Redes Neuronales

1. REDES NEURONALES
DESDE LA DÉCADA DE LOS 40´S SE EMPEZÓ A DESARROLLAR EN LA
INFORMÁTICA EL MODELO NEURONAL, EN ESTE TIEMPO SE PRODUJERON
TEORÍAS MODERNAS ACERCA DEL APRENDIZAJE Y EL PROCESAMIENTO
NEURONAL.

2. • Inicia la investigación llamada neurofisiológica y el estudio de los sistemas
neuronales (ANS, Artificial Neural Systems), estos últimos modelos no toman
los conceptos del campo de las ciencias naturales sino de la solución de
problemas de las ciencias y la ingeniería.

3. Son inspirados en la comprensión del cerebro humano, los primeros ejemplos
aparecen a finales de los años 50´s, con los trabajos realizados:
• • Perceptrón por Frank Rosenblatt
• • Adaline por Bernard Widrow

4. PERCEPTRÓN
A finales de los 60´s, el pesimismo en esta investigación hizo que se dejara de lado, debido a sus grandes
limitaciones en el aspecto Neuronal.
Al inicio de los 80´s se inició nuevamente con otras tendencias a partir de él con nuevos estudios sobre las
redes neuronales y se hizo un gran avance en los campos de:
• El diagnóstico de enfermedades,
• La aparición de funciones y de reconocimiento de imágenes

5. LA NEURONA DESDE LA BIOLOGÍA
• Es un sistema con estructura celular - neuronal del sistema nervioso
• Las neuronas se conectan entre sí de forma paralela
• La neurona consta de un cuerpo celular, que surge de un denso árbol de ramificaciones y una fibra
tubular
• La neurona es un procesador de información que contiene:
• Un canal de entrada
• Un procesador
• Canal de salida
• Una neurona cerebral puede recibir unas 10 000 entradas y a su vez su salida será varios cientos
de neuronas

6. CONCEPTOS BÁSICOS
• Campo de la inteligencia artificial, inspirado por el comportamiento del cerebro humano,
principalmente se refiere a las neuronas y sus conexiones.
• Trata de crear modelos artificiales que solucionen problemas con dificultad de resolverse, mediante
técnicas algorítmicas actuales.

7. APLICACIÓN DE LAS REDES NEURONALES EN LA
INTELIGENCIA ARTIFICIAL
• § Es un nueva forma de computación, inspirada en modelos bilógicos
• § Un modelo matemático compuesto por un gran número de elementos procesales organizados en
niveles
• § Redes interconectadas masivamente en paralelo de elementos simples y con organización jerárquica,
las cuales intentan interactuar con los objetos del mundo real del mismo modo que lo hace el sistema
nervioso biológico.

8. CLASIFICACIÓN
Es de acuerdo a su aplicación:
• § Según su arquitectura
• § Según el aprendizaje

9. SEGÚN SU ARQUITECTURA:
Consiste en disposición y conexión de las neuronas, se distingue en
una red, el número de capas, el tipo de capas que pueden ser
ocultas o visibles, de entrada o de salida y la direccionalidad de las
conexiones de las neuronas.

10. EN LA SIGUIENTE FIGURA SE EJEMPLIFICA LA ESTRUCTURA
DE CADA UNO DE LOS TIPOS SEGÚN SU ARQUITECTURA:
Redes Monocapa: tienen una capa de neuronas, que
intercambia señales con el exterior y que constituye a un
tiempo la entrada y la salida del sistema.

11. UNA DE LAS REDES MÁS REPRESENTATIVA ES EL:
Modelo Hopfield que ha tenido una gran influencia en el desarrollo
posterior a las redes neuronales

12. REDES MULTICAPA
Están formadas por dos o más capas de neuronas
conectadas entre sí. Dependiendo como sean estas
conexiones se pueden dividir en:

13. • Redes de conexiones hacia adelante: implica que una capa no
puede tener conexiones a una que reciba la señal antes que ella en
la dinámica de la computación
• Redes con conexiones hacia atrás: en este tipo, la información
puede regresar a las capas anteriores en la dinámica de red

14. SEGÚN EL APRENDIZAJE
El aprendizaje se basa en el entrenamiento de la red con patrones. El proceso se basa en que la
red aprenda y ejecute los patrones de forma interactiva hasta que se muestren respuestas
satisfactorias.
Se distinguen 3 tipos de aprendizaje:
1. Supervisado
2. No supervisado
3. Hibrido

15. APRENDIZAJE SUPERVISADO
La red dispone de los patrones de entrada y de salida que queremos obtener
para esa entrada, y en función de ellos se modifican los pesos de las sinopsis
para ajustar la entrada a la salida.

16. APRENDIZAJE NO SUPERVISADO
Consiste en no proporcionar a la red los patrones de salida, sino sólo los de
entrada y dejar que la red los clasifique en función de características comunes
que encuentre entre ellos.

17. APRENDIZAJE HIBRIDO
No se proporcionan los patrones Objetivo, sino que sólo se dice si la respuesta
acierta o falla ante un patrón de entrada.

18. DESARROLLOS ACTUALES Y APLICACIONES
El ámbito de aplicación de las Redes Neuronales, se relaciona al:
• Tráfico de datos,
• A las soluciones que pueden ser proporcionadas por las redes neuronales
para solucionar este tipo de problemas.

19. • Son capaces de determinar relaciones no lineales entre un conjunto de datos,
asociando patrones de entrada o salidas correspondientes
• Los tipos de aprendizaje disponibles pueden utilizarse para tareas de
predicción y clasificación
• Los modelos supervisados y no supervisados pueden ser aplicados para
extraer y cancelar ruido de las señales.
• Una vez que la red ha sido entrenada y probada puede adaptarse por sí
misma a los cambios
• Una aproximación basada en redes neuronales artificiales puede aprender los
modelos específicos de cada sistema de red y proporcionar aproximaciones
aceptables de los sistemas.