Escuelas Psicológicas Cognitivas

Actividad 7 - Redes neuronales

Autor: Eliana González Ariza, Corporación universitaria iberoamericana

Docente: Angie calderón

Notas de autor: Eliana González Ariza , Facultad de ciencias sociales y humanas, corporación universitaria
iberoamericana
Corporación universitaria iberoamericana Bosconia cesar 27de diciembre de 2020
Contacto: elianagonzalez72@gmail.com
El Cerebro Humano
• Gran velocidad de proceso
• Trata gran cantidad de información
– Los sentidos
– Memoria almacenada
• Capacidad de tratar situaciones
nuevas
• Capacidad de aprendizaje
• Almacenamiento redundante.
• No binario, no estable y no
síncrono.
• Poder desconocido
• 1011 Neuronas (procesadores)
• 1000 – 10000 conexiones
por neurona
• Capacidad basada en las
conexiones.
• Cada neurona es muy
compleja.
La Neurona
• Dendritas de entradas
• Un axón de salida
• Sinapsis de conexión.
• 104 sinapsis por neurona
• Comunicación mediante
Potenciales de Acción (PA)
• Generación de conexiones.
• Consolidación de conexiones
 ESTRUCTURA DE UNA RED NEURONAL ARTIFICIAL
La distribución de neuronas dentro de la red se realiza formando
niveles o capas de un número determinado de neuronas
*De entrada : es la capa que recibe directamente la información
proveniente de las fuentes externas a la red
*Ocultas : son internas a la red y no tienen contacto directo con el entorno exterior. Pueden
estar interconectadas de distintas
maneras, lo que determina junto con su número las distintas
tipologías de redes.
*De salida : transfieren información de la red hacia el exterior
Red Neuronal Artificial (RNA)
• Es un sistema de procesamiento de información que tiene
propiedades inspiradas en las redes neuronales biológicas: – El
procesamiento de información ocurre en muchos elementos
simples llamados neuronas. – Las señales son transferidas entre
neuronas a través de enlaces de conexión. – Cada conexión tiene
un peso asociado, el cual, típicamente, multiplica a la señal
transmitida. – Cada neurona aplica una función de activación
(usualmente no lineal) a su entrada de red (suma de entradas
pesadas) para determinar su salida
Modelado Neuronal
• Entradas (X)
• Salida (Y)
• Pesos sinápticos (W)
• Función suma (net)
• Función de activación (f)
• Funcionamiento en modo
aprendizaje o ejecución
 Neurona Natural vs. Artificial
• Neurona = Unidad de procesamiento
• Dendritas = entradas (X)
• Axón = salidas (Y)
• Conexiones sinápticas = Conexiones con pesos (W)
• Efectividad sináptica = Peso sináptico (Wij)
• Excitación / Inhibición = Pesos Wij (+) ó Wij (-)
• Potencial = valores de entradas o salidas
• Combinado de PAs = Función de propagación (Σ)
• Potencial de acción = Función de transferencia
 Función de Transferencia
Función de Propagación
• Permite obtener el valor del potencial post-sinaptico (net) a partir de las entradas
(X) y los pesos
Función de Transferencia.
• Permite obtener la salida (Y) del
elemento procesador ante un
estímulo (net).
• En el modelo más simple la f
obtiene la salida Y comparando
la entrada net con un umbral.
Si net > umbral >señal.
Si net < umbral > sin señal.