.
Adaline
Madaline

7. Modelos Supervisados
Backpropagation
El principal defecto de este
enfoque consiste en la búsqueda
de la mejor arquitectura a través
de prueba y error.
Time Delay NN
Red multicapa feddforward
donde las salidas de cada capa
están retenidas durante un
tiempo, conectándose todas a la
vez a la siguiente capa.
Probabilistic NN
Red de tres capas, que en su
forma estándar no entrena.
Generelized
Regresión NN
Red que por lo general no
necesita un entrenamiento
iterativo, se utiliza en problemas
de clasificación o estimación de
variables continuas.

8. Modelos No Supervisados
Redes de Hopfield
Consiste de una red monocapa con N neuronas cuyos valores de salida son binarios 0/1 ó
-1/+1. En la versión original del modelo Discrete Hopfield, las funciones de activación de las
neuronas eran del tipo escalón.
Mapas de Kohonen
Consiste en una Red Neuronal de dos capas, la primera de las cuales es una capa de entrada y
la segunda es una "capa de competición". Las células de ambas capas están conectadas entre
sí, de tal forma que una célula de la capa de entrada conecta con las de la capa de
competición.

9. Modelos No Supervisados
Modelos No Supervisados Competitivos
En los esquemas de aprendizaje competitivo, no existe garantía explicita sobre la estabilidad
de los grupos de patrones de entrada durante el proceso de decrecimiento del factor de
aprendizaje en las sucesivas iteraciones.
Características Fundamentales
Arquitectura
Procedimiento
Aprendizaje
dWij
= (-Wij+θi) × g(bj)
dt
g(bj) =
1 si j ganadora
0 en caso contrario
θi =
Ii
ΣM
j=1 Ij
Ecuaciones de
Aprendizaje
Problemas
- No es capaz de producir una codificación estable ante entradas
arbitrarias.
-Si se perturba la red con valores aleatorios y se vuelven a
introducir los valores de entrada, puede producirse una respuesta
incorrecta
-Tiene una capacidad limitada de codificación en función de las
dimensiones de la red.
-Es necesario establecer a priori el número de categorías de la
clasificación.

10. Modelos No Supervisados
Modelos No Supervisados Competitivos
En los esquemas de aprendizaje competitivo, no existe garantía explicita sobre la estabilidad
de los grupos de patrones de entrada durante el proceso de decrecimiento del factor de
aprendizaje en las sucesivas iteraciones.
Características Fundamentales
Arquitectura
Procedimiento
Aprendizaje
dWij
= (-Wij+θi) × g(bj)
dt
g(bj) =
1 si j ganadora
0 en caso contrario
θi =
Ii
ΣM
j=1 Ij
Ecuaciones de
Aprendizaje
Problemas
- No es capaz de producir una codificación estable ante entradas
arbitrarias.
-Si se perturba la red con valores aleatorios y se vuelven a
introducir los valores de entrada, puede producirse una respuesta
incorrecta
-Tiene una capacidad limitada de codificación en función de las
dimensiones de la red.
-Es necesario establecer a priori el número de categorías de la
clasificación.