En las redes no supervisadas no es necesario el aprendizaje inicial.

Esencialmente agrupan los datos en grupos similares basndose en los

atributos medidos o las caractersticas que sirven de entrada a la red. Es decir,
atribuyen a cada uno de los problemas de entrada una serie de caractersticas y
luego los agrupan dependiendo de la similitud de estas caractersticas.
Se puede proponer un smil en el comportamiento humano: se puede imaginar
a un nio al que se le ensean diez figuras con la letra A, otras diez con la B y
otras diez con la C. Aunque el nio no haya visto jams ninguna de las tres
letras, ni sepa leer, ni sepa escribir, ser capaz de diferenciar la letra A de la B,
y estas dos de la C, por lo que ser capaz de separarlas en tres grupos, cada
uno perteneciente a una letra.
El tipo de red que se utiliza para cada aplicacin depender de la naturaleza de
los problemas y del tipo de respuestas que se deseen. Puede citarse que hay
numerosas narices electrnicas que funcionan tanto con redes supervisadas
como no supervisadas. Resulta difcil decir si uno de los dos tipos es mejor
que el otro. Cada uno tiene sus ventajas y sus inconvenientes.


MODELOS DE REDES NO SUPERVISADO
Para los modelos no supervisados, el conjunto de datos de entrenamiento consiste slo
en los patrones de entrada. Por lo tanto, la red es entrenada sin el benecio de un maestro. La
red aprende a adaptarse basada en las experiencias recogidas de los patrones de
entrenamientoanteriores.

Estas redes deben encontrar las caractersticas, regularidades, correlaciones ocategoras que
se pueden establecer entre los datos que se presentan en su entrada

En algunos casos, la salida representa el grado de familiaridad o similitud entre lainformacin
que se le est presentando en la entrada y las que se le han mostrado en el pasado.En otro
caso podra realizar una clusterizacin, indicando la red la salida a qu categorapertenece la
informacin presentada a la entrada, siendo la propia red quien debe encontrar lascategoras
apropiadas a partir de correlaciones entre las informaciones presentadas. Unavariacin de esta
categorizacin es el prototipado. En este caso, la red obtiene prototiposrepresentantes de las
clases a las que pertenecen las informaciones de entrada.Algunas redes con aprendizaje no
supervisado, realizan un mapeo de caractersticas,obtenindose en las neuronas de salida una
disposicin geomtrica que representa un mapatopogrfico de las caractersticas de los datos
de entrada, de tal forma que si se presentan a lared informaciones similares, siempre sean
afectadas neuronas de salidas prximas entre s, en lamisma zona del mapa.Ejemplos tpicos
de modelos no supervisados son la Regla de Aprendizaje de Hebb, y laRegla de Aprendizaje
Competitivo:
TIPOS DE MODELOS NO SUPERVISADOS


LA REGLA DE APRENDIZAJE DE HEBBEste tipo de aprendizaje se basa en el postulado
formulado por Donald O. Hebb en 1949:"Cuando un axn de una celda A est suficientemente
cerca como para conseguir excitar a unacelda B y repetida o persistemente toma parte en su
activacin, algn proceso de crecimiento ocambio metablico tiene lugares en una o ambas
celdas, de tal forma que la eficiencia de A,cuando la celda a activar es B, aumenta. Por celdas,
Hebb entiende un conjunto de neuronasfuertemente conexionadas a travs de una estructura
compleja. La eficiencia podra identificarsepor la intensidad o magnitud de la conexin, es
decir, con el peso. Consiste en reforzar el pesoque conecta dos nodos que se excitan
simultneamente.Se puede decir que el aprendizaje consiste en el ajuste de los pesos de las
conexiones deacuerdo con la correlacin (multiplicacin en el caso de valores binarios +1 y

1) de los valoresde activacin (salidas) de las neuronas conectadas.Esta expresin responde a
la idea de Hebb, puesto que si las dos unidades son activas(positivas), se refuerza la conexin;
por el contrario, cuando una es activa y la otra pasiva, sedebilita la conexin.Existen muchas
variaciones de dicho aprendizaje, por ejemplo, Sejnowski en 1977 utiliz lacorrelacin de
covarianza de los valores de activacin de las neuronas. Sutton y Barto en 1981utilizaron la
correlacin el valor medio de una neurona con la varianza de la otra. Klopf en 1986
propuso una correlacin entre las variaciones de los valores de activacin en dos instantes
detiempo sucesivos, aprendizaje que denomin drive-reinforcement y que utiliz en redes
delmismo nombre con topologa feedforward de dos capas.Otra versin e este aprendizaje es
el hebbiano diferencial, que utiliza la correlacin de lasderivadas en el tiempo de las funciones
de activacin de las neuronas.


REGLA DE APRENDIZAJE COMPETITIVOEn el aprendizaje competitivo, si un patrn nuevo
pertenece a una clase reconocidapreviamente, entonces la inclusin de este nuevo patrn a
esta clase matizar la representacinde la misma. Si el nuevo patrn no pertenece a ninguna
de las clases reconocidas anteriormente,entonces la estructura y los pesos de la red neuronal
sern ajustados para reconocer a la nuevaclase.


REDES DE HOPFIELDEl modelo Hopfiel consiste de una red monocapa con N neuronas cuyos
valores de salidason binarios 0/1 -1/+1. En la versin original del modelo Discrete Hopfield,
las funciones deactivacin de las neuronas eran del tipo escaln. Se trataba, por lo tanto, de
una red discreta conentradas y salidas binarias; sin embargo, posteriormente Hopfield
desarroll una versincontinua con entradas y salidas analgicas utilizando neuronas de
activacin tipo sigmiodal.Una de las caractersticas del modelo de Hopfield, es que se trata de
una red auto-asociativa.As como, varios patrones diferentes pueden ser almacenados en la
red, como si se tratase deuna memoria, durante la etapa de aprendizaje. Posteriormente, si se
presenta a la entrada algunade las informaciones almacenadas, la red evoluciona hasta
estabilizarse, ofreciendo entonces enla salida la informacin almacenada, que coincide con la
presentada en la entrada. Si por elcontrario, la informacin de entrada no coincide con
ninguna de las almacenadas, por estardistorsionada o incompleta, la red evoluciona generando
como salida la ms parecida.