Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Es un sistema compuesto por un gran nmero de elementos bsicos (Artificial Neurons), agrupados en capas (Layers) y que se encuentran altamente interconectados (Synapses); Esta estructura posee varias entradas y salidas, las cuales sern entrenadas para reaccionar (valores O), de una manera deseada, a los estmulos de entrada (valores I). Estos sistemas emulan , de una cierta manera, al cerebro humano. Requieren aprender a comportarse (Learning) y alguien debe encargarse de ensearles o entrenarles (Training), en base a un conocimiento previo del entorno del problema.
Aplicacin: Para que son tiles las Redes Neuronales (Neural Networks) ?
Esta tecnologa es muy til en unos pocos y muy especiales problemas. A grandes rasgos, estas aplicaciones son aquellas en las cuales se dispone de un registro de datos y nadie sabe exactamente la estructura y los parmetros que pudieran modelar el problema. En otras palabras, grandes cantidades de datos y mucha incertidumbre en cuanto a la manera de como estos son producidos. Como ejemplos de las aplicaciones de las redes neuronales (Neural Networks) se pueden citar: las variaciones en la bolsa de valores, los riesgos en prstamos (Forecasting), el clima local, el reconocimiento de patrones en rostros (Face Pattern Recognition) y la minera de datos (data mining).
Es la manera como las unidades bsicas se interconectan. Un ejemplo de como se combinan los aspectos mencionados es el perceptrn multicapa (MultiLayer Perceptrn), entrenado con el algoritmo del "backpropagation". Se trata de una red compuesta por varios estratos de neuronas con respuestas basadas en funciones exponenciales, y cuyas conexiones sinpticas se determinan de manera de minimizar un error cuadrtico medio. Otro ejemplo es el mapa auto-organizado de Kohonen (Self-organizing Map), en el cual slo se requiere conocer la salida del sistema.
s = I1 * w1 + I2 * w2 + + In * wn - t
o = f (s)
La seal computada de esa manera, es tomada como argumento para una funcin no lineal (f), la cual determinar el tipo de neurona y en parte el tipo de red neuronal (Neural Network). Esta funcin puede tener diferentes formas, siendo la ms comun la funcin sigmoidal (Sigmoid Function). A continuacin se presentan algunos ejemplos:
Para obtener un resultado aceptable, el nmero de capas debe ser por lo menos tres. No existen evidencias, de que una red con cinco capas resuelva un problema que una red de cuatro capas no pueda. Usualmente se emplean tres o cuatro capas.