Redes Neuronales

FUNCIONAMIENTO DE UNA RED NEURONAL BIOLOGICA

El cerebro tiene una gran cantidad de nueronas, estas neuronas tienen tres componentes principales las dentritas, el cuerpo de una celula t el axon.
Una neurona biológica debe recibir y procesar información de otros sistemas biológicos y debe devolver una respuesta. El objetivo de una neurona biológica es desarrollar un elemento sintáctico verificando las hipótesis de los demás sistemas biológicos. Las neuronas biológicas tienen una debilidad es q recae en la velocidad del procesamiento de información a relación de las campos que son mas rápidos. Actualmente no sé conoce con certeza la verdadera forma de interacción de las neuronas, Los primeros estudios sobre la base neural de los sistemas mnémicos (relacionados con la memoria), se creía que el almacenamiento de la memoria asociativa, tanto implícita como explícita, requerían de un circuito neuronal muy complejo.

RED NEURONAL ARTIFICIAL

La neurona artificial se trata de un sistema de interconexión de neuronas en una red que colaboran para producir un estimulo de salida. El modelo de una neurona artificial es una imitación del proceso de una neurona biológica. Existen varias formas de llamar a una neurona artificial como nodo, neuronodos, etc.

CLASIFICACION DE LAS REDES NEURONALES Y SUS PRINCIPALES TIPOS DENTRO DE CADA CLASIFICACION

Clasificación de las Redes Neuronales respecto a la Topologia

La topología o arquitectura de una red consiste en la organización y disposición de las neuronas en la red. Las neuronas se agrupan formando capas, que pueden tener muy distintas características. Además las capas se organizan para formar la estructura de la red.

Clasificación de las Redes Neuronales respecto al Aprendizaje

El aprendizaje de las redes neuronales, es el proceso de presentar los patrones a aprender, a la red y el cambio de los pesos de las conexiones sinápticas usando una regla de aprendizaje.
La regla de aprendizaje consiste en algoritmos basados en formulas matemáticas, que usando técnicas como minimización del error o la optimización de alguna "función de energía", modifican el valor de los pesos sinápticos en función de las entradas disponibles y con ello optimizan la respuesta de la red a las salidas que deseamos.

Podemos distinguir tres tipos de aprendizaje, el modo más intuitivo es el Aprendizaje supervisado, que consiste en que la red dispone de los patrones de entrada y los patrones de salida que deseamos para esa entrada y en función de ellos se modifican los pesos de las sinapsis para ajustar la entrada a esa salida.

Otro modo de aprendizaje, Aprendizaje no supervisado, consiste en no presentar patrones objetivos, si no solo patrones de entrada, y dejar a la red clasificar dichos patrones en función de las características comunes de los patrones.

SEGUN MI CRITERIO

Aprendizaje supervisado

En este en modo aprendizaje se muestran los patrones a la red y la salida deseada para esos patrones y se usa una fórmula matemática de minimización del error que ajuste los pesos para dar la salida más cercana posible a la salida deseada.

Algunas de las aplicaciones importantes pueden ser:

Asociadores de patrones, esto es asocia dos patrones y permite recuperar la información a pesar de errores en la capa de entrada.

Aprendizaje no supervisado

Este tipo de aprendizaje no necesita que le mostremos los patrones objetivo para salida, ya que el algoritmo y la regla de modificación de las conexiones producen patrones de salida consistentes.

Bibliografia

http://www.elprisma.com/apuntes/ingenieria_de_sistemas/redesneuronales/

http://www.heatonresearch.com/online/introduction-neural-networks-java-edition-2/chapter-1

http://www.heatonresearch.com/online/introduction-neural-networks-java-edition-2/chapter-1/page2.html