Está en la página 1de 7

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

(Universidad del Perú, DECANA DE AMERICA)

FACULTAD DE INGENIERIA
DE SISTEMAS E INFORMATICA

TRABAJO DE INVESTIGACION

CURSO: Matemáticas Discretas

PROFESOR: Moquillaza

INTEGRANTES:

LIMA – PERU
AÑO 2019
1. Introducción

La capacidad del cerebro humano de pensar, recordar y resolver problemas ha inspirado


a muchos científicos intentar o procurar modelar en el ordenador el funcionamiento
humano

Los profesionales de diferentes campos como la ingeniería, filosofía, fisiología y


psicología han unido sus esfuerzos debido al potencial que ofrece esta tecnología y
están encontrando diferentes aplicaciones en sus respectivas profesiones.

Un grupo de investigadores ha perseguido la creación de un modelo en el ordenador


que iguale o adopte las distintas funciones básicas del cerebro. El resultado ha sido una
nueva tecnología llamada Computación Neuronal o también llamada Redes Neuronales
Artificiales.

2. Marco teórico

2.1. Redes neuronales


Una red neuronal es un sistema compuesto de muchos elementos procesadores
simples operando en paralelo, cuya función es determinada por la estructura de
la red, fuerza en las conexiones y el procesamiento realizado por los elementos
computacionales en los nodos.

Las redes neuronales artificiales (ANN) imitan su funcionamiento a aquellas que


se encuentran en el ámbito biológico. Son aptas para resolver problemas que no
poseen un algoritmo claramente definido para transformar una entrada en una
salida; aprenden, reconocen y aplican relaciones entre objetos.

Las ANN se basan en el circuito de procesamiento de entradas en el cual los


pesos son sumados. Las funciones de peso serán llamadas desde ahora como
atenuadores. En la implementación, las entradas a una neurona son pesadas
multiplicando el valor de la entrada por un factor que es menor o igual a uno.

Se le llamada neurona artificial debido a que tiene un gran parecido para la


neurona biológica en estructura y funciones
2.2. Elementos de una red neuronal
Las entradas que reciben los datos de otras neuronas. En una neurona biológica
correspondería a la dendritas.
Los pesos sinápticos Wij en una neurona artificial a las entradas que vienen de
otras neuronas se les asigna un peso, un factor de importancia. Este peso, que
es un numero, se modificara durante el entrenamiento de la red neuronal, y es
aquí por tanto donde se almacena la información que hará que la red sirve para
un propósito u otro.
Una regla de propagación. Con esas entradas y los pesos, se suele hacer algún
tipo de operación para obtener el valor del potencial postsinaptico.
Una función de activación, valor obtenido de la regla de propagación.

2.3. Funcionamiento
La unidad mínima de procesamiento de una red neuronal es la neurona, como
consecuente, su funcionamiento es parecido a una neurona biológica pues tiene
valores de entrada (inputs) con el cual la neurona genera un procesamiento
interno y genera valores de salida (outputs), dicho proceso que realiza la
neurona es una suma ponderada de los valores de entrada, este proceso es muy
parecido al de una regresión lineal.

2.4. Funciones de activación


El valor obtenido con la regla de propagación, se filtra a través de una función
conocida como función de activación y es la que nos da la salida de la neurona.
Según o que se desee entrenar la red neuronal, se suele escoger una función de
activación u otra en ciertas neuronas de la red.
Los distintos tipos de funciones de activación que existen son los siguientes:
• Funciones umbral: Donde si los valores de entradas son mayores que cierto
umbral devolverá una señal positiva y si no, lo superan devolverán una señal
negativa.
• Funciones en forma “S”: No devolverán un valor positivo o negativo, sino que
devolverá un grado de acercamiento positivo o negativo. Las funciones más
usadas son el sigmoideo.
Descripcion:
Para un valor de entrada mayor al
umbral el output es 1 y para un valor
menor a este el output es 0, se llama
escalonada porque el cambio de
valor se produce instantaneamente.

Descripcion:
Los valores muy grandes se saturan
en 1 y los valores muy pequeños se
saturan en 0, por ello esta funcion
nos sirve para represntar
probabilidades.

Descripcion:
El rango de esta función varía de -1 a
1
Descripcion:
Se comporta como una función lineal
cuando es positivo y constante a 0
cuando el valor de entrada es
negativo

2.5. Capas de la red neuronal


Las neuronas se suelen agrupar en unidades estructurales capas.
Dentro de una capa, las neuronas pueden agruparse formando
grupos neuronales. Dentro de una misma capa, las neuronas suelen
ser del mismo tipo, el conjunto de una o más capas constituye una
red neuronal .
Encontramos 3 tipos de capas:
 Capa de entrada: Compuesta por neuronas que reciben datos o
señales procedentes del entorno.
 Capa oculta: Aquella que no tiene conexión directa con el
entorno.
 Capa de salida: Aquellas cuyas neuronas proporcionan la
respuesta de la red neuronal