REDES NEURONALES

Comienza Ya. Es Gratis
ó regístrate con tu dirección de correo electrónico
Rocket clouds
REDES NEURONALES por Mind Map: REDES NEURONALES

1. Una neurona consta de un cuerpo celular (soma) de entre 10 y 80 mm, del que surge un denso árbol de ramificaciones (dendritas) y una fibra tubular (axón) de entre 100 mm y un metro.

2. Si establecemos un orden en las capas podemos establecer conexiones hacia delante, hacia atrás o conexiones laterales. Esto sirve para clasificar las redes en feedforward o hacia delante, no tienen ninguna conexión hacia atrás, y feedback o hacia atrás que si permiten este tipo de conexiones. Las conexiones laterales son conexiones entre neuronas de la misma capa, este tipo de conexión son muy comunes en las redes mono capa. Si la red admite que las neuronas tengan conexiones a sí mismas se dice que la red es auto recurrente.

3. Enfoque conexionismo o paradigma emergente

3.1. Los procesos cognitivos ya no se rigen por reglas, ni la información esta ubicada en lugares del cerebro.

3.2. Nuestros pensamientos, sentimientos y sensaciones, surgen a partir de interconexiones masivas.

4. Elementos básicos de una red neuronal artificial.

4.1. ENTRADAS

4.1.1. Estas capas reciben la información desde el exterior como son: Entradas Wj a la neurona.

4.2. PESOS

4.2.1. Normalmente una neurona recibe muchas y múltiples entradas simultáneas. Cada entrada tiene su propio peso relativo la cual es la importancia de la entrada dentro de la función de agregación de la neurona. Estos pesos realizan la misma función que las fuerzas sinápticas de las neuronas biológicas. En ambos casos, algunas entradas son más importantes que otras maneras de tener un efecto mayor sobre el procesamiento de la neurona combinando para producir la respuesta neuronal.

4.2.2. Los pesos son los coeficientes que se ajustan dentro de la red que determina la intensidad de la señal de entrada por la neurona artificial. Ellos son la medida de la fuerza de una conexión de entrada. Estas fuerzas pueden ser modificadas en respuesta a los ejemplos de entrenamiento de acuerdo a la topología específica o debido a las reglas de entrenamiento.

4.3. SALIDAS

4.3.1. Cada elemento de procesamiento tiene permitido una única salida yi(t) que puede estar asociada con un número elevado de otras neuronas. Normalmente, la salida es directamente equivalente al valor resultante de la función de activación.

4.3.2. yi(t)=Fi(ai(t))=ai(t)

4.3.3. Algunas topologías de redes neuronales, sin embargo, modifican el valor de la función de transferencia para incorporar un factor de competitividad entre neuronas que sean vecinas. Las neuronas tienen permitidas competir entre ellas, inhibiendo a otras neuronas a menos que tengan una gran fortaleza.

4.3.4. En el siguiente post se describen las funciones que forman parte de los Elementos de la Red Neuronal: La Función de Propagación, Función de Activación y la Función de Salida.

5. Los procesos cognitivos son el resultado de variaciones en la actividad neuronal de las redes

5.1. Cada pensamiento, recuerdo o sensación, se corresponde con una configuración única de actividad espaciotemporal de las neuronas interconectadas.

6. Forma de Conexión de las Capas:

6.1. Las neuronas se conectar unas a las otras usando sinapsis. Si miramos más detenidamente observamos que estas uniones a nivel de capa forman distintas estructuras. Podemos distinguir varias como:

6.1.1. Unión Todos con Todos:

6.1.1.1. Consiste en unir cada neurona de una capa con todas las neuronas de la otra capa. Este tipo de conexionado es el más usado en las redes neuronales, se usa en todo tipo de uniones desde el Perceptron multicapa a las redes de Hopfield o BAM.

6.1.2. Unión Lineal:

6.1.2.1. Consiste en unir cada neurona con otra neurona de la otra capa. Este tipo de unión se usa menos que el anterior y suele usarse para unir la capa de entrada con la capa procesamiento, si la capa de entrada se usa como sensor. También se usa en algunas redes de aprendizaje competitivo.

6.1.3. Predeterminado:

6.1.3.1. Este tipo de conexionado aparece en redes que tienen la propiedad de agregar o eliminar neuronas de sus capas y de eliminar también conexiones.

7. Las Redes Neuronales son un campo muy importante dentro de la Inteligencia Artificial. Inspirándose en el comportamiento conocido del cerebro humano (principalmente el referido a las neuronas y sus conexiones), trata de crear modelos artificiales que solucionen problemas difíciles de resolver mediante técnicas algorítmicas convencionales.

8. Las redes neuronales típicamente están formadas por una serie de capas de neuronas que están unidas entre si mediante sinapsis. Las neuronas artificiales como unidades independientes no son muy eficaces para el tratamiento de la información y se agrupan en estructuras más grandes, las redes de neuronas artificiales o redes neuronales.

9. Niveles de Neuronas:

9.1. La distribución de neuronas dentro de la red se realiza formando niveles o capas de un número determinado de neuronas cada una. A partir de su situación dentro de la red se pueden distinguir los tipos de capas:

9.1.1. De entrada: estas capas reciben la información desde el exterior.

9.1.2. De Salida: estas envían la información hacia el exterior.

9.1.3. Ocultas: son capas que solo sirven para dar información y comunicar otras Capas.