Documentos de Académico
Documentos de Profesional
Documentos de Cultura
2 MATERIALES Y EQUIPOS
• C++ Builder – Otro IDE
• Computador Personal.
3 INTRODUCCIÓN
El concepto genérico de Inteligencia Artificial (Artificial
Figura 1. Modelo de neurona artificial de McCulloch-Pitts [1].
Intelligence - AI) está fundado sobre la concepción y técnicas
de aprendizaje de máquina (Machine Learning – ML). Las
En la salida de cada neurona artificial se configura una
técnicas de ML pueden ser clasificadas, según la esencia del
función de activación que puede ser tipo Relé, Tangente
problema a tratar, como Supervisadas y No Supervisadas,
Hiperbólico, Sigmoide o Lineal, entre otras. Las funciones de
siendo las supervisadas las técnicas donde el desarrollador
activación más utilizadas son la Sigmoide y Tangente
conoce el objetivo del aprendizaje (Target), en cuanto las
Hiperbólico porque son funciones continuas y como tal
técnicas no supervisadas permiten el agrupamiento y/o
pueden ser derivables.
clasificación de los datos por semejanza entre las
Una Red Neuronal Artificial (RNA) consiste de capas de
características de forma autónoma. Algunas de las técnicas de
neuronas artificiales interconectadas entre ellas, de ahí el
ML supervisadas más utilizadas son: Decision Trees, Neural
nombre de la RNA tradicional Multi Layer Perceptron. Una
Networks, SVM y LDA, entre otras.
RNA simple consiste de 3 capas: Capa de Entrada, donde el
La técnica más reconocida dentro de las técnicas de ML
número de neuronas es igual al número de entradas del
supervisadas es la Artificial Neural Network o Red Neuronal
sistema; Capa Intermediaria u Oculta, uno de los retos de
Artificial, denominada así ya que su desarrollo está basado en
diseño es determinar el número de neuronas en esta capa;
las neuronas biológicas. El modelo de una neurona artificial
Capa de Salida, que posee un número de neuronas igual al
propuesto por McCulloch-Pitts es mostrado en la Figura 1.
número de opciones de salida del sistema. Si la clasificación
Una neurona artificial, también llamada perceptrón, puede
de salida es binaria (0-1) el sistema puede tener 1 o 2
recibir información proveniente de las entradas del sistema o
neuronas de salida; pero si el sistema tiene más de dos
de otras neuronas. Las conexiones entre los datos de entrada
posibles salidas, se le llama sistema de clasificación multiclase
y las neuronas o, entre neuronas y neuronas, tienen un peso
y serán necesarias múltiples neuronas en la capa de salida,
definido (W). Los pesos W controlan el flujo de información
tantas neuronas como opciones de salida [2]. En la Figura 2
y determinan la toma de decisiones. En el caso de la Figura 1,
se muestra una RNA de 3 capas con topología [n , n+1 , 2]: n
la salida de la Función de Entrada Neta (S) corresponde a una
neuronas en la capa de entrada; n+1 neuronas en la capa
combinación lineal de las entradas ponderadas por el vector
intermedia; 2 neuronas en la capa de salida.
de pesos W. Además, la neurona artificial posee una entrada
REFERENCIAS
[1] V. D. Gil-Vera y C. Quintero-López, «Predicción del
rendimiento académico estudiantil con redes neuronales
artificiales,» Información tecnológica, vol. 32, nº 6, pp.
221-228, 2021.