Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CARRERA INFORMTICA
SEMESTRE SEXTO
TEMA:
FACILITADOR:
ING. HIRAIDA SANTANA
INTRODUCCION
En esta seccin voy hablarles un poco sobre las Redes Neuronales Artificiales
saber cul es su objetivo en el mundo de la inteligencia artificial parte de sus
fundamentos bilgicos por ende cada una de sus partes que lo compone. Se
dice que existe algunos modelos computacionales que las neuronas siguen su
filosofa de diseo. Tambin hablaremos sobre la Neurona Artificial su
estructura bsica de la red y su aprendizaje.
A medida que va pasando las clases vamos conociendo cosas desconocidas y
que es de mucha importancia conocer porque vivimos a diario con la tecnologa
y cada da aparece un nuevo avance de ella ya que se implementa mucho lo
que son las redes neuronales.
RECEPTORES
Los Receptores estn situados en las clulas sensoriales que recogen
informacin del interior y exterior de los estmulos
El Sistema Nervioso
El sistema nervioso recibe informacin la elabora la almacena
parcialmente y la reenva a los rganos efectos y otras zonas.
rganos Dianos o Efectores (ejemplo: msculos y glndulas), que
reciben la informacin y la interpretan en forma de acciones motoras,
hormonales, etc.
El elemento fundamental es la neurona la funcin de la neurona es
recoger informacin, integrar un cdigo de informacin de otras
neuronas y de los receptores adems de la
integracin de un cdigo de activacin
la transmisin codificada en forma de
frecuencias de impulsos, la distribucin
espacial a travs del axn y la transmisin
de las neuronas subsiguientes a las clulas
efectoras.
Una red neuronal es capaz de detectar
relaciones complejas y no lineales entre
variables, a partir de unidades sencillas
como las neuronas, al disponer muchas de
estas unidades en paralelo. Las variables se
dividen en variables de entrada y de salida,
relacionadas por algn tipo de correlacin o
dependencia (no necesariamente causaefecto). Tambin es posible que la salida sea la clasificacin de las
variables de entrada en diferentes grupos.
MODELO COMPUTACIONAL
Una red viene dada por un conjunto de unidades de proceso, conexiones entre
las unidades reglas de propagacin para emitir seales a travs de conexiones
y reglas de aprendizaje para modificar los pesos de las mismas,
Existen modelos muy diversos de redes de neuronas en los cuales se siguen
filosofas de diseo, reglas de aprendizaje y funciones de construccin de las
respuestas muy distintas, una primera clasificacin se hace en funcin del
recorrido que sigue la informacin dentro de la red, y as se distinguen redes
alentada hacia adelante y redes con retro-alimentacin.
La Neurona Artificial
Es un elemento que posee un estado interno, llamado nivel de activacin, y
recibe seales que le permiten, en su caso, cambiar de estado.
Las neuronas poseen una funcin que les permite cambiar de nivel de
activacin a partir de las seales que reciben; a dicha funcin se le denomina
funcin de transicin de estado o funcin de activacin. Las seales que recibe
cada neurona pueden provenir del exterior o de las neuronas a las cuales est
conectada.
Las neuronas poseen una funcin que les permite de nivel de activacin a partir
de las seales que reciben esta funcin se la denomina funcin de transicin,
el nivel de activacin de una cedula depende de las entradas recibidas y de los
valores sinpticos
Aprendizaje
Las Redes de Neuronas Artificiales son sistemas de aprendizaje basados
ejemplos. La capacidad de una red para resolver un problema estar ligada
forma fundamental al tipo de ejemplos de que dispone en el proceso
aprendizaje. Desde el punto de vista de los ejemplos, el conjunto
aprendizaje deber poseer las siguientes caractersticas:
en
de
de
de
CONCLUSION
APORTES
VENTAJAS Y LIMITACIONES DE LAS REDES NEURONALES
ARTIFICIALES
Las RNA no son la panacea que permite resolver todos los problemas, sino
que estn orientadas a un determinado tipo de tareas. Podemos destacar
cuatro caractersticas del problema o tarea que hacen aconsejable la utilizacin
de las RNA (Martn del Bro y Sanz, 1997). Por una parte, no se dispone de un
conjunto de reglas sistemticas que describan completamente el problema. En
cambio, s disponemos de muchos ejemplos o casos (condicin indispensable
para poder aplicar las RNA). Por otra parte, los datos procedentes del problema
son imprecisos, incoherentes o con ruido (como el ejemplo visto sobre el
reconocimiento de la letra E). Por ltimo, el problema es de elevada
dimensional dad, es decir, el nmero de variables de entrada es demasiado
grande como para que un modelo convencional aprenda a solucionar el
problema en un tiempo razonable. Cuando no se dan estas circunstancias
puede ser ms aconsejable optar por solucionar el problema mediante un
modelo derivado de la estadstica o la Inteligencia Artificial. Por tanto, no
debemos concebir las RNA como una alternativa, sino ms bien como un
complemento a los modelos convencionales ya establecidos. Las RNA
presentan una serie de ventajas frente a los modelos estadsticos. Una ventaja
fundamental consiste en que los modelos neuronales normalmente no parten
de restricciones respecto de los datos de partida (tipo de relacin funcional
entre variables), ni suele imponer presupuestos (como distribucin gaussiana u
otras). Por otra parte, como hemos comentado, la habilidad de las neuronas de
calcular funciones de salida no lineales capacita a la red para resolver
problemas complejos o no lineales. De este modo, en numerosas aplicaciones
se estn consiguiendo con RNA cotas de error mucho mejores que las
proporcionadas por la estadstica.
BIBLIOGRAFA
Buscema, M. (2003). A general presentation of artificial neural
networks. I. Substance Use & Misuse, 32(1), 97- 112.
Russell, S, y Norving P. 2004. Inteligencia Artificial Un Enfoque
Moderno. 2da ed. Cap. 2. Pg. 37-62.
V. Julin, V. Botti. 2000. Agentes Inteligentes: el siguiente paso en la Inteligencia Artificial. ES.
Consultado
el
11
de
nov.
2014.
Formato
PDF.
Disponible
en: http://www.ati.es/novatica/2000/145/vjulia-145.pdf