Please enable JavaScript.
Coggle requires JavaScript to display documents.
Redes Neuronales de Estado Discreto - Coggle Diagram
Redes Neuronales de Estado Discreto
Fundamentos de las Redes Neuronales de Estado Discreto
Son inspirados en el cerebro humano toman estados de 0/1 o -0/1
Procesan información en pasos definidos, cambiando sus estados según reglas matemáticas.
Se aplican en reconocimiento de patrones, optimización, y memoria asociativa.
Sus estados tienden a estabilizarse en un punto de equilibrio y a eso se llama atractores
Funciones de Activacion Discreta Comunes
Funcion escalón: Devulve 1 si la entrada de umbral es 0
Función signo: produce 1 o -1 segun la entrada
Transforman la entrada en un valor discreto
Redes Hopfield
Son redes neuronales diseñadas como memorias asociativas
Recuperan patrones completos a partir de datos parciales o ruidosos
Se aplican en reconocimiento de imagenes, correccion de errores y en recuperacion de memoria de IA
Fueron introducidas por John Hopfield en 1982
Maquinas de Boltzmann
Redes neuronales estocásticas (probabilísticas) basadas en la estadística de Boltzmann
Aprenden distribuciones de probabilidad y resuelven problemas de optimización difíciles.
Se aplican en el modelado generativo, aprendizaje profundo (precursor de Redes Neuronales Profundas y RBM)
Presentadas por Geoffrey Hinton y colaboradores en 1985
Usan un proceso de "simulated annealing" para alcanzar equilibrio
Ventajas y Desventajas
Ventajas
Simples de analizar matemáticamente.
Capaces de modelar memorias asociativas.
Su dinámica converge a estados estables.
Desventajas
Capacidad limitada de almacenamiento.
Problemas de convergencia a mínimos locales.
Escalabilidad reducida frente a redes modernas de estado continuo.
Perceptrón
Es el modelo más básico de red neuronal (propuesto por Frank Rosenblatt en 1958)
Se aplica en clasificación binaria simple, introducción al aprendizaje automático.
Considerado la primera red neuronal artificial real
Sirvió de base para redes multicapa y aprendizaje profundo.