Please enable JavaScript.
Coggle requires JavaScript to display documents.
REDES NEURONALES DE ESTADO DISCRETO, unnamed - Coggle Diagram
REDES NEURONALES DE ESTADO DISCRETO
FUNDAMENTOS
Neuronas con estados binarios (0/1 o -1/+1)
Transiciones por reglas de activación
Inspiradas en modelos simplificados del cerebro
Utilizadas en problemas de clasificación y memoria
FUNCIONES DE ACTIVIDAD DISCRETA
ESCALON DE HEAVISIDE
FUNCION SIGNO
Función lógica (AND, OR, NOT)
Umbral binario
Función de activación estocástica (en máquinas de Boltzmann)
REDES DE HOPFIELD
Red recurrente simétrica
Almacena patrones como mínimos de energía
Convergencia a estados estables
Aplicaciones: corrección de errores, memoria asociativa
Limitaciones: capacidad limitada, sensibilidad a ruido
MAQUINAS DE BOLTZMAN
Red estocástica con unidades visibles y ocultas
Aprendizaje por minimización de energía
Capacidad de modelar distribuciones probabilísticas
Aplicaciones: reducción de dimensionalidad, generación de datos
Variante: Restricted Boltzmann Machine (RBM)
PERCEPTRON
Neurona artificial básica
Clasificación binaria lineal
Regla de aprendizaje supervisado
Limitaciones: no resuelve problemas no lineales
Base del Perceptrón Multicapa (MLP)
VENTAJAS
Aprendizaje adaptativo
Modelado de relaciones complejas
Aplicaciones en visión, lenguaje, robótica
Capacidad de generalización
DESVENTAJAS
Requieren muchos datos
Costosas computacionalmente
Difíciles de interpretar (caja negra)
Riesgo de sobreajuste
CONCEPTOS AVANZADOS
Energía de red (Hopfield y Boltzmann)
Algoritmos de aprendizaje Hebbiano
Dinámica de estados y estabilidad
Capacidad de almacenamiento
Simulación de redes neuronales discretas
