REDES NEURONALES DR.

BERNARDO RINCON MARQUEZ

Correccion de errror

Consiste en ajustar los pesos de las conexiones de la red en funcion de la diferencia entre los valores deseados y los obtenidos a la salida de la red.

Boltzmann

El objetivo es ajustar los pesos sinpticos de la red de forma que las neuronas visibles implementen una distribucin de probabilidad deseada determinada por los patrones de entrenamiento (cada patrn de entrenamiento establece una relacin entre una entrada y una salida deseada), es decir, una correspondencia (asociacin) establecida a travs de un conjunto de patrones de entrada y sus correspondientes salidas deseadas, de manera que puede haber varias salidas posibles para una entrada.

Algoritmo de Aprendizaje

Regla de Hebb

Pretende medir la familiaridad o extraer caractersticas de los datos de entrada. Este aprendizaje consiste bsicamente en el ajuste de los pesos de las conexiones de acuerdo con la correlacin de los valores de activacin (salidas) de las dos neuronas conectadas. Si las dos unidades son activas (salida positiva), se produce un reforzamiento de la conexin. Si por el contrario, una es activa y la otra pasiva (salida negativa), se produce un debilitamiento de la conexin. Por tanto, la modificacin de los pesos se realiza en funcin de los estados (salidas) de las neuronas, obtenidos tras la presentacin de cierto estmulo (informacin de entrada), sin tener en cuenta si se deseaba obtener o no esos estados de activacin.

Ley de efecto de Thorndike

"Una accin acompaada o seguida de un estado de satisfaccin tender a volverse a presentar ms a menudo, una accin seguida de un estado de insatisfaccin tender a volverse a presentar menos a menudo"

Proceso de Aprendizaje

Competitivo

Las neuronas compiten unas con otras con el fin de llevar a cabo una tarea dada. Se pretende que cuando se presente a la red cierta informacin, slo una o un grupo de ellas se activen. Por tanto las neuronas compiten por activarse, quedando las perdedoras a sus valores de respuesta mnimos. La conexin entre neuronas se realiza en todas las capas de la red, existiendo en estas neuronas conexiones recurrentes de autoexcitacin y conexiones de inhibicin (signo negativo) por parte de neuronas vecinas. El objetivo de este aprendizaje es categorizar (clustering) los datos que se introducen en la red. De esta forma, las informaciones similares son clasificadas formando parte de la misma categora, activando por tanto la misma neurona de salida. La variacin del peso de una conexin entre una unidad i y otra j ser nula si la neurona j no recibe excitacin por parte de la neurona i y se modificar si es excitada por dicha neurona i

Aprendizaje supervisado

Se introducen unos valores de entrada a la red y los valores de salida generados por esta se compara con los valores de salida correctos. Si hay diferencias, se ajusta la red en consecuencia.

Paradigma de Aprendizaje

Aprendizaje por reforzamiento

Se introducen valores de entrada, y lo nico que se indica a la red si las salidas que ha generado son correctas o incorrectas.

Aprendizaje no supervisado

No existe ningn tipo de gua. De esta manera lo nico que puede hacer la red es reconocer patrones en los datos de entrada y crear categoras a partir de estos patrones. As cuando se le entra algn dato, despus del entrenamiento, la red ser capaz de clasificarlo e indicar en que categora lo ha clasificado.

EMMANUEL HUERTA MONJE