Actividad 7–Redes Neuronales

Alumnos:
Abigail Santana Amaris - ID 100081994
Claudia Marcela Santodomingo Villegas - ID 100083761
Elida Pacheco Téllez – ID 100086417
Luis Esteban Candelario Rojas – ID 100086120,
Maira Alejandra Cárdenas Navarro – ID 100087774

Escuelas Psicológicas Cognitivas

Ethna Gaitan

Facultad de Ciencias Humanas y Sociales

Corporación Universitaria Iberoamericana
Marzo 2021
 REDES NEURONRALES BIOLOGICAS
Se estima que el sistema nervioso contiene alrededor de cien mil millones de neuronas,
organizadas mediante una red compleja en la que las neuronas individuales pueden estar
conectadas a varios miles de neuronas distintas. Se calcula que una neurona del córtex
cerebral recibe información, por término medio, de unas 10.000 neuronas, y envía impulsos
a varios cientos de ellas.

Desde un punto de vista funcional, las neuronas constituyen procesadores de información

sencillos. Como todo sistema de este tipo, posee un canal de entrada de información, las
dendritas; un órgano de cómputo, el soma, y un canal de salida, el axón

La mayor parte de las neuronas poseen una estructura de árbol llamada desdirías de tal
forma que las neuronas se unen a través de uniones denominadas sinapsis. En el tipo de
sinapsis más común no existe un contacto físico entre las neuronas, sino que éstas
permanecen separadas por un pequeño vacío de unas 0.2 micras. Con relación a la sinapsis,
se habla de neuronas presinápticas (las que envían las señales) y neuronas postsinápticas
(las que las reciben). Las sinapsis son dirigidas, es decir, la información fluye siempre en
un único sentido.

ESTRUCTURA DE LA RED NEURAL

Las redes neuronales son modelos simples del funcionamiento del sistema nervioso. Las
unidades básicas son las neuronas, que generalmente se organizan en capas.
Una red neuronal es un modelo simplificado que emula el modo en que el cerebro humano
procesa la información: Funciona simultaneando un número elevado de unidades de
procesamiento interconectadas que parecen versiones abstractas de neuronas.
Las unidades de procesamiento se organizan en capas. Hay tres partes normalmente en una
red neuronal: una capa de entrada, con unidades que representan los campos de entrada;
una o varias capas ocultas; y una capa de salida, con una unidad o unidades que
representa el campo o los campos de destino. Las unidades se conectan con fuerzas de
conexión variables (o ponderaciones). Los datos de entrada se presentan en la primera
capa, y los valores se propagan desde cada neurona hasta cada neurona de la capa siguiente.
Al final, se envía un resultado desde la capa de salida.

 capa de entrada, compuesta por neuronas que reciben datos o señales procedentes
del entorno
 capa de salida, aquella cuyas neuronas proporcionan las respuesta de la red
neuronal
 capa oculta, aquellas que no tienen una relación directa con el entornó.

RED NEURONAL ARTIFICIAL

Una Red Neuronal Artificial (RNA) es un modelo matemático inspirado en el

comportamiento biológico de las neuronas y en cómo se organizan formando la estructura
del cerebro. El cerebro puede considerarse un sistema altamente complejo, donde se calcula
que hay aproximadamente 100 mil millones (1011) neuronas en la corteza cerebral
(humana) y que forman un entramado de más de 500 billones de conexiones neuronales
(una neurona puede llegar a tener 100 mil conexiones, aunque la media se sitúa entre 5000
y 10000 conexiones).
Las redes neuronales artificiales (también conocidas como sistemas conexionistas) son
un modelo computacional el que fue evolucionando a partir de diversas aportaciones
científicas que están registradas en la historia.1 Consiste en un conjunto de unidades,
llamadas neuronas artificiales, conectadas entre sí para transmitirse señales. La información
de entrada atraviesa la red neuronal (donde se somete a diversas operaciones) produciendo
unos valores de salida.

VENTAJAS QUE OFRECEN LAS RED NEURONAL

Debido a su constitución y a sus fundamentos, las redes neuronales artificiales presentan un
gran número de características semejantes a las del cerebro. Por ejemplo, son capaces de
aprender de la experiencia, de generalizar de casos anteriores a nuevos casos, de abstraer
características esenciales a partir de entradas que representan información irrelevante, etc.
Esto hace que ofrezcan numerosas ventajas y que este tipo de tecnología se esté aplicando
en múltiples áreas. Entre las ventajas se incluyen:
 Aprendizaje Adaptativo. Capacidad de aprender a realizar tareas basadas en un
entrenamiento o en una experiencia inicial.
 Auto-organización. Una red neuronal puede crear su propia organización o
representación de la información que recibe mediante una etapa de aprendizaje.
 Tolerancia a fallos. La destrucción parcial de una red conduce a una degradación de
su estructura; sin embargo, algunas capacidades de la red se pueden retener, incluso
sufriendo un gran daño.
 Operación en tiempo real. Los cómputos neuronales pueden ser realizados en
paralelo; para esto se diseñan y fabrican máquinas con hardware especial para
obtener esta capacidad.
 Fácil inserción dentro de la tecnología existente. Se pueden obtener chips
especializados para redes neuronales que mejoran su capacidad en ciertas tareas.
Ello facilitará la integración modular en los sistemas existentes.

SISTEMA NEURONAL ARTIFICIAL

1888 Ramón y Cajal demuestra que el sistema nervioso está compuesto por Una red de
células individuales, las neuronas, ampliamente interconectadas entre sí.

La información fluye desde las dendritas hacia el axón atravesando el soma.

Neurona:

 100 ·106 neuronas en el cerebro.

 Cuerpo celular o soma (de 10 a 80 micras de longitud)
 Del soma surge un denso árbol de ramificaciones (´árbol dendrítico) formado por
las dendritas.
 Del soma parte una fibra tubular denominada axón (longitud de 100 Micras hasta un
metro)
 El axón se ramifica en su extremo final para conectar con otras neuronas

Neuronas como procesadores de información sencillos. De manera simplista:

 las dendritas constituyen el canal de entrada de la información

 El soma es el órgano de cómputo
 El axón corresponde al canal de salida, y a la vez enviar información a otras
neuronas. Cada neurona recibe información de aproximadamente 10,000 neuronas
y envía impulsos a cientos de ellas
 Algunas neuronas reciben la información directamente del exterior

 El cerebro se modela durante el desarrollo de un ser vivo. Algunas cualidades del

ser humano no son innatas, sino adquiridas por la influencia de la Información que
del medio externo se proporciona a sus sensores.

Diferentes maneras de modelar el sistema nervioso:

 Establecimiento de nuevas conexiones

 Ruptura de conexiones
 Modelado de las intensidades sinápticas (uniones entre neuronas)
 Muerte o reproducción neuronal

 Sistemas artificiales que van a copiar la estructura de las redes neuronales

biológicas con el fin de alcanzar una funcionalidad similar.

Tres conceptos clave a emular:

 Procesamiento paralelo, derivado de que los miles de millones de neuronas que

intervienen, por ejemplo en el proceso de ver, están operando en paralelo sobre la
totalidad de la imagen.

 Memoria distribuida, mientras que en un computador la información está en

posiciones de memoria bien definidas, en las redes neuronales biológicas dicha
 información está distribuida por la sinapsis de la red, existiendo una redundancia en
el almacenamiento, para evitar la pérdida de información en caso de que una
sinapsis resulte dañada.

 Adaptabilidad al entorno, por medio de la información de las sinapsis. Por medio

de esta adaptabilidad se puede aprender de la experiencia y es posible generalizar
conceptos a partir de casos particulares.

El modelo genérico de neurona artificial

Una neurona es un procesador elemental tal que a partir de un vector de entrada procedente
del exterior o de otras neuronas, proporciona una única respuesta o salida.

Los elementos que constituyen dicha neurona son:

Entradas: x (t). Las variables de entrada y salida pueden ser binarias (digitales) o
continuas (analógicas) dependiendo del modelo de aplicación.

Pesos sinápticos: w . Representan la intensidad de interacción entre cada neurona

presináptica j y la neurona postsináptica i.

Regla de propagación: σ(w , x (t)). Proporciona el valor del potencial

postsináptico, h (t), de la neurona i en función de sus pesos y entradas. Es decir

h (t) = σ(w , x (t))

La función más habitual es de tipo lineal, y se basa en una suma ponderada de las entradas
con los pesos sinápticos
 h (t) = =w

El peso sináptico w define en este caso la intensidad de interacción entre la neurona

presináptica j y la postsináptica i. Dada una entrada positiva, si el peso es positivo tenderá a
excitar a la neurona postsináptica, si el peso es negativo tenderá a inhibirla. Así, se habla de
sinapsis excitadoras (peso positivo) e inhibidoras (peso negativo).

Función de activación o de transferencia: f . Proporciona el estado de

activación actual, a , de la neurona i en función de su estado anterior, a , y de su
potencial postsináptico actual. Es decir

En muchos modelos de ANS se considera que el estado actual de la neurona no depende de

su estado anterior, sino únicamente del actual

La función de activación se suele considerar determinista, y en la mayor parte de los

modelos es monótona creciente y continúa.

La forma de las funciones de activación más empleadas en los ANS representa

el potencial postsináptico e el estado de activación.

Función de salida: . Proporciona la salida actual, , de la neurona i en

función de su estado de activación actual, . Muy frecuentemente la función de salida es
simplemente la identidad , de modo que el estado de activación de la neurona se
considera como la propia salida. Es decir

Por tanto, la operación de la neurona i puede expresarse de la siguiente forma:

Veamos cómo podría ser la interconexión entre varias neuronas:

Imagen: interconexión entre una neurona presináptica y una neurona possináptica

Modelo estándar de neurona artificial.

Considerando que la regla de propagación es la suma ponderada y que la función de salida

es la identidad, la neurona estándar consiste en:

 Un conjunto de entradas .
 Unos pesos sinápticos asociados a las entradas.
 Una regla de propagación . La más común suele
ser .
 Una función de activación que representa simultáneamente la
salida de la neurona y su estado de activación.

Todos estos elementos quedan recogidos en la siguiente ilustración que pone de manifiesto
el modelo considerado.
ARTICULACION ENTRE UNA RED NEURONAL Y LA COGNICIÓN

Las percepciones externas e internas se procesan mediante una intrincada red de conexiones
neuronales, implicando la actividad de los centros nerviosos superiores, especialmente la
corteza cerebral. Para ello se requiere un modelo integrado formado por redes neuronales y
sus interacciones entre regiones altamente especializadas, a través de redes a gran escala
o large scale networks, que se distribuyen por el cerebro recogiendo el flujo de información
de estas percepciones.
La conectividad funcional y la efectiva entre las redes a gran escala son fundamentales para
la consciencia, inconsciencia y cognición. Es lo que se llama el «conectoma humano» o
mapa de las redes neuronales.

El cerebro puede ser conceptuado como un sistema termodinámico y como un procesador

de la información; consecuentemente, la actividad cerebral puede ser modelada en términos
termodinámicos y la actividad cognitiva mediante la teoría de la información. El objetivo
ha sido plantear una estructura formal que permita el vínculo entre ambos sistemas
(actividad neuronal y cogniciones) a partir de las conexiones teóricas entre la
termodinámica y la teoría de la información, disciplinas donde el concepto de entropía es
clave. El marco teórico propuesto abriría las puertas a una mejor comprensión de la
conexión entre las medidas termodinámicas de la actividad cerebral con la actividad
cognitiva y su correspondiente carga informativa.

En la teoría cognitiva tradicional, el cuerpo no es más que un vehículo de la cognición y

para la cognición. La mente, el teatro cartesiano instalado dentro del cráneo, se sirve del
cuerpo sensorialmente, para recibir información, y motrizmente, para actuar sobre el
mundo. Los sentidos del cuerpo proporcionan a la mente parte de los insumos que requiere
para crear, organizar y dinamizar la actividad cognitiva, y los demás sistemas físicos de
cuerpo (sistema endocrino, sistema musculo-esquelético, etc.) actúa como herramientas a
disposición de la mente para intervenir sobre el mundo externo. El cuerpo, aquí, no es más
que un instrumento de la mente.
La cognición corporeizada saca al cuerpo de la marginación de esta perspectiva tradicional
y lo incluye como parte de la estructura de la cognición, tanto en su génesis como en su
funcionamiento, “… el cuerpo intrínsecamente restringe, regula y configura la naturaleza
de la actividad mental” (Foglia & Wilson, 2013, p. 319).
La cognición corporeizada se fundamenta en la idea de que lo mental es una forma de
actividad que emerge de lo corporal. En una ontología monista materialista, no habría
forma de considerar que la mente tiene una naturaleza diferente a aquella que la biología ha
podido generar filogenética y ontogenética
De acuerdo con Foglia y Wilson (2013), hay tres formas en las que el cuerpo puede actuar
sobre la cognición:
Limitador, porque tanto la forma del cuerpo como sus capacidades funcionales
determinan, en cierta medida, las posibilidades de la actividad cognitiva.
Distribuidor, porque algunas estructuras del cuerpo actuarían como componentes de la
actividad cognitiva.
Regulador, porque algunos aspectos de la actividad cognitiva están ciertamente
controlados por la estructura o función física del cuerpo.
El que el cuerpo sea un limitador, un distribuidor y un controlador de la función cognitiva
no debería parecer extraño. El interés por naturalizar la mente, por incrustarla en la biología
evolutiva para articularla y hacerla depender del cuerpo está justificado porque ha habido
más de 600 millones de años de evolución coordinada entre el sistema nervioso, el cuerpo y
el ambiente.
Clark (1999) considera que el programa de la cognición corporeizada tiene seis atributos:
1) Propagación causal no trivial: las causas del fenómeno cognitivo no están
exclusivamente dentro del cráneo, sino que puede encontrarse fuera de la cabeza (Nöe,
2010),
2) Ensamblaje ecológico: la persona, y no el cerebro, utiliza su cuerpo para articularse con
recursos ambientales para estructurar y dinamizar su actividad cognitiva.
3) Percepción de canal abierto: reconsiderar la percepción como representaciones fijas
que se computan internamente, para pensarla como un proceso dinámico en bucles
dependientes de la actividad sensoriomotora.
 4) Percepción como experiencia sensoriomotora: la percepción no es algo que tenemos
(representaciones) en el cerebro, sino algo que hacemos con el cuerpo y los sentidos.
5) Auto-estructuración de la información: el organismo tiene un cuerpo que activamente
interactúa con el mundo, o, como lo expresa Shapiro (2011, p. 127), citando a Beer (2014),
“…porque el cerebro está corporeizado, él 'puede utilizar la biomecánica natural de su
cuerpo, la geometría de sus superficies sensoriales, y su habilidad para activamente
controlar estas superficies para simplificar considerablemente muchos problemas'”,
6) Complementariedad computacional-dinámica: explorar otros tipos de
computacionalimos diferentes al clásico, como el computacionalismo dinámico no
representacionalista.
REFERENCIAS BIBLIOGRÁFICAS
CONCEPTOS BÁSICOS SOBRE REDES NEURONALES. (1986).
http://grupo.us.es/gtocoma/pid/pid10/RedesNeuronales.htm#:~:text=Modelo%20est%C3%A1nda
r%20de%20neurona%20artificial,%C3%A0Una%20regla%20de%20propagaci%C3%B3n%20.

Consciencia, cognición y redes neuronales: nuevas perspectivas2. (2016). scienciedirect.

https://www.sciencedirect.com/science/article/abs/pii/S0034935615001115

El modelo de redes neuronales. (2019a). IBM. https://www.ibm.com/docs/es/spss-

modeler/SaaS?topic=networks-neural-model

El modelo de redes neuronales. (2019b). SPSS Modeler.

https://www.ibm.com/docs/es/spss-modeler/SaaS?topic=networks-neural-model

Redes Neuronales Actividad 7. (2020, 10 agosto). Scrid.

https://es.scribd.com/document/472020522/Redes-neuronales-actividad-7

Redes Neuronales: Conceptos Básicos y Aplicaciones. (2001, marzo). Universidad

Tecnológica Nacional – Facultad Regional Rosario Departamento de Ingeniería Química
Grupo de Investigación Aplicada a la Ingeniería Química (GIAIQ).
https://www.frro.utn.edu.ar/repositorio/catedras/quimica/5_anio/orientadora1/monograias/
matich-redesneuronales.pdf