Redes Neuronales Artificiales
¿Qué son?
Son un modelo computacional que simula o intentan reproducir el comportamiento del cerebro a partir del desarrollo de una arquitectura con rasgos cerebrales como lo es la inteligencia artificial.
Funcionamiento
Caracteristicas
Ventajas
se componen de:
Nodos
Neuronas
La conectividad entre los nodos de una red esta relacionada con la forma en que las salidas de las neuronas están canalizadas para convertirse en entradas de otras neuronas. La señal de salida de un nodo puede ser la entrada de otra neurona.
La distribución de neuronas dentro de la red se realiza formando niveles o capas de un numero determinado de neuronas cada una.
Peso sináptico
Forma de representar la información
Auto organización
Desventajas
Elevada cantidad de datos para el entrenamiento
Se pueden distinguir 3 tipos de capas
Capa oculta
Capa de salida
Capa de entrada
Recibe directamente la información proveniente de las fuentes externas a la red.
Son internas a la red y no tienen contacto directo con el entorno exterior.
Transfieren información de la red hacia el exterior.
Unión de sumadora
Señales de entrada
Función de activación
Señal de salida
Tipo de asociación entre la información de entrada y salida
Mecanismo de aprendizaje
Topología
La arquitectura de las redes neuronales consiste en la organización y disposición de las neuronas formando capas más o menos alejadas de la entrada y salida de la red
Se basa en el entrenamiento de la red con patrones
Las funciones de activación pueden ser continuas, lineal o simogdeal.
Almacena cierta información aprendida, la cual se registra de forma distribuida en los pesos asociados a las conexiones entre neuronas de entrada y salida
Parámetros de la red
Numero de neuronas por capa
Grado de conectividad
Conexiones entre neuronas
Numero de capas
Tres tipos de aprendizaje
Aprendizaje por refuerzo
Aprendizaje hibrido
Aprendizaje por corrección de error
Consiste en ajustar los pesos en fusión de la diferencia entre los valores deseados y los obtenidos en la salida de la red, es decir, en función del error.
Se basa en la idea de no indicar durante el entrenamiento exactamente la salida que se desea que proporcione la red ante una determinada entrada. La función del supervisor se reduce a indicar mediante una señal de refuerzo si la salida obtenida en la red se ajusta a la deseada (éxito=+1 o fracaso=-1), y en función de ello se ajustan los pesos basándose en un mecanismo de probabilidades.
Este tipo de aprendizaje consiste básicamente en realizar cambios aleatorios en los valores de los pesos de las conexiones de la red y evaluar su efecto a partir del objetivo deseado y de distribuciones de probabilidad.
¿Cómo crear una red neuronal de clasificación?
1. Se crean los grupos a clasificar.
2. Se genera una clasificación, ya sea lineal o no lineal, que logre separar dichos grupos. Si los grupos no están separados se realiza un aprendizaje
3. Si los grupos están separados se realiza una serie de pruebas con otros datos diferentes a los iniciales.
Aprendizaje
Tolerancia a fallos
4. Si las pruebas presentan un error se realiza un reentrenamiento modificando los pesos iniciales.
5. Se genera la clasificación con los datos iniciales y los datos de prueba
Complejidad de aprendizaje en grandes tareas
Tiempo de aprendizaje elevado