Redes Neuronales

1. Reporte Bloque 3REDES NEURONALESARTIFICIALESFUNDAMENTOS,MODELOSY APLICACIONES
Cachorros Reporte 1 19 de Agosto2014
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE
MÉXICO
CENTRO UNIVERSITARIO UAEM ATLACOMULCO
LÍNEA DE APRENDIZAJE: REDES NEURONALES
INGENIERO: MARCO ANTONIO LOPEZ PAREDES
Reporte 1.
Capítulo 3 Características de las redes neuronales
ICO 17 5to Semestre
“Cachorros”
Levi Guadarrama Tercero
Aprendizaje por corrección de error
Presenta al sistema un conjunto de pares de datos, representado la entrada y la
salida deseada para dicha entrada. Ajustando los pesos de las conexiones de la red

2. Reporte Bloque 3REDES NEURONALESARTIFICIALESFUNDAMENTOS,MODELOSY APLICACIONES
Cachorros Reporte 1 19 de Agosto2014
para después hacer la relación en función de la diferencia entre los todos los valores
deseados y obtenidos en la salida, como se muestra: Fig. 3.1
Párrafo 1,/pag.77/renglón 1,2,3/reporte 1
Es un aprendizaje ON Line
Aquí se muestra un esquema mas claro:
Algoritmos que utilizan este tipo de aprendizaje son:
 :factor de aprendizaje ( 0 <  < 1 )

3. Reporte Bloque 3REDES NEURONALESARTIFICIALESFUNDAMENTOS,MODELOSY APLICACIONES
Cachorros Reporte 1 19 de Agosto2014
 Regla de aprendizaje del perceptron: utilizada en la red
PERCEPTRON
 Regla delta o del mínimo error cuadrado: utilizado en las redes
ADALINE y MADALINE.
 Regla delta generalizada: utilizada en redes multicapa
Aprendizaje por refuerzo

4. Reporte Bloque 3REDES NEURONALESARTIFICIALESFUNDAMENTOS,MODELOSY APLICACIONES
Cachorros Reporte 1 19 de Agosto2014
Es un aprendizaje ON Line. Donde hay una relación de entrada-salida a través de
un proceso de éxito o fracaso (éxito=+1 o fracaso=-1), el cual produce la señal de
refuerzo que ayuda al sistema a su buen funcionamiento en todos los aspectos.
Párrafo 3,/pag.80/renglón 1,2,3 /reporte 1
Algunos personajes han formulado el aprendizaje por Refuerzo, lo han hecho como
una estrategia de aprendizaje en donde no se necesita un conjunto de ejemplos
evaluados por un profesor. Estos Personajes fueron Barto, Sutton y Anderson
El sistema descrito por Barto explora el espacio entrada-salida y usa una señal de
refuerzo (feeback) sobre las consecuencias de la señal de control (salida de la red)
sobre el entorno.
Entonces se puede decir: Los pesos se ajustan en base a la señal de refuerzo
basándose en un mecanismo de probabilidades.
Párrafo 3,/pag.80/renglón 3 y 4 /reporte 1
Aprendizaje Estocástico
A partir del objetivo deseado y de distribuciones de probabilidad vienen los cambios
en los valores de los pesos y de inmediato se evalúa. De acuerdo algunas
indagaciones una red que utiliza este tipo de aprendizaje es la red Boltzman
Machine, ideada por Hinton, Ackley y Sejnowski en 1984 y la red Cauchy Machine
desarrollada por Szu en 1986.
Párrafo 1,/pag.81/renglón 1,2,3/reporte 1
Proceso de la red que utiliza este tipo de Aprendizaje Estocástico:
 Se realiza un cambio aleatorio en los Pesos.
 Se determina la nueva energía de la red
 Si la energía no decrece: se aceptaría el cambio en función de una
determinada y preestablecida distribución de probabilidades.
Es un aprendizaje OFF Line
Redes con aprendizaje no supervisado
Conocido como auto supervisado es decir, que no depende de lo externo para
ajustar los pesos entre la conexión de neuronas.
Párrafo 2,/pag.82/renglón 1,2,3/reporte 1

5. Reporte Bloque 3REDES NEURONALESARTIFICIALESFUNDAMENTOS,MODELOSY APLICACIONES
Cachorros Reporte 1 19 de Agosto2014
Su objetivo de este aprendizaje es encontrar grupos de información, reducción de
la dimensionalidad, construcción de mapas topográficos, encontrar causas ocultas
y modelar la densidad de datos.
Algunos usos de este aprendizaje son:
• Compresión de Datos.
• Clasificación.
• Hacer otras tares de aprendizaje más fácil.
• Una teoría del aprendizaje humano y la percepción.
Aprendizaje hebbiano
Este modelo memorístico fue postulado en 1949 por Donald Hebb. Afirmó que la
huella de un recuerdo fruto de una experiencia ocurre y se mantiene por medio de
modificaciones celulares que primero trazan y luego consolidan la estructura
espacial de las redes neuronales.
Entonces es el ajuste de los pesos de las conexiones de acuerdo con correlación.
Se entiende por correlación es este caso como la multiplicación de valores binarios
+1 y -1, de los valores de activación, ósea; salidas de las dos neuronas conectadas.
Párrafo 3/pag.84/renglón 1,2,3/reporte 1
Topología de Red:
i j
W
ji

6. Reporte Bloque 3REDES NEURONALESARTIFICIALESFUNDAMENTOS,MODELOSY APLICACIONES
Cachorros Reporte 1 19 de Agosto2014
Si las dos unidades son activas (positivas), se produce un reforzamiento de la
conexión, pero si una es activa y la otra pasiva (negativa), se produce un
debilitamiento de la conexión.
Párrafo 4,/pag.84/renglón 1,2,3/reporte 1
La modificación de los pesos se realiza en función de los estados (salidas) de las
neuronas obtenidas tras la presentación de cierto estímulo (información de entrada
a la red), sin tener en cuenta si se deseaba obtener o no esos estados de activación.
Hebb sugirió que la fuerza de la sinapsis en el cerebro cambia proporcionalmente
a la correlación entre el disparo de las neuronas pre y post sinápticas.
La regla de aprendizaje de Hebb es NO Supervisada y se utiliza en redes
neuronales feedforward debido a que solo se emplea el producto de las entradas y
las salidas actuales para la modificación de los pesos.
Ninguna salida deseada se proporciona para generar la señal de aprendizaje que
actualizará los pesos, Porque requiere de la inicialización de los pesos en valores
pequeños y aleatorios cercanos a cero antes de realizar el aprendizaje.
Para finalizar con este subtema existen varias aplicaciones de este tipo de
aprendizaje; en el diseño de circuitos integrados VLSI. Por su fácil implementación,
reconocimiento de voz, reconocimiento de imágenes, control de motores, y
reconocimiento de patrones.
Así como la resolución de problemas de optimización, ecuaciones, manipulación de
grafos procesamiento de señales (diseño de convertidores analógico-digitales) y
procesamiento de imágenes.