APRENDIZAJE CON REDES NEURONALES

APRENDIZAJE CON REDES NEURONALES

1. Se puede definir como un cambio relativamente permanente en el comportamiento, que refleja la adquisición de conocimientos o habilidades a través de la experiencia, y que pueden incluir el estudio, la instrucción, la observación o la práctica.

2. TIPOS

   • APRENDIZAJE NO SUPERVISADO:
     • entrenamiento sin profesor, el cual no tiene una meta fija
       • Es un modelo más cercano al sistema biológi­co, no se utiliza el vector de salida esperada, y sólo hay vectores de entrada en el conjunto de entrenamiento Y Las salidas se asocian a las entradas de acuerdo con el proceso de entrenamiento.
   • APRENDIZAJE SUPERVISADO:
     • entrenamiento con profesor, tiene 2 vectores (entrada, salida) y le dan un resultado de inicio para ser comparado despues
     • Aprendizaje Estructural: se refiere a la búsqueda de la mejor conexión o afinidad posible entrada/salida para cada pareja de patrones individuales. La mayor parte de los algoritmos de aprendizaje que veremos a continuación tienen un enfo­que estructural.
     • Aprendizaje Temporal: hace referencia a la captura de una serie de patrones necesarios para conseguir algún resultado final. En el aprendizaje temporal la respuesta actual de la red.
   • APRENDIZAJE POR REFORZAMIENTO
     • Este tipo de aprendizaje es similar al anterior en que los pesos son fortalecidos en las acciones desarrolladas correctamente y penalizados en aquéllas mal realizadas. mientras que el aprendizaje por reforzamiento utiliza información de error no específica para determinar el desarrollo de la red.

3. CARACTERÍSTICAS QUE DISTINGUEN LAS REDES NEURONALES DE LAS INFORMÁTICAS

   • fuerte paralelismo: en gran escala las redes neuronales pueden tener cientos de miles de celdas (células) individuales de proceso.
   • elevada comunicación: algunos modelos requieren interconexiones especificas entre cada procesador. Otros modelos pueden organizarse en capas o niveles que requieren menos interconexiones.
   • representación distribuida: la fortaleza de las conexiones se altera para añadir nueva información. Los datos se almacenan en un patrón de conexiones que se extiende por toda la red
   • calculo colectivo: una red neuronal no ejecuta instrucciones particulares, es decir, todas las celdas de la red están preparadas para resolver colectivamente un problema particular.
   • tolerancia a fallas: si una neurona falla, el sistema sigue funcionando. La precisión de la red vendrá dada por el numero de neuronas que fallen: cuantas mas fallen menos precisas serán.
   • auto-organización: una red neuronal puede adaptar su estructura para distribuir nuevos patrones.

4. REGLAS DE APRENDIZAJE

   • APRENDIZAJE HEBBIANO
     • Este tipo de aprendizaje propone que los pesos (fuerzas sinápticas) se incrementan si las neuronas origen y destino están activadas.
   • APRENDIZAJE DE CORRECCION DE ERROR
     • ajusta los pesos de conexión entre PEs en proporción a la diferencia entre los valores deseados y computados para cada PE de la capa de salida.
       • Red multicapa: puede capturar mapeos no lineales entre las en­tradas y las salidas. La versión multinivel de este algoritmo es comúnmente denominada Regla de Aprendizaje de Backpropa- gation.
       • Red de dos capas: puede capturar mapeos lineales entre las en­tradas y las salidas. Dos redes neuronales que utilizan este tipo de aprendizaje son el Perceptrón y ADALI­ÑE
   • Aprendizaje estocástico
     • Utiliza procesos aleatorios, probabilidades y una relación de energía para seleccionar los pesos a cambiar y su tamaño en una red neuronal multicapa. La primera red que empleo aprendizaje estocástico fue la máquina de Boltzman (Ackley, Hinton y Sejnowski, 1985).
   • APRENDIZAJE COMPETITIVO
     • usa inhibición lateral para activar una sola neurona (el ganador se lo lleva todo). un ejemplo: para un perro si hace bien las cosas le dan un premio si no, lo castigan o no le dan nada

Images and files in the map