Identidad

Sinusoidal

Escalón
Continuas Binarias

Gaussiana

Lineal a tramos

El objetivo de la red neuronal es

Sigmoidea
resolver los problemas de la misma
manera que el cerebro humano Entradas
Funciones de activacion
Tema flotante

Objetivos Redes Neuronales

Aprendizaje supervisado Artificiales
Tipos de Redes Neuronales
método de aprendizaje Las redes de base radial calculan la salida de la
función en función de la distancia a un punto
el proceso de aprendizaje se realiza mediante denominado centro
un entrenamiento controlado por un supervisor Redes de base radial (RBF)
que determina la respuesta que que se debe Las redes de base radial tienen la ventaja de
generar para cada entrada que no presentan mínimos locales donde la
retropropagación pueda quedarse bloqueada.
Aprendizaje por corrección de error.
Aprendizaje no supervisado o Red neuronal Convolucional (CNN)
autosupervisado

Consiste en ajustar los pesos de las conexiones Red neuronal Multicapa – Perceptrón
de la red en función de la diferencia entre los La principal diferencia con el perceptrón multicapa
valores deseados y los obtenidos en la salida; No requieren influencia externa para ajustar los multicapa viene en que cada neurona no se une
es decir, en función del error cometido. pesos. con todas y cada una de las capas siguientes
sino que solo con un subgrupo de ellas (se
Aprendizaje por refuerzo una parte de la entrada neuronal a una red se especializa) La red neuronal multicapa es una
utiliza como elemento de supervisión para un generalización de la red neuronal monocapa
predictor alimentado con la parte restante del
input. la red neuronal monocapa está compuesta por
Consiste en determinar qué acciones debe una capa de neuronas de entrada y una capa
escoger un agente de software en un entorno de neuronas de salida, esta dispone de un
dado con el fin de maximizar alguna noción de " conjunto de capas intermedias (capas ocultas)
recompensa" o premio acumulado entre la capa de entrada y la de salida.
Aprendizaje competitivo y comparativo

Red neuronal Monocapa – Perceptrón

Consiste básicamente en realizar cambios simple
aleatorios en los valores de los pesos y evaluar La forma de actuación consiste en ir añadiendo
Aprendizaje estocástico
su efecto a partir del objetivo deseado y de elementos a una clase, si este nuevo elemento
distribuciones de probabilidad se determina que es de esta clase matiza los
pesos, en caso contrario se puede crear una la red neuronal más simple
nueva clase con el elemento asociando a una
serie de pesos propios. Está compuesta por una capa de neuronas que
Permite medir la familiaridad o extraer las proyectan las entradas a una capa de neuronas
Aprendizaje hebbiano Permite realizar clasificaciones de los datos de de salida
características de los datos de entrada
entrada.

Permite que la red tenga memoria

Red neuronal recurrente (RNN) Las redes neuronales recurrentes no tienen una
estructura de capas, sino que permiten
conexiones arbitrarias entre las neuronas,
incluso pudiendo crear ciclos