Son un campo muy importante dentro de la Inteligencia Artificial. Se inspira en el comportamiento conocido del cerebro humano (principalmente el referido a las neuronas y sus conexiones).

1. REDES
NEURONALES

2. ¿QUÉ SON?
• Son un campo muy
importante dentro de la
Inteligencia Artificial.
• Se inspira en el
comportamiento
conocido del cerebro
humano (principalmente
el referido a las
neuronas y sus
conexiones).

3. UN POCO DE HISTORIA:
• Desde la década de los 40, la aparición de los computadores
digitales y el desarrollo de las teorías modernas acerca del
aprendizaje y del procesamiento neuronal se produjeron
aproximadamente al mismo tiempo, a finales de los años cuarenta.
• Desde entonces hasta nuestros días, la investigación
neurofisiológica y el estudio de sistemas neuronales artificiales
(ANS, Artificial Neural Systems) han ido de la mano.
• A principios de los 80, por un lado Hopfield y sus conferencias
acerca de la memoria auto asociativa y por otro lado la aparición del
libro Parallel Distributed Processing (PDP), escrito por Rumelhart y
McClelland reactivaron la investigación en el campo de las redes
neuronales. Hubo grandes avances que propiciaron el uso comercial
en campos tan variados como el diagnóstico de enfermedades, la
aproximación de funciones o el reconocimiento de imágenes.
• Hoy en día, la tecnología ANS no está en su mejor momento, pero a
pesar de ello existen revistas, ciclos de conferencias, etc; que
mantienen vías de investigación abiertas.

4. NEURONA
ARTIFICIAL:• Neurona artificial: unidad de procesamiento
de la información, es un dispositivo simple
de cálculo que ante un vector de entradas
proporciona una única salida.
• Elementos:
Conjunto de entradas, xj
Pesos sinápticos, wi
 Función de activación:
w1·x1+ w2·x2 + ... + wn·xn = a
Función de transferencia:
y = F (w1·x1+ w2·x2 + ... + wn·xn )
 Bias o polarización: entrada constate de
magnitud 1, y peso b que se introduce en el
sumador.
a
y

5. NEURONA ARTIFICIAL:
• Principales funciones
de transferencia:
Lineal: y=ka
Escalón: y = 0 si
a<0; y=1 si a>=0
Sigmoide
Gaussiana.

6. NEURONA BIOLÓGICA
• Fue Ramón y Cajal (1888) quién descubrió la
estructura celular (neurona) del sistema
nervioso. Defendió la teoría de que las neuronas
se interconectaban entre sí de forma paralela, y
no formando un circuito cerrado como el sistema
sanguíneo.
• Una neurona consta de un cuerpo celular (soma)
de entre 10 y 80 mm, del que surge un denso
árbol de ramificaciones (dendritas) y una fibra
tubular (axón) de entre 100 mm y un metro.
• De alguna forma, una neurona es un
procesador de información muy simple:
Canal de entrada: dendritas.
Procesador: soma.
Canal de salida: axón.

7. NEURONA BIOLÓGICA:
• Una neurona cerebral puede recibir
unas 10.000 entradas y enviar a su vez
su salida a varios cientos de neuronas.
• La conexión entre neuronas se llama
sinapsis. No es una conexión física, si
no que hay unos 2 mm de separación.
Son conexiones unidireccionales.
• No todas las neuronas son iguales,
existen muchos tipos diferentes según
el número de ramificaciones de sus
dendritas, la longitud del axón y otros
detalles estructurales

8. RNA de una capa
• Una neurona aislada dispone de poca
potencia de cálculo.
• Los nodos se conectan mediante la
sinapsis
• Las neuronas se agrupan formando una
estructura llamada capa.
• Los pesos pasan a ser matrices W (n x
m)
• La salida de la red es un vector: Y=(y1,
y2, ... , yn)T
• Y=F(W·X+b)
a1
a2
an
y1
y2
yn

9. ARQUITECTURA DE LAS RNA:
• Es el proceso por el que una RNA actualiza los pesos
(y, en algunos casos, la arquitectura) con el propósito
de que la red pueda llevar a cabo de forma efectiva una
tarea determinada.
• Hay tres conceptos fundamentales en el aprendizaje:
• Paradigma de aprendizaje: información de la que
dispone la red.
• Regla de aprendizaje: principios que gobiernan el
aprendizaje.
• Algoritmo de aprendizaje: procedimiento numérico de
ajuste de los pesos.
• Existen dos paradigmas fundamentales de aprendizaje:
• Supervisado: la red trata de minimizar un error entre
la salida que calcula y la salida deseada (conocida), de
modo que la salida calculada termine siendo la
deseada.
• No supervisado o autoorganizado: la red conoce un
conjunto de patrones sin conocer la respuesta deseada.
Debe extraer rasgos o agrupar patrones similares.

10. •WEBGAME:
avellano.fis.usal.es/~lalo
nso/RNA/index.htm