Anda di halaman 1dari 3

Los pasos que vamos a realizar para comprender el funcionamiento de una red

neuronal son:

 Comparativa entre paradigma conexionista y simbólico. Las redes


neuronales tienen una estructura conexionista.
Para generar una aplicación que realice un fin determinado no tendremos que
programar siguiendo un modelo simbólico, en este caso dispondremos de un
aprendizaje de la red.

 Arquitectura de una red neuronal. Veremos los distintos componentes de


una red neuronal y como están conexionados entre si. Obtendremos el
resultado que necesitamos, tras haber pasado un proceso de entrenamiento en
el que iremos modificando los pesos W de cada neurona para conseguir su
activación sináptica.

Las tareas básicas a la hora de ejecutar un problema son:

 Especificar el problema que queremos resolver.


 Modelar el problema viendo los datos de los que disponemos y las relaciones
existentes entre ellos.
 Crear la “ecuación” que atiende al modelado anterior.
 Programar basándonos en el modelado descrito

Hablar de paradigmas en la inteligencia artificial, es hablar de todo este proceso de


modelado de un problema.

Paradigma simbólico

 Utilizamos símbolos para representar el conocimiento.


 Operamos con dichos símbolos según las propiedades que se les han
asignado.
 Todo el proceso de cálculo para resolver un problema está basado en la
relación entre los hechos y las reglas conocidas entre esos hechos.

Podríamos comparar el paradigma simbólico con un circuito integrado donde lo que


importa es la función que realiza dicho chip, y no la estructura interna.

Paradigma Conexionista

 Implica una estructura de elementos conectados entre sí.


 Tenemos un aprendizaje basado en el cálculo de cada elemento y las
conexiones entre dichos elementos.

1
PARADIGMA SIMBOLICO PARADIGMA CONEXIONISTA
 Los datos son procesados 1 Necesitamos de un aprendizaje para
siguiendo unas reglas, es obtener el resultado que buscamos.
programable.
 Procesamiento secuencial 2 Procesamiento distribuido en paralelo

 memoria para almacenar los datos  Formados por unidades que


interactúan entre si
 Recibimos información del  La información es recibida por cada
entorno unidad a través de las conexiones que
tiene con las otras unidades
 Existe un conjunto de procesos o  Cada unidad tiene un peso W, que
reglas que manipulan los datos establece la incidencia de la unidad
origen en la unidad destino
 Las tareas se van coordinando  La actividad del sistema depende de
para obtener el proceso final los pesos de las conexiones y las
activaciones de las unidades
 Multitud de funciones o procesos  Una función de clasificación en su
arquitectura por capas
 Sabemos los resultados que  Nos aproximamos a lo que esperamos
vamos a obtener tras el aprendizaje
 Si falla un proceso, falla todo el  Tolerancia a fallos. Si falla una unidad
sistema neuronal, el proceso continua

APRENDIZAJE

Tenemos los siguientes tipos de aprendizajes:

 Supervisado.
 No supervisado.
 Por refuerzo.

SUPERVISADO

Conocemos los valores de entrada y lo que esperamos a la salida. Tendremos en


cuenta el error cuadrático medio, para intentar minimizar el error conseguido entre el
resultado real y el esperado.

NO SUPERVISADO

Conocemos una serie de datos, pero no conocemos la respuesta deseada.

POR REFUERZO

No tenemos información concreta de la red, nos basamos en su conducta global y


sobre ello aprende a decidir.

2
APRENDIZAJE SUPERVISADO

Proporcionan a la red un conjunto de patrones, junto con la salida deseada (también


llamado objetivo).

 Los valores proporcionados a la red sirven como realimentación (feedback)


para ajustar sus parámetros (pesos, umbrales) hasta que estos minimicen el
error de la red.

 La red ajusta sus pesos hasta que su salida se acerca al objetivo (la red tiende
paulatinamente a la salida deseada).

 Para lograr este objetivo la red se servirá del error cometido en cada
iteración. De esta forma, la red neuronal es capaz de estimar relaciones
entrada/salida.

APRENDIZAJE NO SUPERVISADO

Se presenta a la red todo un conjunto de patrones o vectores de entrada sin


especificar el objetivo que pretendemos conseguir (salida deseada).

En este caso, la red deberá estimar por si sola la salida a través del algoritmo de
aprendizaje que se esté utilizando, de forma que puedan reconocerse regularidades
en el conjunto de entradas, extraer rasgos, agrupar patrones según su similitud, etc.

No se recibe, en consecuencia, ningún aporte externo para conseguir el ajuste


correcto de los pesos sinápticos, y por esta razón se suele decir que las redes dotadas
de este tipo de aprendizaje tienen la capacidad de autoorganizarse. Se trata de
encontrar las relaciones, características comunes, etc., que pueden establecerse entre
los patrones de datos presentados en su entrada.