APRENDIZAJE DE UNA RED DE NEURONA ARTIFICIAL
INTRODUCCIÓN
En nuestro sistema nervioso
existen células llamadas neuronas que son una unidad de procesamiento que recibe
un estímulo eléctrico de otras neuronas principalmente a través de su árbol
dendrítico. El estímulo eléctrico recibido al pasar de un cierto umbral causa
que la neurona a su vez envié una señal eléctrica a través de su axón a otras
sucesivas neuronas. Basado en la fuerza de interconexión entre las neuronas la
red puede ser capaz de cómputos y detección de patrones complejos.
MARCO TEÓRICO
¿QUE ES UN APRENDIZAJE?
Simon (1983),
define el aprendizaje como cambios en el sistema que se adaptan de manera que
permiten llevar a cabo la misma tarea de un modo más eficiente y eficaz.
En
la práctica, el aprendizaje se usa para resolver problemas y puede representar
la diferencia entre la resolución rápida y la imposibilidad de resolverlo. La
idea de poder aprender de la propia experiencia en la resolución de problemas
nos lleva a esperar obtener mejores soluciones en un futuro.
APRENDIZAJE 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.
El supervisor controla la salida de la red y en caso de que ésta no coincida con la deseada, se procederá a modificar los pesos de las conexiones, con el fin de conseguir que la salida obtenida se aproxime a la deseada.
APRENDIZAJE NO SUPERVISADO
En este tipo de redes la salida representa el grado de familiaridad o similitud entre la información que se le está presentando a la entrada y las informaciones que se le han mostrado hasta entonces. Está constituido por un conjunto de reglas que dan a la red la habilidad de aprender asociaciones entre los patrones que ocurren en conjunto, (frecuentemente) . Una vez que los patrones se han aprendido como asociación le permite a las redes realizar tareas útiles de reconocimiento de patrones y la habilidad de recordar.
APRENDIZAJE POR REFUERZO
Se trata de un aprendizaje supervisado, más lento que el anterior, que se basa en la idea de no disponer de un ejemplo completo del comportamiento deseado, es decir, de no indicar durante el entrenamiento exactamente la salida que se desea que proporcione la red ante una determinada entrada.
CONCLUSIONES
Las redes neuronales artificiales buscan imitar el comportamiento del cerebro a través de un modelo, para esto se realiza una simplificación, averiguando cuáles son los elementos relevantes del sistema, ya que la cantidad de información que existe es mucha y esta puede ser redundante. El desarrollo de estas redes se puede aplicar a diferentes campos como la biología, medicina, finanzas etc. Ya que son una tecnología computacional emergente.
BIBLIOGRÁFICAS
Salas, R. 2004. Redes Neuronales artificiales. (En línea). ES. Consultado, 31 de Ene. 2016. Formato PDF. Disponible en: http://www.inf.utfsm.cl.
Teahan, W. 2010. Artificial Intelligence – Agents and Environments. (En Línea). EC. Consultado, 31 de Ene. 2016. Formato PDF. Disponible en: http://www.bookboon.com.
Párraga, J; Anzules, M; Ramírez, C; Santander, L. 2013. Implementación en C# de una Red Neuronal Artificial en el control locomotor de una hormiga robótica. Guayaquil, EC. Revista Tecnológica ESPOL – RTE. Vol. 26. Num. 2. p 16-27.
En nuestro sistema nervioso
existen células llamadas neuronas que son una unidad de procesamiento que recibe
un estímulo eléctrico de otras neuronas principalmente a través de su árbol
dendrítico. El estímulo eléctrico recibido al pasar de un cierto umbral causa
que la neurona a su vez envié una señal eléctrica a través de su axón a otras
sucesivas neuronas. Basado en la fuerza de interconexión entre las neuronas la
red puede ser capaz de cómputos y detección de patrones complejos.
MARCO TEÓRICO
Simon (1983), define el aprendizaje como cambios en el sistema que se adaptan de manera que permiten llevar a cabo la misma tarea de un modo más eficiente y eficaz.
En
la práctica, el aprendizaje se usa para resolver problemas y puede representar
la diferencia entre la resolución rápida y la imposibilidad de resolverlo. La
idea de poder aprender de la propia experiencia en la resolución de problemas
nos lleva a esperar obtener mejores soluciones en un futuro.
El
aprendizaje está relacionado con el conocimiento. Puede definirse como el
proceso mediante el cual un ente adquiere conocimiento. Este conocimiento puede
ser suministrado por otro ente denominado profesor o puede adquirirse sin la
ayuda del mismo.
APRENDIZAJE 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.
El supervisor controla la salida de la red y en caso de que ésta no coincida con la deseada, se procederá a modificar los pesos de las conexiones, con el fin de conseguir que la salida obtenida se aproxime a la deseada.
El supervisor controla la salida de la red y en caso de que ésta no coincida con la deseada, se procederá a modificar los pesos de las conexiones, con el fin de conseguir que la salida obtenida se aproxime a la deseada.
APRENDIZAJE NO SUPERVISADO
En este tipo de redes la salida representa el grado de familiaridad o similitud entre la información que se le está presentando a la entrada y las informaciones que se le han mostrado hasta entonces. Está constituido por un conjunto de reglas que dan a la red la habilidad de aprender asociaciones entre los patrones que ocurren en conjunto, (frecuentemente) . Una vez que los patrones se han aprendido como asociación le permite a las redes realizar tareas útiles de reconocimiento de patrones y la habilidad de recordar.
APRENDIZAJE POR REFUERZO
Se trata de un aprendizaje supervisado, más lento que el anterior, que se basa en la idea de no disponer de un ejemplo completo del comportamiento deseado, es decir, de no indicar durante el entrenamiento exactamente la salida que se desea que proporcione la red ante una determinada entrada.
CONCLUSIONES
Las redes neuronales artificiales buscan imitar el comportamiento del cerebro a través de un modelo, para esto se realiza una simplificación, averiguando cuáles son los elementos relevantes del sistema, ya que la cantidad de información que existe es mucha y esta puede ser redundante. El desarrollo de estas redes se puede aplicar a diferentes campos como la biología, medicina, finanzas etc. Ya que son una tecnología computacional emergente.
BIBLIOGRÁFICAS
Salas, R. 2004. Redes Neuronales artificiales. (En línea). ES. Consultado, 31 de Ene. 2016. Formato PDF. Disponible en: http://www.inf.utfsm.cl.
Teahan, W. 2010. Artificial Intelligence – Agents and Environments. (En Línea). EC. Consultado, 31 de Ene. 2016. Formato PDF. Disponible en: http://www.bookboon.com.
Párraga, J; Anzules, M; Ramírez, C; Santander, L. 2013. Implementación en C# de una Red Neuronal Artificial en el control locomotor de una hormiga robótica. Guayaquil, EC. Revista Tecnológica ESPOL – RTE. Vol. 26. Num. 2. p 16-27.
No hay comentarios:
Publicar un comentario