Las Redes Neuronales Artificiales (ANN) se inspiran en las redes neuronales biológicas y están constituidas por elementos similares a las neuronas. Las ANN aprenden de la experiencia, generalizan de ejemplos previos, y abstraen características principales de los datos. Se componen de unidades elementales conectadas en capas y aprenden a través de algoritmos de entrenamiento supervisado o no supervisado.

2. Realizado Por:
Degember Bravo
Eduardo Prado
Eledexys Ojeda
Jenny Urdaneta
Jhon Berdugo
Miguel Bracho
Niosmer Aular
Luis Parra
Luis Rodríguez
Luisangela Rengel
Wilfre Alviarez

3. En las última década las Redes Neuronales Artificiales (ANN) han recibido un
interés particular como una tecnología para minería de datos, puesto que ofrece
los medios para modelar de manera efectiva y eficiente problemas grandes y
complejos. Los modelos de ANN son dirigidos a partir de los datos, es decir, son
capaces de encontrar relaciones (patrones) de forma inductiva por medio de los
algoritmos de aprendizaje basado en los datos existentes más que requerir la
ayuda de un modelador para especificar la forma funcional y sus interacciones.
Las ANN son un método de resolver problemas, de forma individual o
combinadas con otros métodos, para aquellas tareas de clasificación,
identificación, diagnóstico, optimización o predicción en las que el balance
datos/conocimiento se inclina hacia los datos y donde, adicionalmente, puede
haber la necesidad de aprendizaje en tiempo de ejecución y de cierta tolerancia
a fallos.
Estas neuronas artificiales se agrupan en capas o niveles y poseen un alto
grado de conectividad entre ellas, conectividad que es ponderada por los pesos.
A través de un algoritmo de aprendizaje supervisado o no supervisado, las ANN
ajustan su arquitectura y parámetros de manera de poder minimizar alguna
función de error que indique el grado de ajuste a los datos y la capacidad de
generalización de las ANN.

4. Una red neuronal artificial (ANN) es un esquema de computación distribuida
inspirada en la estructura del sistema nervioso de los seres humanos. La arquitectura de
una red neuronal es formada conectando múltiples procesadores elementales, siendo
éste un sistema adaptivo que pose un algoritmo para ajustar sus pesos (parámetros
libres) para alcanzar los requerimientos de desempeño del problema basado en
muestras representativas.
Es importante señalar que la propiedad más importantes de las redes neuronales
artificiales es su capacidad de aprender a partir de un conjunto de patrones de
entrenamientos, es decir, es capaz de encontrar un modelo que ajuste los datos. El
proceso de aprendizaje también conocido como entrenamiento de la red puede ser
supervisado o no supervisado.
El aprendizaje supervisado consiste en entrenar la red a partir de un conjunto de
datos o patrones de entrenamiento compuesto por patrones de entrada y salida. El
objetivo del algoritmo de aprendizaje es ajustar los pesos de la red w de manera tal que
la salida generada por la ANN sea lo más cercanamente posible a la verdadera salida
dada una cierta entrada. Es decir, la red neuronal trata de encontrar un modelo al
procesos desconocido que generó la salida y. Este aprendizaje se llama supervisado
pues se conoce el patrón de salida el cual hace el papel de supervisor de la red.
En cambio en el aprendizaje no supervisado se presenta sólo un conjunto de
patrones a la ANN, y el objetivo del algoritmo de aprendizaje es ajustar los pesos de la
red de manera tal que la red encuentre alguna estructura o configuración presente en
los datos.

5. Las Redes Neuronales Artificiales, ANN (Artificial Neural Networks) están
inspiradas en las redes neuronales biológicas del cerebro humano. Están
constituidas por elementos que se comportan de forma similar a la neurona
biológica en sus funciones más comunes. Estos elementos están organizados
de una forma parecida a la que presenta el cerebro humano.
Las ANN al margen de "parecerse" al cerebro presentan una serie de
características propias del cerebro. Por ejemplo las ANN aprenden de la
experiencia, generalizan de ejemplos previos a ejemplos nuevos y abstraen
las características principales de una serie de datos.
Aprender: adquirir el conocimiento de una cosa por medio del
estudio, ejercicio o experiencia. Las ANN pueden cambiar su comportamiento
en función del entorno. Se les muestra un conjunto de entradas y ellas
mismas se ajustan para producir unas salidas consistentes.
Generalizar: extender o ampliar una cosa. Las ANN generalizan
automáticamente debido a su propia estructura y naturaleza. Estas redes
pueden ofrecer, dentro de un margen, respuestas correctas a entradas que
presentan pequeñas variaciones debido a los efectos de ruido o distorsión.
Abstraer: aislar mentalmente o considerar por separado las
cualidades de un objeto. Algunas ANN son capaces de abstraer la esencia de
un conjunto de entradas que aparentemente no presentan aspectos comunes
o relativos.

6. 3.1.- Analogía con el cerebro
La neurona es la unidad fundamental del sistema nervioso y en
particular del cerebro. Cada neurona es una simple unidad procesadora
que recibe y combina señales desde y hacia otras neuronas. Si la
combinación de entradas es suficientemente fuerte la salida de la
neurona se activa. La Figura (1.1) muestra las partes que constituyen
una neurona.
El cerebro consiste en uno o varios
billones de neuronas densamente
interconectadas. El axón (salida) de la
neurona se ramifica y está conectada a
las dendritas (entradas) de otras
neuronas a través de uniones llamadas
sinapsis. La eficacia de la sinpasis es
modificable durante el proceso de
aprendizaje de la red.

7. 3.2.- Redes Neuronales Artificiales
En las Redes Neuronales Artificiales, ANN, la unidad análoga a la
neurona biológica es el elemento procesador,PE (process element). Un
elemento procesador tiene varias entradas y las combina, normalmente con
una suma básica. La suma de las entradas es modificada por una función de
transferencia y el valor de la salida de esta función de transferencia se pasa
directamente a la salida del elemento procesador.
La salida del PE se puede conectar a las entradas de otras neuronas
artificiales (PE) mediante conexiones ponderadas correspondientes a la
eficacia de la sinapsis de las conexiones neuronales.
La Figura (1.2) representa un elemento procesador de una red neuronal
artificial implementada en un ordenador.

8. Una red neuronal consiste en un conjunto de unidades
elementales PE conectadas de una forma concreta. El interés de las
ANN no reside sólamente en el modelo del elemento PE sino en las
formas en que se conectan estos elementos procesadores.
Generalmente los elementos PE están organizados en grupos
llamados niveles o capas. Una red típica consiste en una secuencia
de capas con conexiones entre capas adyacentes consecutivas.
Existen dos capas con
conexiones con el mundo exterior.
Una capa de entrada, buffer de
entrada, donde se presentan los
datos a la red, y una capa buffer de
salida que mantiene la respuesta de
la red a una entrada. El resto de las
capas reciben el nombre de capas
ocultas. La Figura (1.3) muestra el
aspecto de una Red Neuronal
Artificial.

9. Las características especiales de los sistemas de computación neuronal
permiten que sea utilizada esta nueva técnica de cálculo en una extensa
variedad de aplicaciones.
La computación neuronal provee un acercamiento mayor al
reconocimiento y percepción humana que los métodos tradicionales de
cálculo. Las redes neuronales artificiales presentan resultados razonables
en aplicaciones donde las entradas presentan ruido o las entradas están
incompletas. Algunas de las áreas de aplicación de las ANN son las
siguientes:

10. 5.1.- EL PROTOTIPO BIOLÓGICO
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.
La Figura (2.1) muestra la estructura de un par de neuronas
biológicas.

11. 5.2.- LA NEURONA ARTIFICIAL
La neurona 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 (2.1).
La Figura (2.2)
representa una
neurona artificial con
una función de
activación F.

12. Debido a su constitución y a sus fundamentos, las RNA presentan un
gran número de características semejantes a las del cerebro. Por ejemplo,
son capaces de aprender de la experiencia, de generalizar de casos
anteriores a nuevos casos, de abstraer características esenciales a partir
de entradas que representan información irrelevante, etc. Esto hace que
ofrezcan numerosas ventajas y que este tipo de tecnología se esté
aplicando en múltiples áreas. Estas ventajas incluyen:
• Aprendizaje Adaptativo: Es una de las características más atractivas de
las redes neuronales, es la capacidad de aprender a realizar tareas
basadas en un entrenamiento o una experiencia inicial.
• Autoorganización: Las redes neuronales usan su capacidad de
aprendizaje adaptativo para organizar la información que reciben
durante el aprendizaje y/o la operación. Una RNA puede crear su propia
organización o representación de la información que recibe mediante
una etapa de aprendizaje. Esta autoorganización provoca la facultad de
las redes neuronales de responder apropiadamente cuando se les
presentan datos o situaciones a los que no habían sido expuestas
anteriormente.

13. • Tolerancia a Fallos: Comparados con los sistemas computacionales
tradicionales, los cuales pierden su funcionalidad en cuanto sufren
un pequeño error de memoria, en las redes neuronales, si se
produce un fallo en un pequeño número de neuronas, aunque el
comportamiento del sistema se ve influenciado, sin embargo no
sufre una caída repentina.
• Operación en Tiempo Real: Los computadores neuronales pueden
ser realizados en para el, y se diseñan y fabrican máquinas con
hardware especial para obtener esta capacidad.
• Fácil inserción dentro de la tecnología existente. Debido a que una
red puede ser rápidamente entrenada, comprobada, verificada y
trasladada a una implementación hardware de bajo costo, es fácil
insertar RNA para aplicaciones específicas dentro de sistemas
existentes (chips, por ejemplo). De esta manera, las redes
neuronales se pueden utilizar para mejorar sistemas de forma
incremental, y cada paso puede ser evaluado antes de acometer un
desarrollo más amplio.

14. Una aplicación de redes neuronales artificiales, comprende varias
fases o etapas, para el desarrollo y validación de la estructura se tienen
las siguientes fases:
Definición de la red neuronal
Se determina el número de neuronas de las capas de entrada, oculta y
salida, así como también las diferentes funciones de activación que se
utilizarán en las neuronas de la capa oculta y salida.
Entrenamiento de la red neuronal
En esta etapa se define el tipo de entrenamiento que se realizará, si
es aprendizaje supervisado o no supervisado, también se determinan
los algoritmos de entrenamiento.
Utilización de la red neuronal
La fase de utilización es propiamente la ejecución de la estructura de
la red, se inicia cuando se presenta una entrada a la red y termina
generando una salida en función a las entradas proporcionadas.

15. Mantenimiento de la red neuronal
Sobre el mantenimiento se puede decir que la mayoría de las redes
se entrenan para solucionar problemas dinámicos, por lo tanto es
necesaria e indispensable una validación continua para garantizar una
buena utilización. A medida que transcurra el tiempo podrán surgir
nuevos conjuntos de datos reales aún desconocidos por la red, y de esta
forma, será necesario un nuevo aprendizaje o, dependiendo del caso
realizar una nueva definición.
En la Fig. N° 8 se muestra las fases del desarrollo de una estructura
de red neuronal, ciclo de vida de la red neuronal.
Una red neuronal, consta de dos momentos de explicación de su
procesamiento; el momento de aprendizaje y el momento de utilización o
aplicación de la estructura de la red.

16. Las Redes Neuronales Artificiales basadas en los sistemas
nerviosos biológicos reproducen al menos el funcionamiento del
cerebro humano, sea en hardware o software, El aprendizaje de
sistemas neuronales directas tiene un proceso mediante
el empleo del algoritmo de retropropagación (backpropagation),
realizando el ajuste de pesos entre las capas de la red. La
construcción de las redes neuronales artificiales hace uso de
metodologías de desarrollo de software.
Las redes neuronales artificiales tienen un amplio campo de
aplicaciones donde se requiera la solución a problemas, desde
actividades de investigación hasta aplicaciones comerciales e
industriales.