Redes neuronales

Cerebro/computadores

• 1010 neuronas
• Miles de conexiones
• Cientos de operaciones por segundo
• Problemas de paralelismo

2
La neurona

3
La neurona artificial
ao+1 w
j0
a1 wj1
wj2
a2
Sj f(Sj) Xj

wjn
an 4
 El perceptron
y1 w1j
y2 w2j

y3
w3j
 O
yi wij

• Cada entrada de neurona tiene un valor y peso

• Se realiz
• If the activation level exceeds the threshold, the neuron “fires”

5
 Red simple

 w x >t
AND with a Biased input output= {
1 if i=0i i

0 otherwise
-1
W1 = 1.5

X W2 = 1 t = 0.0

W3 = 1
Y 6
 Algoritmo de aprendizaje

While epoch produces an error

Present network with next inputs from epoch
Error = T – O
If Error <> 0 then
Wj = Wj + LR * Ij * Error
End If
End While

7
 Algoritmo de aprendizaje
Epoch : Presentación de todo el set de entrenamiento a la
red neuronal. En el caso de la función AND, una
época consta de cuatro conjuntos de entradas que
se presentan a la red (es decir, [0,0], [0,1], [1,0],
[1,1])
Error:El valor de error es la cantidad en la que el valor de
salida de la red difiere del valor objetivo. Por
ejemplo, si requerimos que la red genere un 0 y un
1, entonces Error = -1
8
 Algoritmo de aprendizaje
Target Value, T : Cuando estamos entrenando una red, no solo la
presentamos con la entrada, sino también con un valor que
requerimos que la red produzca. Por ejemplo, si presentamos
la red con [1,1] para la función AND, el valor objetivo será 1
Output , O : La salida del valor de la neurona
Ij : Las entradas a las neuronas
Wj :Peso de la neurona de entrada (Ij) a la neurona de salida
LR : La tasa de aprendizaje. Esto dicta la rapidez con la que converge la
red. Se establece mediante una cuestión de experimentación.
Normalmente es 0,1
9
Multilayer Perceptron (MLP)
Output Values
Capa de salida
Pesos
ajustables
Capa de
entrada
Input Signals (External Stimuli)
10