Please enable JavaScript.
Coggle requires JavaScript to display documents.
Redes Neuronales de estado Discreto - Coggle Diagram
Redes Neuronales de estado Discreto
Neurona MCP
La neurona de McCulloch-Pitts (MCP) fue el primer modelo matemático de una neurona artificial, desarrollado en 1943 por Warren McCulloch y Walter Pitts.
Esta neurona funciona con entradas binarias y un umbral estático: suma las entradas y si la suma supera un valor umbral, la neurona se activa con una salida binaria (1); si no, permanece inactiva (0).
Este modelo sentó las bases de las redes neuronales artificiales y demostró que combinando neuronas MCP se pueden implementar funciones lógicas como AND, OR y NOT, y que cualquier función computable se puede representar con una red de estas neuronas.
Red de Hopfield
Esta red posee una matriz de pesos simétrica y con diagonal nula que permite que la red funcione como una memoria asociativa, capaz de almacenar patrones y recuperarlos aun cuando la entrada esté incompleta o ruidosa
Esta red posee una matriz de pesos simétrica y con diagonal nula que permite que la red funcione como una memoria asociativa, capaz de almacenar patrones y recuperarlos aun cuando la entrada esté incompleta o ruidosa
El funcionamiento se basa en que cada neurona actualiza su estado de salida según la suma ponderada de las entradas que recibe de las demás neuronas. Si esta suma es mayor o igual a cero, la neurona toma valor +1, si es menor, toma valor -1
la red evoluciona hasta converger al patrón almacenado más cercano, logrando así una memoria asociativa de contenido direccionable
La red recibe un patrón de entrada codificado como un vector binario con valores bipolarizados (-1 o 1) que representan el estado de las neuronas
Maquina de Boltzmann
La máquina de Boltzmann es un tipo de red neuronal recurrente estocástica que fue desarrollada en la década de 1980. Su nombre proviene del físico Ludwig Boltzmann y está inspirada en conceptos de la mecánica estadística, en particular en las distribuciones de probabilidad y fenómenos físicos como el modelo de Ising
Esta máquina es un tipo de red neuronal estocástica que utiliza unidades binarias y conexiones simétricas para modelar sistemas complejos y dinámicos capturando la variabilidad y la incertidumbre real del mundo
Fase positiva, donde se fijan los estados visibles con una muestra de entrenamiento y se calcula la probabilidad de activación de las unidades ocultas
Fase negativa, donde la red opera libremente y calcula las probabilidades de activación sin condicionamiento externo, generando una reconstrucción de los datos
Redes Neuronales Estocasticas
los primeros modelos de redes neuronales artificiales surgieron en la década de 1940 con Warren McCulloch y Walter Pitts
en los años 50 y 60, Frank Rosenblatt desarrolló el Perceptrón, una red con capacidad de aprendizaje supervisado para tareas simples
Las redes neuronales estocásticas funcionan introduciendo elementos de aleatoriedad en el proceso de activación de sus neuronas o en los pesos de las conexiones. Cada neurona puede activarse con cierta probabilidad dependiente de la entrada recibida, lo que permite modelar fenómenos ruidosos o inciertos
El proceso suele involucrar métodos probabilísticos como el muestreo de Gibbs o funciones de energía, donde las actualizaciones buscan minimizar una función objetivo relacionada con la divergencia
El algoritmo de aprendizaje aprovecha la naturaleza aleatoria para evitar quedar atrapado en soluciones subóptimas, mejorando así la generalización.
Funciones de Activacion
Las funciones de activación en una red neuronal son componentes esenciales que determinan si una neurona debe activarse o no, transformando la suma ponderada de las entradas en una salida útil para la siguiente capa.
Sigmoide: Produce una salida entre 0 y 1, útil en clasificación binaria para obtener probabilidades, pero puede sufrir el problema del gradiente que desaparece.
Tangente hiperbólica (Tanh): Genera valores entre -1 y 1, centrados en cero, favoreciendo una mejor convergencia en el aprendizaje, aunque también puede presentar saturación
ReLU (Unidad lineal rectificada): Da salida 0 para entradas negativas y salida lineal para entradas positivas, ayudando a evitar la saturación y acelerando el entrenamiento en redes profundas.
Perceptron
El perceptrón es un modelo matemático inspirado en el funcionamiento de una neurona biológica, creado por Frank Rosenblatt en la década de 1950.
El perceptrón se utiliza principalmente para problemas de clasificación binaria, donde decide a qué categoría pertenece una entrada según si la suma ponderada supera un cierto umbral
El perceptrón se utiliza principalmente para problemas de clasificación binaria, donde decide a qué categoría pertenece una entrada según si la suma ponderada supera un cierto umbral. Su aprendizaje es supervisado
