Funcionamiento Perceptrón

Valencia Fernando

17 de enero de 2020

1. Resumen

En los últimos años se ha consolidado un nuevo campo dentro de las ciencias de la

computación que abarcaría un conjunto de metodologías que se caracterizan por su
inspiración en los sistemas biológicos para resolver problemas relacionados con el
mundo real; reconocimiento de imágenes y de voz, toma de decisiones, predicciones
del tiempo atmosférico, etc. Las Redes Neuronales Artificiales, RNA, son las que
actualmente están causando un mayor impacto, debido a su gran aplicación práctica,
lo que ha llevado a incorporarlas al conjunto de herramientas estadísticas orientadas a
la clasificación de patrones y la estimación de variables continuas. Estas redes son
sistemas de procesamiento de la información cuya estructura y funcionamiento están
inspirados en las redes neuronales biológicas. Consisten en un conjunto de elementos
simples de procesamiento llamados neuronas conectadas entre sí por conexiones que
tienen un valor numérico modificable llamado peso. La actividad que una neurona
artificial realiza consiste en sumar los valores de las entradas que recibe, comparar
esta cantidad con el valor umbral y, si lo iguala o supera, enviar una salida activada o
en caso contrario, desactivada. Tanto las entradas que la unidad recibe como las
salidas que envía dependen a su vez del peso de las conexiones por las cuales se
realizan estas operaciones. El objetivo de estas redes neuronales es calcular los
pesos, que son lo parámetros del modelo y para ello vamos a ver distintos tipos de
algoritmos de aprendizaje. En el capítulo 1, hacemos una introducción a las redes
neuronales.

2. Introducción

Las Redes de Neuronas o Redes Neuronales (en la inteligencia

artificial) son un paradigma de aprendizaje y procesamiento
automático, inspirado en la forma en que funciona el sistema
nervioso de los animales. Se trata de un sistema de
interconexiones de neuronas que colaboran entre si para
producir una salida.
Como bien sabemos la inteligencia artificial, pretende imitar la
inteligencia natural, por tanto en este caso las redes neuronales
pretenden imitar la "arquitectura" cerebral
(neuronas+conexiones)  que dan inteligencia a las personas. Es
cierto que el termino inteligencia es bastante ambiguo, pero en
este caso en el que hablamos de redes neuronales,
consideraremos inteligencia a aquellas personas que sabiendo de
un cierto tema, sean capaces de dar una respuesta a una
problematicada dada (calculo, clasificación, etc); por ejemplo a
poco que sepamos de animales, las personas somos capaces
clasificar a un animal (dada una foto) en mamífero, ave, reptil,
etc. es decir; que de alguna forma hemos aprendido la diferencia
que hay entre esos animales y sabemos clasificarlos. Esto es un
ejemplo de lo que puede hacer una red neuronal artificial bien
entrenada (o enseñada), en la que dada una foto de un animal,
sea capaz de clasificarlo. Evidentemente esta red neuronal
podrá fallar de la misma forma que los humanos fallamos, pero la
idea es que una red neuronal bien entrenada sea capaz de
predecir de la misma forma que las personas.

3. Marco Teórico

El perceptrón es la red neuronal más básica que existe de aprendizaje supervisado que
data de los años 50.
El funcionamiento del perceptrón es muy sencillo, simplemente lee los valores de
entrada, suma todos las entradas de acuerdo a unos pesos y el resultado lo introduce en
una función de activación que genera el resultado final.
El entrenamiento del perceptrón no es más que determinar los pesos sinápticos y el
umbral que mejor hagan que la entrada se ajuste a la salida. Para la determinación de
estas variables, se sigue un proceso adaptativo. El proceso comienza con valores
aleatorios y se van modificando estos valores según la diferencia entre los valores
deseados y los calculados por la red.
Entonces, podremos decir que el perceptrón aprende de manera iterativa siguiendo
estos pasos:
Inicializar pesos y umbrales
Bucle: hasta resultado de pesos sea aceptable
 Bucle: para todos los ejemplos
 Leer valores de entrada
 Calcular error
 Actualizar pesos según el error
o Actualizar pesos de entradas
o Actualizar el umbral

4. Resultados
5. Conclusiones
6. Recomendaciones
7. Referencias

UNDERFITTING no tiene la capacidad suficiente para resolver el

entrenamiento que le estamos poniendo (SUBAJUSTE)

OVERFTTING Exceso de flexibilidad dotado al modelo el que hace que este

sea capaz de modelar incluso el ruido contenido en nuestros datos (se
especializa en resolver muy bien los datos para los que ha sido entrenado
casi como que memorizara la solución )

Entonces necesitaríamos un modelo intermedio que sea capaz de aprender

en el entramiento pero que también sea capaz de generalizar su
conocimiento

Estimados estudiantes: Estimados estudiantes consultar el funcionamiento

de perceptron de una capa y aplíquelo en su conjunto de datos con solo dos
etiquetas. Programe en arduino y mira el rendimiento de clasificación.
Presente un informe de desarrollo del proyecto
X1

W1

X1

W1
Ʃ
X2
 W2 B

X1

W1

X2

W2
output
X3
Ʃ 0 /1

W3

X4

W4

X5

W5
TEMP

W1

HUM

W2
Func. Act
PM25
Ʃ 0 /1

W3

PM10

W4

UV

W5