Una Red Neuronal Artificial (RNA) son un modelo matemtico, compuesto de redes

interconectadas y organizadas por niveles, que pretenden similar el funcionamiento del sistema
nervioso biolgico, interactuando con los objetos del mundo real.

En trminos generales, una neurona en una red neuronal artificial es

1. Un conjunto de valores de entrada (xi) y los pesos asociados (wi)

2. Una funcin (g) que resume los pesos y los mapas de los resultados a una salida (y).

Las neuronas estn organizadas en capas.

Se distinguen tres tipos de capas: de entrada, de salida y ocultas. Una capa de entrada, tambien
denominada sensorial, esta compuesta por neuronas que reciben datos o senales procedentes
del entorno. Una capa de salida se compone de neuronas que proporcionan la respuesta de la red
neuronal. Una capa oculta no tiene una conexion directa con el entorno, es decir, no se conecta
directamente ni a organos sensores ni a efectores. Este tipo de capa oculta proporciona grados
de libertad a la red neuronal gracias a los cuales es capaz de representar mas fehacientemente
determinadas caractersticas del entorno que trata de modelar.

http://www.sc.ehu.es/ccwbayes/docencia/mmcc/docs/t8neuronales.pdf

La capa de entrada se compone no de neuronas completo, sino ms bien consiste simplemente

en los valores de un registro de datos, que constituyen insumos para la siguiente capa de
neuronas. La siguiente capa se llama una capa oculta; puede haber varias capas ocultas. La capa
final es la capa de salida, donde hay un nodo para cada clase.

Una caracterstica clave de las redes neuronales es un proceso de aprendizaje iterativo en el que
se presentan los casos de datos (filas) a la red de uno en uno, y los pesos asociados con los
valores de entrada se ajustan cada vez. Despus se presentan todos los casos, el proceso se
inicia a menudo de nuevo. Durante esta fase de aprendizaje, la red aprende mediante el ajuste
de los pesos con el fin de ser capaces de predecir la etiqueta de clase correcta de muestras de
entrada.

Una vez que una red se ha estructurado para una aplicacin particular, que la red est listo para
ser entrenado. Para iniciar este proceso, los pesos iniciales (que se describen en la siguiente
seccin) se eligen al azar. A continuacin, la formacin o el aprendizaje, comienza.
http://www.solver.com/training-artificial-neural-network-intro

2.5. Aprendizaje

Durante esta fase de aprendizaje, la red aprende mediante el ajuste de los pesos con el fin de ser
capaces de predecir la etiqueta de clase correcta de muestras de entrada.
Durante la operatoria de una red neuronal podemos distinguir claramente dos fases o modos de
operacin: la fase de aprendizaje o entrenamiento, y la fase de operacin o ejecucin. Durante la
primera fase, la fase de aprendizaje, la red es entrenada para realizar un determinado tipo de
procesamiento. Una vez alcanzado un nivel de entrenamiento adecuado, se pasa a la fase de
operacin, donde la red es utilizada para llevar a cabo la tarea para la cual fue entrenada.

2.5.1. Fase de entrenamiento.

Una vez seleccionada el tipo de neurona artificial que se utilizar en una red neuronal y
determinada su topologa es necesario entrenarla para que la red Entrenamiento de redes
neuronales basado en algoritmos evolutivos L. Federico Bertona Redes neuronales 11 pueda ser
utilizada. Partiendo de un conjunto de pesos sinpticos aleatorio, el proceso de aprendizaje busca
un conjunto de pesos que permitan a la red desarrollar correctamente una determinada tarea.
Durante el proceso de aprendizaje se va refinando iterativamente la solucin hasta alcanzar un
nivel de operacin suficientemente bueno. El proceso de aprendizaje se puede dividir en tres
grandes grupos de acuerdo a sus caractersticas [Isasi Viuela y Galvn Len, 2004], [Yao, 1999]:

Aprendizaje supervisado. Se presenta a la red un conjunto de patrones de entrada junto con la

salida esperada. Los pesos se van modificando de manera proporcional al error que se produce
entre la salida real de la red y la salida esperada.

Aprendizaje no supervisado. Se presenta ala red un conjunto de patrones de entrada. No hay

informacin disponible sobre la salida esperada. El proceso de entrenamiento en este caso deber
ajustar sus pesos en base a la correlacin existente entre los datos de entrada.

Aprendizaje por refuerzo. Este tipo de aprendizaje se ubica entre medio de los dos anteriores. Se
le presenta a la red un conjunto de patrones de entrada y se le indica a la red si la salida obtenida
es o no correcta. Sin embargo, no se le proporciona el valor de la salida esperada. Este tipo de
aprendizaje es muy til en aquellos casos en que se desconoce cual es la salida exacta que debe
proporcionar la red.

2.5.2. Fase de operacin.

Una vez finalizada la fase de aprendizaje, la red puede ser utilizada para realizar la tarea para la
que fue entrenada. Una de las principales ventajas que posee este modelo es que la red aprende
la relacin existente entre los datos, adquiriendo la capacidad de generalizar conceptos. De esta
manera, una red neuronal puede tratar con informacin que no le fue presentada durante de la
fase de entrenamiento.

http://laboratorios.fi.uba.ar/lsi/bertona-tesisingenieriainformatica.pdf Tambien descargue pdf

2005tesis
2.5.1 entrenamiento supervisado.

En el entrenamiento supervisado, se proporcionan tanto las entradas y las

salidas. La red procesa las entradas y compara sus resultados que son
consecuencia en contra de los resultados deseados.

Inicialmente, una red neuronal artificial se configura con las tendencias

estadsticas generales de los datos. Ms tarde, se sigue que "aprender" sobre otros
aspectos de los datos que pueden ser espuria de un punto de vista general.

Cuando, finalmente, el sistema ha sido correctamente entrenado, y no se necesita

un mayor aprendizaje, los pesos pueden, si se desea, ser "congelado". En algunos
sistemas de esta red finalizado despus se convirti en hardware de manera que
puede ser rpido. Otros sistemas no se encierran en pero siguen aprendiendo
mientras que en el uso de produccin.

2.5.2 sin supervisin, o de formacin adaptativa.

El otro tipo de formacin se llama entrenamiento no supervisado. En la

formacin no supervisada, la red est provista de entradas, pero no con las salidas
deseadas. El sistema en s debe decidir qu caractersticas va a utilizar para
agrupar los datos de entrada. Esto se refiere a menudo como la auto-organizacin
o adaptacin.

Sistemas neurales hacen exigir sus propias exigencias. Que no se requiere su

implementador para cumplir una serie de condiciones. Estas condiciones
incluyen:

un conjunto de datos que contenga la informacin que se puede

caracterizar el problema.
un conjunto de datos de tamao adecuado en ajustado entrenar y probar la
red.
una comprensin de la naturaleza bsica del problema a ser resuelto por lo
que la decisin bsica de primer corte en la creacin de la red se puede
hacer. Estas decisiones incluyen las funciones activacin y transferencia, y
los mtodos de aprendizaje.
una comprensin de las herramientas de desarrollo.
potencia de procesamiento adecuado (algunas aplicaciones de las
exigencias de procesamiento en tiempo real que excede lo que est
 disponible en la norma, el hardware de procesamiento secuencial. El
desarrollo de hardware es la clave para el futuro de las redes neuronales).

http://www.psych.utoronto.ca/users/reingold/courses/ai/cache/neural3.html