Mecanismos de Aprendizaje en las Redes Neuronales

Comienza Ya. Es Gratis
ó regístrate con tu dirección de correo electrónico
Mecanismos de Aprendizaje en las Redes Neuronales por Mind Map: Mecanismos de Aprendizaje en las Redes Neuronales

1. El hombre se ha caracterizado siempre por su búsqueda constante de nuevas vías para mejorar sus condiciones de vida. Estos esfuerzos le han servido para reducir el trabajo en aquellas operaciones en las que la fuerza juega un papel primordial. Los progresos obtenidos han permitido dirigir estos esfuerzos a otros campos, como por ejemplo, a laconstruccion de maquinas calculadoras que ayuden a resolver de forma automática y rápida determinadas operaciones que resultan tediosas cuando se realizan a mano.

2. Existen cuatro aspectos que caracterizan una red neuronal su topología, el mecanismo de aprendizaje, tipo de asociación entre la información de entrada y salida y la forma de representación de estas:

3. TOPOLOGIA: Consiste en la organización y disposición de las neuronas en la red formando capas o agrupaciones de neuronas Los parámetros fundamentales de la red son: número de capas número de neuronas por capa grado de conectividad y tipo de conexión entre neuronas

4. 1.Redes mono capa: se establecen conexiones laterales entre las neuronas que pertenecen a la única capa que constituye la red. Ejemplos de redes de este tipo son la rede HOPPFIELD y la rede BRAIN STATE IN A BOX. Las redes mono capa se utilizan típicamente en tareas relacionadas con lo que se conoce como auto asociación; por ejemplo, para regenerar informaciones de entrada que se presenta como incompleta o distorsionada.

5. 2.Redes multicapa: Disponen las neuronas agrupadas en varios niveles , dado que este tipo de redes disponen de varias capas, las conexiones entre neuronas pueden ser del tipo feed fodward (conexión hacia adelante) o de tipo feed back (conexión hacia atrás).

6. Podría ser, atendiendo a su similitud con la realidad biológica:

7. 1) El modelo de tipo biológico: Este comprende las redes que tratan de simular los sistemas neuronales biológicos, así como las funciones auditivas o algunas funciones básicas de la visión.

8. 2) El modelo dirigido a aplicación: Este modelo no tiene por qué guardar similitud con los sistemas biológicos. Su arquitectura está fuertemente ligada a las necesidades de las aplicaciones para la que es diseñada.

9. MECANISMO DE APRENDIZAJE

10. El aprendizaje es el proceso por el cual una red neuronal modifica sus pesos en respuesta a una información de entrada. Los cambios que se producen durante la etapa de aprendizaje se reducen a la destrucción (el peso de la conexión toma el valor 0), modificación y creación (el peso de la conexión toma un valor distinto de 0) de  conexiones entre las neuronas. Podemos considerar que el proceso de aprendizaje ha terminado cuando los valores de los pesos permanecen  estables dw j / dt = 0Un aspecto importante es determinar los criterios de la regla de aprendizaje; cómo se van a modificar los pesos.  De forma general se consideran dos tipos de reglas

11. Aprendizaje supervisado

12. Aprendizaje

13. Aprendizaje súper visado: Redes con aprendizaje supervisado

14. Se caracteriza porque el proceso de aprendizaje se realiza mediante un entrenamiento controlado por un agente externo (supervisor, maestro) que determina la respuesta que debería generar la red a partir de una entrada determinada. El supervisor comprueba la salida generada por el sistema y en el caso de que no coincida con la esperada, se procederá a modificar los pesos de las conexiones.

15. En este tipo de aprendizaje se suelen distinguir a su vez tres formas de llevarlo a cabo:

16. 1.Aprendizaje por corrección de error : Consiste en ajustar los pesos de las conexiones de la red en función de la diferencia entre los valores deseados y los obtenidos en la salida.

17. 2.Aprendizaje por refuerzo: este tipo de aprendizaje es más lento que el anterior y se basa en la idea de no disponer de un ejemplo completo del comportamiento deseado; es decir, de no indicar durante el entrenamiento la salida exacta que se desea que proporcione la red ante una determinada entrada. Aquí la función del supervisor se reduce a indicar mediante una señal de refuerzo si la salida obtenida

18. 3.Aprendizaje estocástico: consiste básicamente en realizar cambios aleatorios en los valores de los pesos y evaluar su efecto a partir del objetivo deseado y de distribuciones de probabilidad. Un red que utiliza este tipo de aprendizaje es la red Boltzman Machine, ideada por Hinton, Ackley y Sejnowski en 1984 y la red Cauchy Machine desarrollada por Szu en 1986.