Redes Neuronales

Redes neuronales y su relación con la cognición

Es un modelo por computadora que simula la interconexión y la actividad de las células neuronales

Niveles red neuronal

De entrada

Ocultas

De salidas

Recibe directamente la información proveniente de las fuentes externas de la red

Son Internas a la red , no tienen contacto directo con el entorno exterior

Transfieren información de la red hacia el exterior

Tipos

Neuronas binarias

Neuronas reales

Pueden tomar valores dentro del intervalo {0, 1} o {-1, 1}

Pueden hacerlo dentro del rango [0, 1] o [-1, 1]

Mecanismos de aprendizaje

Métodos

Aprendizaje supervisado

Aprendizaje no supervisado

Aprendizaje por corrección de error

Aprendizaje por refuerzo

Aprendizaje estocástico

Ajusta los pesos de las conexiones de la red en función de la diferencia entre los valores

El supervisor se reduce a indicar mediante una señal de refuerzo si la salida obtenida en la red

Deseados y obtenidos a la salida de la red. Ejemplo: Regla de aprendizaje perceptron

Se ajusta a la deseada

Realiza cambios aleatorios en los valores de los pesos de las conexiones de la red

Evalúa su efecto a partir del objetivo deseado y de distribuciones de probabilidad

Aprendizaje hebbiano

Aprendizaje competitivo y comparativo

Pretende medir la familiaridad o extraer características de los datos de entrada.

Se orienta a clasificación de datos de entrada, si un patrón nuevo se determina que pertenece

Generado a partir de la neurona biológica clásica, que puede tener estados: activa o inactiva

A una clase reconocida , entonces la inclusión de este patrón a esta clase matizará la representación de la misma

Elementos que componen una red neuronal

Función de entrada (input )function

Función de activatión (activación function)

Función de salida (output function)

La neurona trata a muchos valores de entrada como si fueran uno solo; esto recibe el nombre de entrada global

iInputi = (ini1• wi1)* (ini2• wi2)*... (inin• win)

Calcula el estado de actividad de una neurona; transformando la entrada global (menos el umbral, Θi)

En un valor (estado) de activación, cuyo rango normalmente va de (0 a 1) o de (–1 a 1)

Las funciones de activación más usados son:

Función lineal:

Función sigmoidea

Función tangente hiperbólica

Los valores de salida obtenidos serán: a·(gini - Θi), cuando el argumento de (gini - Θi) esté comprendido dentro del rango (-1/a, 1/a)

Los valores de salida están c dentro de un rango que va de 0 a 1

Los valores de salida están dentro de un rango que va de -1 a 1

La función de salida determina que valor se transfiere a las neuronas vinculadas

Las funciones más comunes son:

Ninguna

Binaria

  ≥ 0 de lo contrario 1 si acti ξ i , donde ξi es el umbral

La salida es la misma que la entrada

Descripción de la articulación entre red neuronal y cognición

En el área conocida como aprendizaje por reforzamiento dentro del campo de aprendizaje de máquinas , se ha usado el principio de reforzamiento pare entrenar diferentes funciones en modelos por computadora

Es notable que en el campo de aprendizaje por reforzamiento los autores se refieren al efecto de las consecuencias como recompensas positivas y recompensadas negativas

Los modelos de redes neuronales pueden clasificarse dentro de lo que Skinner (1974) describió como el análisis de lo que ocurra dentro del organismo y que puede ayudara a "llenar los espacios" en las relaciones funcionales entre el ambiente y la conducta

Las redes neuronales se consideran simulaciones por computadora de procesos cognoscitivos en humanos, tales como el aprendizaje y la memoria