Please enable JavaScript.
Coggle requires JavaScript to display documents.
REDES NEURONALES ARTIFICIAES, Creado Por: Carlos Mario Palacio - Coggle…
REDES NEURONALES ARTIFICIAES
Son sistemas computacionales, de implementacion en harware o software, que imitan las habilidades computacionales del sistema nervioso biologico, usando un gran numero de simples neuronas artificiales interconectadas.
Tipos de Aprendizaje
No Supervizado
Las redes con aprendizaje no supervisado, no requieren influencia externa para ajustar los pesos de las conexiones entre sus neuronas. La red no recibe ninguna información por parte del entorno que le indique si la salida generada en respuesta a una determinada entrada es o no correcta.
Se Dividen En:
1) Aprendizaje hebbiano.
2) Aprendizaje competitivo y comparativo.
Supervisado
El aprendizaje supervisado se caracteriza porque el proceso de aprendizaje se realiza mediante un entrenamiento controlado por un agente externo (supervisor, maestro) que determina la respuesta que debería generar la red a partir de una entrada determinada.
Se Dividen En:
1) Aprendizaje por corrección de error.
2) Aprendizaje por refuerzo.
3) Aprendizaje estocástico
Tipología de Redes Neuronales Artificiales
Red Neuronal Monocapa
La red neuronal monocapa se corresponde con la red neuronal más simple, está compuesta por una capa de neuronas que proyectan las entradas a una capa de neuronas de salida donde se realizan los diferentes cálculos.
Entre la Redes Monocapas Podemos Encontrar:
Modelo de Red Asociador Lineal
utiliza el tipo de aprendizaje No supervisado.
utiliza el algoritmo de entrenamiento de aprendizaje Hebbiano.
es una red hetero asociativa.
utiliza la funcion de activacion de identidad.
utiliza un conjunto de patrones de entrada y otro de salida.
Modelo de Red Perceptron Simple
utiliza el algoritmo de entrenamiento por perceptron.
utiliza el aprendizaje por corrección de error supervisado.
la función de activación es de tipo escalón.
información de entrada discreta.
Redes Neuronales Adaline y Madaline
utiliza el tipo de aprendizaje supervisado por corrección de error .
utiliza el algoritmo de entrenamiento de la función de transferencia lineal y la de asociador lineal.
utiliza la regla "WIDROW - HOFF".
información de entrada Analógica y salida Binaria.
Red Neuronal Multicapa
La red neuronal multicapa es una generalización de la red neuronal monocapa, la diferencia reside en que mientras la red neuronal monocapa está compuesta por una capa de neuronas de entrada y una capa de neuronas de salida, esta dispone de un conjunto de capas intermedias (capas ocultas) entre la capa de entrada y la de salida.
Entre las Redes Monocapas Podemos Enontrar:
Modelo de Red BACKPROPAGATION
utiliza el tipo de aprendizaje supervisado.
utiliza el algoritmo de entrenamiento de
propagación hacia adelante y corrección de error.
es una red hetero asociativa.
información de entrada y salida Analógica.
Modelo de Red TPM
utiliza el tipo de aprendizaje No supervisado.
uliliza la regla Competitivo .
es una red hetero asociativa.
información de entrada y salida Analógica.
Modelo de Red ART
utiliza el tipo de aprendizaje No supervisado.
utiliza el algoritmo de entrenamiento
Competitivo.
es una red hetero asociativa.
información de entrada y salida Analógica.
Modelo de Red Cauchy Machinele
utiliza el tipo de aprendizaje No supervisado.
utiliza el algoritmo de entrenamiento de la regla Estocastico.
es una red hetero asociativa.
información de entrada Analógica y salida Binaria.
Modelo de Red base Radial
utiliza el tipo de aprendizaje No supervisado.
utiliza el algoritmo autoguardado jerarquico.
Modelo de Red Perceptron Multicapa
utiliza el tipo de aprendizaje No supervisado.
utiliza el algoritmo de retropropagacion de errores
Creado Por: Carlos Mario Palacio