SlideShare una empresa de Scribd logo
Sistema Expertos
Alumno:
David Freire
Profesor:
Ing. David Castillo
Nivel:
Noveno Semestre
Fecha:

31 de octubre de 2013
Centro de Apoyo:
Puyo
Periodo:
2013 - 2014

Ingeniería
Sistemas
Indicé General
.........................................................................................14
......................................................................................13
......................................7
..........................................................................................5
......................................................................10
..........................................................................6
....................................................................................................... 4
El sistema de neuronas biológico está compuesto por neuronas de entrada
(censores) conectados a una compleja red de neuronas "calculadoras" (neuronas
ocultas), las cuales, a su vez, están conectadas a las neuronas de salidas que
controlan, por ejemplo, los músculos.
En el cerebro hay una gigantesca red de neuronas "calculadoras" u ocultas que
realizan la computación necesaria. De esta manera similar, una red neuronal
artificial debe ser compuesta por censores del tipo mecánico o eléctrico.
El cerebro humano es el sistema de cálculo más complejo que conoce el hombre.
El ordenador y el hombre realizan bien diferentes clases de tareas; así la
operación de reconocer el rostro de una persona resulta una tarea relativamente
sencilla para el hombre y difícil para el ordenador, mientras que la contabilidad de
una empresa es tarea costosa para un experto contable y una sencilla rutina para
un ordenador básico.
La capacidad del cerebro humano de pensar, recordar y resolver problemas ha
inspirado a muchos científicos intentar o procurar modelar en el ordenador el
funcionamiento del cerebro humano.
Un grupo de investigadores ha perseguido la creación de un modelo en el
ordenador que iguale o adopte las distintas funciones básicas del cerebro. El
resultado ha sido una nueva tecnología llamada Computación Neuronal o también
Redes Neuronales Artificiales.
Sistema Expertos
1. Red Neuronal Artificial
Las diferentes configuraciones y algoritmos que se diseñan para las redes
neuronales artificiales están inspiradas en la organización del complejo sistema
neuronal del cerebro humano. No obstante conviene aclarar que esta inspiración no
supone que las ANN lleguen a emular al cerebro como algunos optimistas lo desean
ya que entre otras limitaciones el conocimiento sobre el modo de funcionamiento y
comportamiento del cerebro es bastante simple y reducido. De hecho los
diseñadores de redes artificiales van más lejos del conocimiento biológico actual y
prueban nuevas estructuras que presentan un comportamiento adecuado y útil.
El sistema nervioso humano constituido por células llamadas neuronas presenta una
estructura muy compleja. El número estimado de neuronas es de 1011 y las
interconexiones entre ellas son del orden de 1015.
Cada neurona comparte muchas características con otras células del cuerpo
humano pero tiene propiedades particulares y especiales para recibir, procesar y
transmitir señales electroquímicas a través de todas las interconexiones del sistema
de comunicación del cerebro.
En el siguiente gráfico se muestra la estructura de un par de neuronas biológicas.
Del cuerpo de la neurona se extienden las dendritas hacia otras neuronas donde
reciben las señales transmitidas por otras neuronas. El punto de contacto o de
conexión se llama sinapsis y estas entradas son dirigidas al núcleo donde se
suman. Algunas de las entradas tienden a excitar a la célula y otras sin embargo
tienden a inhibir la célula. Cuando la excitación acumulada supera un valor umbral,
las neuronas envían una señal a través del axón a otras neuronas.

Ingeniería Sistemas
David Freire
Noveno Semestre

Página 6
Sistema Expertos
La mayoría de los modelos de las ANN presenta este funcionamiento básico de la
neurona aun cuando el comportamiento real de una célula nerviosa tiene muchas
complejidades y excepciones.

1.1.
La

neurona

Funcionamiento de una red neuronal artificial
artificial

fue

diseñada

para

"emular"

las

características

del

funcionamiento básico de la neurona biológica. En esencia, se aplica un conjunto de
entradas a la neurona, cada una de las cuales representa una salida de otra
neurona. Cada entrada se multiplica por su "peso" o ponderación correspondiente
análogo al grado de conexión de la sinapsis. Todas las entradas ponderadas se
suman y se determina el nivel de excitación o activación de la neurona. Una
representación vectorial del funcionamiento básico de una neurona artificial se
indica según la siguiente expresión de la ecuación

Ingeniería Sistemas
David Freire
Noveno Semestre

Página 7
Sistema Expertos

Normalmente la señal de salida NET suele ser procesada por una función de
activación F para producir la señal de salida de la neurona OUT. La función F puede
ser una función lineal, o una función umbral o una función no lineal que simula con
mayor exactitud las características de transferencia no lineales de las neuronas
biológicas.
Las funciones F más utilizadas son la función Sigmoid y Tangente hiperbólica
expresadas en la Tabla.

Este tipo de modelo de neurona artificial ignora muchas de las características de las
neuronas biológicas. Entre ellas destaca la omisión de retardos y de sincronismo en
la generación de la salida. No obstante, a pesar de estas limitaciones las redes
construidas con este tipo de neurona artificial presentan cualidades y atributos con
cierta similitud a la de los sistemas biológicos.
Por tal motivo el funcionamiento de una red neuronal artificial están formadas por un
conjunto de neuronas artificiales interconectadas.

Ingeniería Sistemas
David Freire
Noveno Semestre

Página 8
Sistema Expertos
Las neuronas de la red se encuentran distribuidas en diferentes capas de neuronas,
de manera que las neuronas de una capa están conectadas con las neuronas de la
capa siguiente, a las que pueden enviar información.
La arquitectura más usada en la actualidad de una red neuronal consistiría en:
 Una primera capa de entradas, que recibe información del exterior.
 Una serie de capas ocultas (intermedias), encargadas de realizar el trabajo
de la red.
 Una capa de salidas, que proporciona el resultado del trabajo de la red al
exterior.

El número de capas intermedias y el número de neuronas de cada capa dependerá
del tipo de aplicación al que se vaya a destinar la red neuronal.

Ingeniería Sistemas
David Freire
Noveno Semestre

Página 9
Sistema Expertos
1.2.

Neuronas y conexiones

Cada neurona de la red es una unidad de procesamiento de información; es decir,
recibe información a través de las conexiones con las neuronas de la capa anterior,
procesa la información, y emite el resultado a través de sus conexiones con las
neuronas de la capa siguiente, siempre y cuando dicho resultado supere un valor
"umbral".
En una red neuronal ya entrenada, las conexiones entre neuronas tienen un
determinado peso ("peso sináptico").
Un ejemplo de una neurona sobre la que convergen conexiones de diferente peso
sináptico (Wi).

El procesamiento de la información llevado a cabo por cada neurona Y, consiste en
una función (F) que opera con los valores recibidos desde las neuronas de la capa
anterior (Xi, generalmente 0 o 1), y que tiene en cuenta el peso sináptico de la
conexión por la que se recibieron dichos valores (Wi). Así, una neurona dará más
importancia a la información que le llegue por una conexión de peso mayor que no a
aquella que le llegue por una conexión de menor peso sináptico.
Un modelo simple de la función F seria:

Ingeniería Sistemas
David Freire
Noveno Semestre

Página 10
Sistema Expertos
Si el resultado de la función F es mayor que el valor umbral (U), la neurona se activa
y emite una señal (1) hacia las neuronas de la capa siguiente. Pero, si por el
contrario, el resultado es menor que el valor umbral, la neurona permanece inactiva
(0) y no envía ninguna señal:

De esta forma, definido un conjunto inicial de pesos en las conexiones, al presentar
un "estímulo" (conjunto de ceros y unos que representa un dato, perfil u objeto) a la
capa de entradas, cada neurona en cada capa realiza la operación descrita
anteriormente, activándose o no, de manera que al final del proceso las neuronas de
la capa de salidas generan un resultado (otro conjunto de ceros y unos), que puede
coincidir o no con el que se desea asociar el estímulo.
En el entrenamiento de una red neuronal tanto el peso sináptico de las conexiones
como el valor umbral para cada neurona se modifican (según un algoritmo de
aprendizaje), con el fin de que los resultados generados por la red coincidan con (o
se aproximen a) los resultados esperados.
Y para simplificar el sistema de entrenamiento, el valor umbral (U) pasa a
expresarse como un peso sináptico más (-W0), pero asociado a una neurona
siempre activa (X0). Esta neurona siempre activa, se denomina "bias", y se sitúa en
la capa anterior a la neurona Y, tal como se muestra en la figura.

Ingeniería Sistemas
David Freire
Noveno Semestre

Página 11
Sistema Expertos

Así, la condición de activación puede reescribirse como:

De esta manera el algoritmo de aprendizaje puede ajustar el umbral como si
ajustara un peso sináptico más.

Ingeniería Sistemas
David Freire
Noveno Semestre

Página 12
Sistema Expertos

Como conclusión podemos indicar que es posible Conseguir, diseñar y construir
máquinas capaces de realizar procesos con cierta inteligencia ha sido uno de los
principales objetivos de los científicos a lo largo de la historia.
De los intentos realizados en este sentido se han llegado a definir las líneas
fundamentales para la obtención de máquinas inteligentes: En un principio los
esfuerzos estuvieron dirigidos a la obtención de autómatas, en el sentido de
máquinas que realizaran, con más o menos éxito, alguna función típica de los seres
humanos.

Ingeniería Sistemas
David Freire
Noveno Semestre

Página 13
Sistema Expertos

http://perso.wanadoo.es/alimanya/funcion.htm
http://cvb.ehu.es/open_course_ware/castellano/tecnicas/redes_neuro/contenidos/pdf/libro-delcurso.pdf
http://www.slideshare.net/alf_marycela/redes-neuronales-547574
http://www.slideshare.net/HB09/redes-neuronales-1514651

Ingeniería Sistemas
David Freire
Noveno Semestre

Página 14

Más contenido relacionado

La actualidad más candente

Rna10
Rna10Rna10
Redes Neuronales
Redes NeuronalesRedes Neuronales
Redes Neuronales
Redes NeuronalesRedes Neuronales
Redes Neuronales
lennydan11
 
Redes 1
Redes 1Redes 1
Red Neuronal Artificial
Red Neuronal ArtificialRed Neuronal Artificial
Red Neuronal Artificial
JORGE ARMANDO
 
Funciones de activacion Poslin y Purelin
Funciones de activacion Poslin y PurelinFunciones de activacion Poslin y Purelin
Funciones de activacion Poslin y Purelin
Diego Guamán
 
Función de Activación POSLIN y PURELIN
Función de Activación POSLIN y PURELINFunción de Activación POSLIN y PURELIN
Función de Activación POSLIN y PURELIN
Rossy Faican Cango
 
Redes neuronales artificiales
Redes neuronales artificialesRedes neuronales artificiales
Redes neuronales artificiales
Yulimar Parababire
 
Redes Neuronales
Redes NeuronalesRedes Neuronales
Redes Neuronales
Daniel Muccela
 
Redes neuronales
Redes neuronalesRedes neuronales
Redes neuronales
santigo mariño
 
Redes Neuronales
Redes NeuronalesRedes Neuronales
Redes Neuronales
guest4f85098
 
Funciones de activación Satlin y Satlins en Matlab
Funciones de activación Satlin y Satlins en MatlabFunciones de activación Satlin y Satlins en Matlab
Funciones de activación Satlin y Satlins en Matlab
Gabyta Rodríguez
 
Equipo Redes Neuronales Artificiales
Equipo Redes Neuronales ArtificialesEquipo Redes Neuronales Artificiales
Equipo Redes Neuronales Artificiales
Argenis Vicent
 
Redes Neuronales
Redes NeuronalesRedes Neuronales
Redes Neuronales
Jorge Fierro
 
Redes Neuronales
Redes NeuronalesRedes Neuronales
Redes Neuronales
maciasbazante
 
REDES NEURONALES
REDES NEURONALESREDES NEURONALES
REDES NEURONALES
HB09
 
redes neuronales
redes neuronalesredes neuronales
redes neuronales
Sara Silva
 

La actualidad más candente (17)

Rna10
Rna10Rna10
Rna10
 
Redes Neuronales
Redes NeuronalesRedes Neuronales
Redes Neuronales
 
Redes Neuronales
Redes NeuronalesRedes Neuronales
Redes Neuronales
 
Redes 1
Redes 1Redes 1
Redes 1
 
Red Neuronal Artificial
Red Neuronal ArtificialRed Neuronal Artificial
Red Neuronal Artificial
 
Funciones de activacion Poslin y Purelin
Funciones de activacion Poslin y PurelinFunciones de activacion Poslin y Purelin
Funciones de activacion Poslin y Purelin
 
Función de Activación POSLIN y PURELIN
Función de Activación POSLIN y PURELINFunción de Activación POSLIN y PURELIN
Función de Activación POSLIN y PURELIN
 
Redes neuronales artificiales
Redes neuronales artificialesRedes neuronales artificiales
Redes neuronales artificiales
 
Redes Neuronales
Redes NeuronalesRedes Neuronales
Redes Neuronales
 
Redes neuronales
Redes neuronalesRedes neuronales
Redes neuronales
 
Redes Neuronales
Redes NeuronalesRedes Neuronales
Redes Neuronales
 
Funciones de activación Satlin y Satlins en Matlab
Funciones de activación Satlin y Satlins en MatlabFunciones de activación Satlin y Satlins en Matlab
Funciones de activación Satlin y Satlins en Matlab
 
Equipo Redes Neuronales Artificiales
Equipo Redes Neuronales ArtificialesEquipo Redes Neuronales Artificiales
Equipo Redes Neuronales Artificiales
 
Redes Neuronales
Redes NeuronalesRedes Neuronales
Redes Neuronales
 
Redes Neuronales
Redes NeuronalesRedes Neuronales
Redes Neuronales
 
REDES NEURONALES
REDES NEURONALESREDES NEURONALES
REDES NEURONALES
 
redes neuronales
redes neuronalesredes neuronales
redes neuronales
 

Destacado

Itinerari formatiu radiodiagnostic 2015 2016
Itinerari formatiu radiodiagnostic 2015 2016Itinerari formatiu radiodiagnostic 2015 2016
Itinerari formatiu radiodiagnostic 2015 2016
Servicio de Docencia - Hospital Universitari Sagrat Cor
 
POKEMON JUEGO DE ROL.
POKEMON JUEGO DE ROL.POKEMON JUEGO DE ROL.
POKEMON JUEGO DE ROL.
Samuel Rojas Galvis
 
Digitalisierungsbarometer/ Studie von Antrieb Mittelstand
Digitalisierungsbarometer/ Studie von Antrieb MittelstandDigitalisierungsbarometer/ Studie von Antrieb Mittelstand
Digitalisierungsbarometer/ Studie von Antrieb Mittelstand
AntriebMittelstand
 
Estructuras organizativas
Estructuras organizativasEstructuras organizativas
Estructuras organizativas
Hugo Daniel Gutierrez Deboorg
 
Las TIC como alternativa innovadora a las tradicionales tareas para casa
Las TIC como alternativa innovadora a las tradicionales tareas para casaLas TIC como alternativa innovadora a las tradicionales tareas para casa
Las TIC como alternativa innovadora a las tradicionales tareas para casa
Carmen Gallego-Domínguez
 
Folleto exposicion cervantes encantado2
Folleto exposicion cervantes encantado2Folleto exposicion cervantes encantado2
Folleto exposicion cervantes encantado2
Quixotedottv Quijotepuntotv
 
Animals of our place
Animals of our placeAnimals of our place
Animals of our place
Dionicia Delia Martínez
 
CAF- Iniciativa Regional de Patentes Tecnológicas para el Desarrollo
CAF-  Iniciativa Regional de Patentes Tecnológicas para el DesarrolloCAF-  Iniciativa Regional de Patentes Tecnológicas para el Desarrollo
CAF- Iniciativa Regional de Patentes Tecnológicas para el Desarrollo
Café Innovación
 
3 c 3d_leave_v5_0_ext
3 c 3d_leave_v5_0_ext3 c 3d_leave_v5_0_ext
3 c 3d_leave_v5_0_ext
xmuxcwtb
 
Infowatch endpoint security
Infowatch endpoint securityInfowatch endpoint security
Infowatch endpoint security
hassan latifi
 
Havas Digital - Social Media Attribution
Havas Digital - Social Media AttributionHavas Digital - Social Media Attribution
Havas Digital - Social Media Attribution
Havas Media Miami
 
Unidad educativa imantag
Unidad educativa imantagUnidad educativa imantag
Unidad educativa imantag
Lûis Chavz
 
Historia de la Música en Cali.
Historia de la Música en Cali.Historia de la Música en Cali.
Historia de la Música en Cali.
Diego López
 
Comercio electronico características de programas indeseables
Comercio electronico características de programas indeseablesComercio electronico características de programas indeseables
Comercio electronico características de programas indeseables
Oscar Santos
 
Ch11 functional arts
Ch11 functional artsCh11 functional arts
Ch11 functional arts
Cyrus Helf
 
Mapreduce in Python
Mapreduce in PythonMapreduce in Python
Mapreduce in Python
J.J. Ciarlante
 
Gustavo Adolfo Bécquer
Gustavo Adolfo BécquerGustavo Adolfo Bécquer
Gustavo Adolfo Bécquer
Andrea Rojas Rioja
 
Kiosked at GSMA Mobile World Congress 24 February 2014
Kiosked at  GSMA Mobile World Congress 24 February 2014 Kiosked at  GSMA Mobile World Congress 24 February 2014
Kiosked at GSMA Mobile World Congress 24 February 2014
Kiosked
 
All Aboard the Boxcar! Going Beyond the Basics of REST
All Aboard the Boxcar! Going Beyond the Basics of RESTAll Aboard the Boxcar! Going Beyond the Basics of REST
All Aboard the Boxcar! Going Beyond the Basics of REST
Pat Patterson
 
Recursos de Información en Internet para investigación en el ámbito de la Co...
Recursos de Información en Internet  para investigación en el ámbito de la Co...Recursos de Información en Internet  para investigación en el ámbito de la Co...
Recursos de Información en Internet para investigación en el ámbito de la Co...
Renata Rodrigues
 

Destacado (20)

Itinerari formatiu radiodiagnostic 2015 2016
Itinerari formatiu radiodiagnostic 2015 2016Itinerari formatiu radiodiagnostic 2015 2016
Itinerari formatiu radiodiagnostic 2015 2016
 
POKEMON JUEGO DE ROL.
POKEMON JUEGO DE ROL.POKEMON JUEGO DE ROL.
POKEMON JUEGO DE ROL.
 
Digitalisierungsbarometer/ Studie von Antrieb Mittelstand
Digitalisierungsbarometer/ Studie von Antrieb MittelstandDigitalisierungsbarometer/ Studie von Antrieb Mittelstand
Digitalisierungsbarometer/ Studie von Antrieb Mittelstand
 
Estructuras organizativas
Estructuras organizativasEstructuras organizativas
Estructuras organizativas
 
Las TIC como alternativa innovadora a las tradicionales tareas para casa
Las TIC como alternativa innovadora a las tradicionales tareas para casaLas TIC como alternativa innovadora a las tradicionales tareas para casa
Las TIC como alternativa innovadora a las tradicionales tareas para casa
 
Folleto exposicion cervantes encantado2
Folleto exposicion cervantes encantado2Folleto exposicion cervantes encantado2
Folleto exposicion cervantes encantado2
 
Animals of our place
Animals of our placeAnimals of our place
Animals of our place
 
CAF- Iniciativa Regional de Patentes Tecnológicas para el Desarrollo
CAF-  Iniciativa Regional de Patentes Tecnológicas para el DesarrolloCAF-  Iniciativa Regional de Patentes Tecnológicas para el Desarrollo
CAF- Iniciativa Regional de Patentes Tecnológicas para el Desarrollo
 
3 c 3d_leave_v5_0_ext
3 c 3d_leave_v5_0_ext3 c 3d_leave_v5_0_ext
3 c 3d_leave_v5_0_ext
 
Infowatch endpoint security
Infowatch endpoint securityInfowatch endpoint security
Infowatch endpoint security
 
Havas Digital - Social Media Attribution
Havas Digital - Social Media AttributionHavas Digital - Social Media Attribution
Havas Digital - Social Media Attribution
 
Unidad educativa imantag
Unidad educativa imantagUnidad educativa imantag
Unidad educativa imantag
 
Historia de la Música en Cali.
Historia de la Música en Cali.Historia de la Música en Cali.
Historia de la Música en Cali.
 
Comercio electronico características de programas indeseables
Comercio electronico características de programas indeseablesComercio electronico características de programas indeseables
Comercio electronico características de programas indeseables
 
Ch11 functional arts
Ch11 functional artsCh11 functional arts
Ch11 functional arts
 
Mapreduce in Python
Mapreduce in PythonMapreduce in Python
Mapreduce in Python
 
Gustavo Adolfo Bécquer
Gustavo Adolfo BécquerGustavo Adolfo Bécquer
Gustavo Adolfo Bécquer
 
Kiosked at GSMA Mobile World Congress 24 February 2014
Kiosked at  GSMA Mobile World Congress 24 February 2014 Kiosked at  GSMA Mobile World Congress 24 February 2014
Kiosked at GSMA Mobile World Congress 24 February 2014
 
All Aboard the Boxcar! Going Beyond the Basics of REST
All Aboard the Boxcar! Going Beyond the Basics of RESTAll Aboard the Boxcar! Going Beyond the Basics of REST
All Aboard the Boxcar! Going Beyond the Basics of REST
 
Recursos de Información en Internet para investigación en el ámbito de la Co...
Recursos de Información en Internet  para investigación en el ámbito de la Co...Recursos de Información en Internet  para investigación en el ámbito de la Co...
Recursos de Información en Internet para investigación en el ámbito de la Co...
 

Similar a Funcionamiento de las redes neuronales simples

Redes Neuronales
Redes NeuronalesRedes Neuronales
Redes Neuronales
lennydan11
 
Redes neuronales
Redes neuronalesRedes neuronales
Redes neuronales
santigo mariño
 
Redes neuronales
Redes neuronalesRedes neuronales
Redes neuronales
santigo mariño
 
Redes Neuronales Artificiales: Aplicación de la función Hardlim para la clasi...
Redes Neuronales Artificiales: Aplicación de la función Hardlim para la clasi...Redes Neuronales Artificiales: Aplicación de la función Hardlim para la clasi...
Redes Neuronales Artificiales: Aplicación de la función Hardlim para la clasi...
Sheyli Patiño
 
Tema3dm
Tema3dmTema3dm
Tema3dm
adilupc
 
Introduccion redes neuronales artificiales
Introduccion redes neuronales artificialesIntroduccion redes neuronales artificiales
Introduccion redes neuronales artificiales
ESCOM
 
Overview of Artificial Neural Networks and its Applications
Overview of Artificial Neural Networks and its ApplicationsOverview of Artificial Neural Networks and its Applications
Overview of Artificial Neural Networks and its Applications
Ramiro Aduviri Velasco
 
DETECCION DE OBSTACULOS POR MEDIO DE UN ROBOT APLICANDO REDES NEURONALES ARTI...
DETECCION DE OBSTACULOS POR MEDIO DE UN ROBOT APLICANDO REDES NEURONALES ARTI...DETECCION DE OBSTACULOS POR MEDIO DE UN ROBOT APLICANDO REDES NEURONALES ARTI...
DETECCION DE OBSTACULOS POR MEDIO DE UN ROBOT APLICANDO REDES NEURONALES ARTI...
Saul Mamani
 
DETECCION DE OBSTACULOS POR MEDIO DE UN ROBOT APLICANDO REDES NEURONALES ARTI...
DETECCION DE OBSTACULOS POR MEDIO DE UN ROBOT APLICANDO REDES NEURONALES ARTI...DETECCION DE OBSTACULOS POR MEDIO DE UN ROBOT APLICANDO REDES NEURONALES ARTI...
DETECCION DE OBSTACULOS POR MEDIO DE UN ROBOT APLICANDO REDES NEURONALES ARTI...
Saul Mamani
 
Redes neuronales maria jose paredes
Redes neuronales maria jose paredesRedes neuronales maria jose paredes
Redes neuronales maria jose paredes
majito269
 
Utp 2014-2_ia_s2_intro a las rna
 Utp 2014-2_ia_s2_intro a las rna  Utp 2014-2_ia_s2_intro a las rna
Utp 2014-2_ia_s2_intro a las rna
c09271
 
Redes Neuronales
Redes NeuronalesRedes Neuronales
Redes Neuronales
Claudine Cadena
 
Inteligencia Artificial Clase 2
Inteligencia Artificial Clase 2Inteligencia Artificial Clase 2
Inteligencia Artificial Clase 2
UNEFA
 
Utp sirn_s2_rna 2014-2
 Utp sirn_s2_rna 2014-2 Utp sirn_s2_rna 2014-2
Utp sirn_s2_rna 2014-2
c09271
 
Utp sirn_s2_rna 2014-2
 Utp sirn_s2_rna 2014-2 Utp sirn_s2_rna 2014-2
Utp sirn_s2_rna 2014-2
c09271
 
Redes neuronales y Computación Móvil
Redes neuronales y Computación MóvilRedes neuronales y Computación Móvil
Redes neuronales y Computación Móvil
VICTOR VIERA BALANTA
 
Redes Neuronales con Android
Redes Neuronales con AndroidRedes Neuronales con Android
Redes Neuronales con Android
VICTOR VIERA BALANTA
 
Redes Neuronales
Redes NeuronalesRedes Neuronales
Redes Neuronales
Daniel Paredes
 
Redes Neuronales
Redes NeuronalesRedes Neuronales
Redes Neuronales
Daniel Paredes
 
Redes Neuronales
Redes NeuronalesRedes Neuronales
Redes Neuronales
Jorge Fierro
 

Similar a Funcionamiento de las redes neuronales simples (20)

Redes Neuronales
Redes NeuronalesRedes Neuronales
Redes Neuronales
 
Redes neuronales
Redes neuronalesRedes neuronales
Redes neuronales
 
Redes neuronales
Redes neuronalesRedes neuronales
Redes neuronales
 
Redes Neuronales Artificiales: Aplicación de la función Hardlim para la clasi...
Redes Neuronales Artificiales: Aplicación de la función Hardlim para la clasi...Redes Neuronales Artificiales: Aplicación de la función Hardlim para la clasi...
Redes Neuronales Artificiales: Aplicación de la función Hardlim para la clasi...
 
Tema3dm
Tema3dmTema3dm
Tema3dm
 
Introduccion redes neuronales artificiales
Introduccion redes neuronales artificialesIntroduccion redes neuronales artificiales
Introduccion redes neuronales artificiales
 
Overview of Artificial Neural Networks and its Applications
Overview of Artificial Neural Networks and its ApplicationsOverview of Artificial Neural Networks and its Applications
Overview of Artificial Neural Networks and its Applications
 
DETECCION DE OBSTACULOS POR MEDIO DE UN ROBOT APLICANDO REDES NEURONALES ARTI...
DETECCION DE OBSTACULOS POR MEDIO DE UN ROBOT APLICANDO REDES NEURONALES ARTI...DETECCION DE OBSTACULOS POR MEDIO DE UN ROBOT APLICANDO REDES NEURONALES ARTI...
DETECCION DE OBSTACULOS POR MEDIO DE UN ROBOT APLICANDO REDES NEURONALES ARTI...
 
DETECCION DE OBSTACULOS POR MEDIO DE UN ROBOT APLICANDO REDES NEURONALES ARTI...
DETECCION DE OBSTACULOS POR MEDIO DE UN ROBOT APLICANDO REDES NEURONALES ARTI...DETECCION DE OBSTACULOS POR MEDIO DE UN ROBOT APLICANDO REDES NEURONALES ARTI...
DETECCION DE OBSTACULOS POR MEDIO DE UN ROBOT APLICANDO REDES NEURONALES ARTI...
 
Redes neuronales maria jose paredes
Redes neuronales maria jose paredesRedes neuronales maria jose paredes
Redes neuronales maria jose paredes
 
Utp 2014-2_ia_s2_intro a las rna
 Utp 2014-2_ia_s2_intro a las rna  Utp 2014-2_ia_s2_intro a las rna
Utp 2014-2_ia_s2_intro a las rna
 
Redes Neuronales
Redes NeuronalesRedes Neuronales
Redes Neuronales
 
Inteligencia Artificial Clase 2
Inteligencia Artificial Clase 2Inteligencia Artificial Clase 2
Inteligencia Artificial Clase 2
 
Utp sirn_s2_rna 2014-2
 Utp sirn_s2_rna 2014-2 Utp sirn_s2_rna 2014-2
Utp sirn_s2_rna 2014-2
 
Utp sirn_s2_rna 2014-2
 Utp sirn_s2_rna 2014-2 Utp sirn_s2_rna 2014-2
Utp sirn_s2_rna 2014-2
 
Redes neuronales y Computación Móvil
Redes neuronales y Computación MóvilRedes neuronales y Computación Móvil
Redes neuronales y Computación Móvil
 
Redes Neuronales con Android
Redes Neuronales con AndroidRedes Neuronales con Android
Redes Neuronales con Android
 
Redes Neuronales
Redes NeuronalesRedes Neuronales
Redes Neuronales
 
Redes Neuronales
Redes NeuronalesRedes Neuronales
Redes Neuronales
 
Redes Neuronales
Redes NeuronalesRedes Neuronales
Redes Neuronales
 

Último

CINE COMO RECURSO DIDÁCTICO para utilizar en TUTORÍA
CINE COMO RECURSO DIDÁCTICO para utilizar en TUTORÍACINE COMO RECURSO DIDÁCTICO para utilizar en TUTORÍA
CINE COMO RECURSO DIDÁCTICO para utilizar en TUTORÍA
Fernández Gorka
 
Mundo ABC Examen 1 Grado- Tercer Trimestre.pdf
Mundo ABC Examen 1 Grado- Tercer Trimestre.pdfMundo ABC Examen 1 Grado- Tercer Trimestre.pdf
Mundo ABC Examen 1 Grado- Tercer Trimestre.pdf
ViriEsteva
 
Lecciones 10 Esc. Sabática. El espiritismo desenmascarado docx
Lecciones 10 Esc. Sabática. El espiritismo desenmascarado docxLecciones 10 Esc. Sabática. El espiritismo desenmascarado docx
Lecciones 10 Esc. Sabática. El espiritismo desenmascarado docx
Alejandrino Halire Ccahuana
 
Liturgia día del Padre del siguiente domingo.pptx
Liturgia día del Padre del siguiente domingo.pptxLiturgia día del Padre del siguiente domingo.pptx
Liturgia día del Padre del siguiente domingo.pptx
YeniferGarcia36
 
La vida de Martin Miguel de Güemes para niños de primaria
La vida de Martin Miguel de Güemes para niños de primariaLa vida de Martin Miguel de Güemes para niños de primaria
La vida de Martin Miguel de Güemes para niños de primaria
EricaCouly1
 
Camus, Albert - El Extranjero.pdf
Camus, Albert -        El Extranjero.pdfCamus, Albert -        El Extranjero.pdf
Camus, Albert - El Extranjero.pdf
AlexDeLonghi
 
Chatgpt para los Profesores Ccesa007.pdf
Chatgpt para los Profesores Ccesa007.pdfChatgpt para los Profesores Ccesa007.pdf
Chatgpt para los Profesores Ccesa007.pdf
Demetrio Ccesa Rayme
 
Carnavision: anticipa y aprovecha - hackathon Pasto2024 .pdf
Carnavision: anticipa y aprovecha - hackathon Pasto2024 .pdfCarnavision: anticipa y aprovecha - hackathon Pasto2024 .pdf
Carnavision: anticipa y aprovecha - hackathon Pasto2024 .pdf
EleNoguera
 
UrkuninaLab.pdfsadsadasddassadsadsadasdsad
UrkuninaLab.pdfsadsadasddassadsadsadasdsadUrkuninaLab.pdfsadsadasddassadsadsadasdsad
UrkuninaLab.pdfsadsadasddassadsadsadasdsad
JorgeVillota6
 
La necesidad de bienestar y el uso de la naturaleza.pdf
La necesidad de bienestar y el uso de la naturaleza.pdfLa necesidad de bienestar y el uso de la naturaleza.pdf
La necesidad de bienestar y el uso de la naturaleza.pdf
JonathanCovena1
 
pueblos originarios de chile presentacion twinkl.pptx
pueblos originarios de chile presentacion twinkl.pptxpueblos originarios de chile presentacion twinkl.pptx
pueblos originarios de chile presentacion twinkl.pptx
RAMIREZNICOLE
 
Inteligencia Artificial y Aprendizaje Activo FLACSO Ccesa007.pdf
Inteligencia Artificial  y Aprendizaje Activo FLACSO  Ccesa007.pdfInteligencia Artificial  y Aprendizaje Activo FLACSO  Ccesa007.pdf
Inteligencia Artificial y Aprendizaje Activo FLACSO Ccesa007.pdf
Demetrio Ccesa Rayme
 
DESARROLLO DE LAS RELACIONES CON LOS STAKEHOLDERS.pdf
DESARROLLO DE LAS RELACIONES CON LOS STAKEHOLDERS.pdfDESARROLLO DE LAS RELACIONES CON LOS STAKEHOLDERS.pdf
DESARROLLO DE LAS RELACIONES CON LOS STAKEHOLDERS.pdf
JonathanCovena1
 
Hablemos de ESI para estudiantes Cuadernillo
Hablemos de ESI para estudiantes CuadernilloHablemos de ESI para estudiantes Cuadernillo
Hablemos de ESI para estudiantes Cuadernillo
Mónica Sánchez
 
CONCURSOS EDUCATIVOS 2024-PRESENTACIÓN ORIENTACIONES ETAPA IE (1).pptx
CONCURSOS EDUCATIVOS 2024-PRESENTACIÓN ORIENTACIONES ETAPA IE (1).pptxCONCURSOS EDUCATIVOS 2024-PRESENTACIÓN ORIENTACIONES ETAPA IE (1).pptx
CONCURSOS EDUCATIVOS 2024-PRESENTACIÓN ORIENTACIONES ETAPA IE (1).pptx
CARMENSnchez854591
 
RETROALIMENTACIÓN PARA EL EXAMEN ÚNICO AUXILIAR DE ENFERMERIA.docx
RETROALIMENTACIÓN PARA EL EXAMEN ÚNICO AUXILIAR DE ENFERMERIA.docxRETROALIMENTACIÓN PARA EL EXAMEN ÚNICO AUXILIAR DE ENFERMERIA.docx
RETROALIMENTACIÓN PARA EL EXAMEN ÚNICO AUXILIAR DE ENFERMERIA.docx
100078171
 
p4s.co Ecosistema de Ecosistemas - Diagrama.pdf
p4s.co Ecosistema de Ecosistemas - Diagrama.pdfp4s.co Ecosistema de Ecosistemas - Diagrama.pdf
p4s.co Ecosistema de Ecosistemas - Diagrama.pdf
DavidCamiloMosquera
 
APUNTES UNIDAD I ECONOMIA EMPRESARIAL .pdf
APUNTES UNIDAD I ECONOMIA EMPRESARIAL .pdfAPUNTES UNIDAD I ECONOMIA EMPRESARIAL .pdf
APUNTES UNIDAD I ECONOMIA EMPRESARIAL .pdf
VeronicaCabrera50
 
Clase Prensencial, Actividad 2.pdf.......
Clase Prensencial, Actividad 2.pdf.......Clase Prensencial, Actividad 2.pdf.......
Clase Prensencial, Actividad 2.pdf.......
LuanaJaime1
 
Business Plan -rAIces - Agro Business Tech
Business Plan -rAIces - Agro Business TechBusiness Plan -rAIces - Agro Business Tech
Business Plan -rAIces - Agro Business Tech
johnyamg20
 

Último (20)

CINE COMO RECURSO DIDÁCTICO para utilizar en TUTORÍA
CINE COMO RECURSO DIDÁCTICO para utilizar en TUTORÍACINE COMO RECURSO DIDÁCTICO para utilizar en TUTORÍA
CINE COMO RECURSO DIDÁCTICO para utilizar en TUTORÍA
 
Mundo ABC Examen 1 Grado- Tercer Trimestre.pdf
Mundo ABC Examen 1 Grado- Tercer Trimestre.pdfMundo ABC Examen 1 Grado- Tercer Trimestre.pdf
Mundo ABC Examen 1 Grado- Tercer Trimestre.pdf
 
Lecciones 10 Esc. Sabática. El espiritismo desenmascarado docx
Lecciones 10 Esc. Sabática. El espiritismo desenmascarado docxLecciones 10 Esc. Sabática. El espiritismo desenmascarado docx
Lecciones 10 Esc. Sabática. El espiritismo desenmascarado docx
 
Liturgia día del Padre del siguiente domingo.pptx
Liturgia día del Padre del siguiente domingo.pptxLiturgia día del Padre del siguiente domingo.pptx
Liturgia día del Padre del siguiente domingo.pptx
 
La vida de Martin Miguel de Güemes para niños de primaria
La vida de Martin Miguel de Güemes para niños de primariaLa vida de Martin Miguel de Güemes para niños de primaria
La vida de Martin Miguel de Güemes para niños de primaria
 
Camus, Albert - El Extranjero.pdf
Camus, Albert -        El Extranjero.pdfCamus, Albert -        El Extranjero.pdf
Camus, Albert - El Extranjero.pdf
 
Chatgpt para los Profesores Ccesa007.pdf
Chatgpt para los Profesores Ccesa007.pdfChatgpt para los Profesores Ccesa007.pdf
Chatgpt para los Profesores Ccesa007.pdf
 
Carnavision: anticipa y aprovecha - hackathon Pasto2024 .pdf
Carnavision: anticipa y aprovecha - hackathon Pasto2024 .pdfCarnavision: anticipa y aprovecha - hackathon Pasto2024 .pdf
Carnavision: anticipa y aprovecha - hackathon Pasto2024 .pdf
 
UrkuninaLab.pdfsadsadasddassadsadsadasdsad
UrkuninaLab.pdfsadsadasddassadsadsadasdsadUrkuninaLab.pdfsadsadasddassadsadsadasdsad
UrkuninaLab.pdfsadsadasddassadsadsadasdsad
 
La necesidad de bienestar y el uso de la naturaleza.pdf
La necesidad de bienestar y el uso de la naturaleza.pdfLa necesidad de bienestar y el uso de la naturaleza.pdf
La necesidad de bienestar y el uso de la naturaleza.pdf
 
pueblos originarios de chile presentacion twinkl.pptx
pueblos originarios de chile presentacion twinkl.pptxpueblos originarios de chile presentacion twinkl.pptx
pueblos originarios de chile presentacion twinkl.pptx
 
Inteligencia Artificial y Aprendizaje Activo FLACSO Ccesa007.pdf
Inteligencia Artificial  y Aprendizaje Activo FLACSO  Ccesa007.pdfInteligencia Artificial  y Aprendizaje Activo FLACSO  Ccesa007.pdf
Inteligencia Artificial y Aprendizaje Activo FLACSO Ccesa007.pdf
 
DESARROLLO DE LAS RELACIONES CON LOS STAKEHOLDERS.pdf
DESARROLLO DE LAS RELACIONES CON LOS STAKEHOLDERS.pdfDESARROLLO DE LAS RELACIONES CON LOS STAKEHOLDERS.pdf
DESARROLLO DE LAS RELACIONES CON LOS STAKEHOLDERS.pdf
 
Hablemos de ESI para estudiantes Cuadernillo
Hablemos de ESI para estudiantes CuadernilloHablemos de ESI para estudiantes Cuadernillo
Hablemos de ESI para estudiantes Cuadernillo
 
CONCURSOS EDUCATIVOS 2024-PRESENTACIÓN ORIENTACIONES ETAPA IE (1).pptx
CONCURSOS EDUCATIVOS 2024-PRESENTACIÓN ORIENTACIONES ETAPA IE (1).pptxCONCURSOS EDUCATIVOS 2024-PRESENTACIÓN ORIENTACIONES ETAPA IE (1).pptx
CONCURSOS EDUCATIVOS 2024-PRESENTACIÓN ORIENTACIONES ETAPA IE (1).pptx
 
RETROALIMENTACIÓN PARA EL EXAMEN ÚNICO AUXILIAR DE ENFERMERIA.docx
RETROALIMENTACIÓN PARA EL EXAMEN ÚNICO AUXILIAR DE ENFERMERIA.docxRETROALIMENTACIÓN PARA EL EXAMEN ÚNICO AUXILIAR DE ENFERMERIA.docx
RETROALIMENTACIÓN PARA EL EXAMEN ÚNICO AUXILIAR DE ENFERMERIA.docx
 
p4s.co Ecosistema de Ecosistemas - Diagrama.pdf
p4s.co Ecosistema de Ecosistemas - Diagrama.pdfp4s.co Ecosistema de Ecosistemas - Diagrama.pdf
p4s.co Ecosistema de Ecosistemas - Diagrama.pdf
 
APUNTES UNIDAD I ECONOMIA EMPRESARIAL .pdf
APUNTES UNIDAD I ECONOMIA EMPRESARIAL .pdfAPUNTES UNIDAD I ECONOMIA EMPRESARIAL .pdf
APUNTES UNIDAD I ECONOMIA EMPRESARIAL .pdf
 
Clase Prensencial, Actividad 2.pdf.......
Clase Prensencial, Actividad 2.pdf.......Clase Prensencial, Actividad 2.pdf.......
Clase Prensencial, Actividad 2.pdf.......
 
Business Plan -rAIces - Agro Business Tech
Business Plan -rAIces - Agro Business TechBusiness Plan -rAIces - Agro Business Tech
Business Plan -rAIces - Agro Business Tech
 

Funcionamiento de las redes neuronales simples

  • 1. Sistema Expertos Alumno: David Freire Profesor: Ing. David Castillo Nivel: Noveno Semestre Fecha: 31 de octubre de 2013 Centro de Apoyo: Puyo Periodo: 2013 - 2014 Ingeniería Sistemas
  • 2.
  • 4. El sistema de neuronas biológico está compuesto por neuronas de entrada (censores) conectados a una compleja red de neuronas "calculadoras" (neuronas ocultas), las cuales, a su vez, están conectadas a las neuronas de salidas que controlan, por ejemplo, los músculos. En el cerebro hay una gigantesca red de neuronas "calculadoras" u ocultas que realizan la computación necesaria. De esta manera similar, una red neuronal artificial debe ser compuesta por censores del tipo mecánico o eléctrico.
  • 5. El cerebro humano es el sistema de cálculo más complejo que conoce el hombre. El ordenador y el hombre realizan bien diferentes clases de tareas; así la operación de reconocer el rostro de una persona resulta una tarea relativamente sencilla para el hombre y difícil para el ordenador, mientras que la contabilidad de una empresa es tarea costosa para un experto contable y una sencilla rutina para un ordenador básico. La capacidad del cerebro humano de pensar, recordar y resolver problemas ha inspirado a muchos científicos intentar o procurar modelar en el ordenador el funcionamiento del cerebro humano. Un grupo de investigadores ha perseguido la creación de un modelo en el ordenador que iguale o adopte las distintas funciones básicas del cerebro. El resultado ha sido una nueva tecnología llamada Computación Neuronal o también Redes Neuronales Artificiales.
  • 6. Sistema Expertos 1. Red Neuronal Artificial Las diferentes configuraciones y algoritmos que se diseñan para las redes neuronales artificiales están inspiradas en la organización del complejo sistema neuronal del cerebro humano. No obstante conviene aclarar que esta inspiración no supone que las ANN lleguen a emular al cerebro como algunos optimistas lo desean ya que entre otras limitaciones el conocimiento sobre el modo de funcionamiento y comportamiento del cerebro es bastante simple y reducido. De hecho los diseñadores de redes artificiales van más lejos del conocimiento biológico actual y prueban nuevas estructuras que presentan un comportamiento adecuado y útil. El sistema nervioso humano constituido por células llamadas neuronas presenta una estructura muy compleja. El número estimado de neuronas es de 1011 y las interconexiones entre ellas son del orden de 1015. Cada neurona comparte muchas características con otras células del cuerpo humano pero tiene propiedades particulares y especiales para recibir, procesar y transmitir señales electroquímicas a través de todas las interconexiones del sistema de comunicación del cerebro. En el siguiente gráfico se muestra la estructura de un par de neuronas biológicas. Del cuerpo de la neurona se extienden las dendritas hacia otras neuronas donde reciben las señales transmitidas por otras neuronas. El punto de contacto o de conexión se llama sinapsis y estas entradas son dirigidas al núcleo donde se suman. Algunas de las entradas tienden a excitar a la célula y otras sin embargo tienden a inhibir la célula. Cuando la excitación acumulada supera un valor umbral, las neuronas envían una señal a través del axón a otras neuronas. Ingeniería Sistemas David Freire Noveno Semestre Página 6
  • 7. Sistema Expertos La mayoría de los modelos de las ANN presenta este funcionamiento básico de la neurona aun cuando el comportamiento real de una célula nerviosa tiene muchas complejidades y excepciones. 1.1. La neurona Funcionamiento de una red neuronal artificial artificial fue diseñada para "emular" las características del funcionamiento básico de la neurona biológica. En esencia, se aplica un conjunto de entradas a la neurona, cada una de las cuales representa una salida de otra neurona. Cada entrada se multiplica por su "peso" o ponderación correspondiente análogo al grado de conexión de la sinapsis. Todas las entradas ponderadas se suman y se determina el nivel de excitación o activación de la neurona. Una representación vectorial del funcionamiento básico de una neurona artificial se indica según la siguiente expresión de la ecuación Ingeniería Sistemas David Freire Noveno Semestre Página 7
  • 8. Sistema Expertos Normalmente la señal de salida NET suele ser procesada por una función de activación F para producir la señal de salida de la neurona OUT. La función F puede ser una función lineal, o una función umbral o una función no lineal que simula con mayor exactitud las características de transferencia no lineales de las neuronas biológicas. Las funciones F más utilizadas son la función Sigmoid y Tangente hiperbólica expresadas en la Tabla. Este tipo de modelo de neurona artificial ignora muchas de las características de las neuronas biológicas. Entre ellas destaca la omisión de retardos y de sincronismo en la generación de la salida. No obstante, a pesar de estas limitaciones las redes construidas con este tipo de neurona artificial presentan cualidades y atributos con cierta similitud a la de los sistemas biológicos. Por tal motivo el funcionamiento de una red neuronal artificial están formadas por un conjunto de neuronas artificiales interconectadas. Ingeniería Sistemas David Freire Noveno Semestre Página 8
  • 9. Sistema Expertos Las neuronas de la red se encuentran distribuidas en diferentes capas de neuronas, de manera que las neuronas de una capa están conectadas con las neuronas de la capa siguiente, a las que pueden enviar información. La arquitectura más usada en la actualidad de una red neuronal consistiría en:  Una primera capa de entradas, que recibe información del exterior.  Una serie de capas ocultas (intermedias), encargadas de realizar el trabajo de la red.  Una capa de salidas, que proporciona el resultado del trabajo de la red al exterior. El número de capas intermedias y el número de neuronas de cada capa dependerá del tipo de aplicación al que se vaya a destinar la red neuronal. Ingeniería Sistemas David Freire Noveno Semestre Página 9
  • 10. Sistema Expertos 1.2. Neuronas y conexiones Cada neurona de la red es una unidad de procesamiento de información; es decir, recibe información a través de las conexiones con las neuronas de la capa anterior, procesa la información, y emite el resultado a través de sus conexiones con las neuronas de la capa siguiente, siempre y cuando dicho resultado supere un valor "umbral". En una red neuronal ya entrenada, las conexiones entre neuronas tienen un determinado peso ("peso sináptico"). Un ejemplo de una neurona sobre la que convergen conexiones de diferente peso sináptico (Wi). El procesamiento de la información llevado a cabo por cada neurona Y, consiste en una función (F) que opera con los valores recibidos desde las neuronas de la capa anterior (Xi, generalmente 0 o 1), y que tiene en cuenta el peso sináptico de la conexión por la que se recibieron dichos valores (Wi). Así, una neurona dará más importancia a la información que le llegue por una conexión de peso mayor que no a aquella que le llegue por una conexión de menor peso sináptico. Un modelo simple de la función F seria: Ingeniería Sistemas David Freire Noveno Semestre Página 10
  • 11. Sistema Expertos Si el resultado de la función F es mayor que el valor umbral (U), la neurona se activa y emite una señal (1) hacia las neuronas de la capa siguiente. Pero, si por el contrario, el resultado es menor que el valor umbral, la neurona permanece inactiva (0) y no envía ninguna señal: De esta forma, definido un conjunto inicial de pesos en las conexiones, al presentar un "estímulo" (conjunto de ceros y unos que representa un dato, perfil u objeto) a la capa de entradas, cada neurona en cada capa realiza la operación descrita anteriormente, activándose o no, de manera que al final del proceso las neuronas de la capa de salidas generan un resultado (otro conjunto de ceros y unos), que puede coincidir o no con el que se desea asociar el estímulo. En el entrenamiento de una red neuronal tanto el peso sináptico de las conexiones como el valor umbral para cada neurona se modifican (según un algoritmo de aprendizaje), con el fin de que los resultados generados por la red coincidan con (o se aproximen a) los resultados esperados. Y para simplificar el sistema de entrenamiento, el valor umbral (U) pasa a expresarse como un peso sináptico más (-W0), pero asociado a una neurona siempre activa (X0). Esta neurona siempre activa, se denomina "bias", y se sitúa en la capa anterior a la neurona Y, tal como se muestra en la figura. Ingeniería Sistemas David Freire Noveno Semestre Página 11
  • 12. Sistema Expertos Así, la condición de activación puede reescribirse como: De esta manera el algoritmo de aprendizaje puede ajustar el umbral como si ajustara un peso sináptico más. Ingeniería Sistemas David Freire Noveno Semestre Página 12
  • 13. Sistema Expertos Como conclusión podemos indicar que es posible Conseguir, diseñar y construir máquinas capaces de realizar procesos con cierta inteligencia ha sido uno de los principales objetivos de los científicos a lo largo de la historia. De los intentos realizados en este sentido se han llegado a definir las líneas fundamentales para la obtención de máquinas inteligentes: En un principio los esfuerzos estuvieron dirigidos a la obtención de autómatas, en el sentido de máquinas que realizaran, con más o menos éxito, alguna función típica de los seres humanos. Ingeniería Sistemas David Freire Noveno Semestre Página 13