RAMON Y CAJAL

A finales del siglo XIX se logró una mayor claridad sobre el

trabajo del cerebro debido a los trabajos de Ramón y Cajal
en España y Sherrington en Inglaterra.
 LA NEURONA
McCulloch & Pitts [1943] definieron la neurona como un dispositivo binario con
varias entradas y salidas.
La neurona se subdividé en tres partes:
1.el cuerpo de la neurona,
2.ramas de extensión llamadas dendritas para recibir las entradas, y
3.un axón que lleva la salida de la neurona a las dendritas de otras neuronas.
Redes neuronales

Sistemas de procesado de la información que hacen

uso de algunos de los principios que organizan la estructura
del cerebro humano.
1943 - Warren McCulloch & Walter Pitts

 ”Teoria de Redes Neuronales

Formal” McCulloch-Pitts.
1949 - Donald Hebb
 Escribió un libro titulado
“La organización de la
conducta”.
1954 - Marvin Minsky
 Escribió una tesis de
doctorado titulada
“Theory of Neural-
Analog Reinforcement
Systems and its
Application to the
Brain-Model Problem"
1956- John Von Neumann

 Invención de la
maquina de Von
Neumann
1958 - Frank Rosenblatt

 El perceptrón fue la
primera “practica”
de red neuronal
artificial
1960 - Bernard Wildrow y Marcian Hoff

 ADALINE(ADAptive
LINer Elements)
 MADALINE(Multiple
ADAptive LINer)
1969 - 1981 Las Redes Nuronales Causan
Polemica
1969 - Marvin Minsky y Seymour Papert

 Publican un libro que

presenta las
limitaciones de
ADALINE Perceptron
1982 - John Hopfield

 Modelo de Hopfield
1986 – Primera Conferencia RN
1986 - Rumelhart, Hinton y
Williams

 “Back-Propagation
Algorthm”
Finales 90- a la fecha
VISTA DESDE EL CEREBRO
Las neuronas y las conexiones entre ellas (sinápsis) constituyen la clave para el procesado de la
información. Observe la figura:
Cambios asociativos de las fuerzas
sinápticas durante el aprendizaje
Comunicación entre neuronas
Proceso químico de una sinápsis
 Funciones de las Neuronas Artificiales.

 Función de propagación o ponderación

 Función de activación
 Salida
Funciones de las Neuronas Artificiales.

 Dentro de la función de activación están:

 Lineal
 Sigmoidal
 Hiperbólicas o tangenciales
 Escalón
Funciones de las Neuronas Artificiales.

Ejemplo de una neurona artificial

Unión Lineal
Unión de Todos los Nodos
Predeterminado:
Forma de Conexión de las Capas:
Red Neuronal Artificial
CLASIFICACIÓN SEGÚN SU ESTRUCTURA DE
LA RED

 Redes
neuronales por
capas
CLASIFICACIÓN SEGÚN SU ESTRUCTURA DE
LA RED

 Redes Neuronales
Recurrentes
CLASIFICACIÓN SEGÚN SU ESTRUCTURA DE
LA RED

 Red Neuronal
FeedForward
CLASIFICACIÓN DE REDES NEURONALES
RESPECTO AL APRENDIZAJE

 Aprendizaje
supervisado en Redes
Neuronales
CLASIFICACIÓN DE REDES NEURONALES
RESPECTO AL APRENDIZAJE

Aprendizaje por Componentes Principales

 El aprendizaje por componentes principales se basa en hallar características

principales a (componentes) que son comunes a muchos patrones de entrada para
ello un pequeño número de neuronas coopera en la representación del patrón de
entrada.

Aprendizaje competitivo

 En el aprendizaje competitivo, las neuronas pugnan entre sí, para representar a una
clase o patrón de entrada.

 La neurona seleccionada es aquella cuyos pesos incidentes se asemejan más al patrón

de entrada. El aprendizaje consiste en reforzar las conexiones de la unidad ganadora y
debilitar las otras, para que los pesos de la unidad ganadora se asemejen cada vez más
al patrón de entrada
CLASIFICACIÓN DE REDES NEURONALES
RESPECTO AL APRENDIZAJE
Aprendizaje reforzado

 La base de este aprendizaje es muy parecida al

aprendizaje supervisado pero la información que
proporcionamos a la red es mínima se limita a indicar
si la respuesta de la red es correcta o incorrecta.

 Este tipo de aprendizaje se basa en la noción de

condicionamiento por refuerzo, esto es se aprenden
las conductas reforzadas positivamente y las
conductas castigadas o reforzadas negativamente. En
nuestro mundo esto se traduce en premiar los pesos
sinápticos cuando se acierta la salida y penalizarlos
cuando no se acierta.
EL PERCEPTRON SIMPLE Y EL PERCEPTRON MULTICAPA

El Perceptrón simple desarrollada en 1957

por el psicólogo Frank Rosenblatt.
EL PERCEPTRON SIMPLE
El perceptrón es una red de alimentación directa, esto es la información fluye
desde la capa de entrada hacia la capa de salida
Capa de Neuronas Capa de Sinapsis que Capa de neuronas de
Sensores une ambas capas salida

X3

Y1

X2

Y2

X1
 EL PERCEPTRON MULTICAPA
Puede resolver problemas que no son linealmente separables
RED DE HOLFIELD

John J. Hopfield 1982

 RED DE HOLFIELD
Es una red monocapa
valores(-1,1) o (0,1)
 RED COMPETITIVA
Desarrolladas por Rumelhart y Zipser en 1985
Usualmente son redes bicapa
Admite valores binarios (0,1)
Capa de Capa de Sinapsis Capa de neuronas
Neuronas que une ambas de salida
Sensores capas

X3

Y1
X2

Y2

X1
RED DE KOHONEN
Red no supervisada
70´s
 •Procesamiento

•Reconocimiento •Filtrado
 Aplicaciones

Empresa
•Reconocimiento de caracteres escritos.

•Identificación de candidatos para posiciones específicas.

•Optimización de plazas y horarios en líneas de vuelo.

•Predicción de Stocks

Medicina
•Detección de tumores cancerígenos

•Diagnóstico y tratamiento a partir de síntomas

 Aplicaciones

Manufacturación

•Robots automatizados y sistemas de control (visión artificial y

sensores de presión, temperatura, gas, etc.)

•Control de producción en líneas de proceso.

•Inspección de calidad.

•Filtrado de señales.

Economía
•Concesión de créditos

•Detección de posibles fraudes en tarjetas de crédito

•Determinación de la posibilidad de quiebra de un banco

Bibliografía:

•Inteligencia Artificial e Ingeniería del Conocimiento

Autor: Gonzalo Pajares Martinsanz, Matilde Santos
Peñas
Editorial: Alfaomega
• Optimización, Heurística y Redes Neuronales
Autor: Adenso Díaz, Fred Gloverf, Hassan M.
Editorial: Paraninfo

•http://www.redes-neuronales.netfirms.com/