Perceptrón Multicapa

INTRODUCCIÓN

Este tipo de red artificial nació de la unión de varios perceptrones simples, estas redes neuronales multicapa se pueden clasificar de manera que que se conectan sus capas, este tipo de neuronas dio paso a la resolución de problemas mas complejos como los no lineales. Esta idea fue propuesta por los cientificos Rumelhart, Hinton y Williams en el año 1986 cuya hipotesis era la de retro propagar los errores medidos en las señales de salida de la red neuronal artificial hacia las neuronas que se encuentran en la capa oculta.

OBJETIVO

El objetivo de esta publicación es la de conocer como funcionan estas redes neuronales multicapa  y como hacen paras resolver problemas mas complejos basandose en los principios propuestos por Frank Rosenblatt en su modelo de perceptrón simple.

MARCO TEÓRICO

Las redes multicapa como ya hemos mencionado anteriormente son un modelo de redes neuronales artificial compuestos por varios perceptrones simples, estas redes neuronales multicapa están compuestas por tres capas que son:

• Capa de entrada: Esta capa esta formada por las neuronas encargadas de transmitir los patrones de entrada en la red neuronal.

• Capa oculta: En esta capa pueden existar mas de una sola, esta formada por aquellas neuronas cuyas capas de entrada provienen de las capas anteriores y cuyas salidas pasan a las neuronas de las capas posteriores.

• Capa de salida: Esta capa esta formada por las neuronas encargadas de emitir los valores de salida que corresponden a todas las salidas de la red neuronal.

Usualmente las capas de este tipo de redes neuronales se encuentran ordenadas de la manera en que reciben las señales de entrada hasta las señales de salida y se encuentran unidas en ese orden. A este tipo de conexiones se les denomina como conexiones hacia adelante aunque también existen redes con conexiones hacia atrás.

Redes neuronales conexiones hacia adelante

Como hemos mencionada este tipo de redes contienen conexiones entre sus capas hacia adelante, esto quiere decir que una capa no puede recibir ninguna señal antes que ella, en la dinámica de la computación. 

Como ejemplos de este tipo de redes neuronales tenemos a los perceptrones, las redes Adaline, los algoritmos de retro-programación y los modelos de redes Kohonen.

Redes neuronales conexiones hacia atras

A este tipo de redes neuronales artificiales se las diferencia de las de conexiones hacia adelante porque en este tipo de redes si pueden existir conexiones entre capas hacia atras, esto quiere decir que la informacion pueden retornar entre las capas anteriores dentro de la dinamica de la red.

Como ejemplos de este tipo de redes neuronales tenemos a las redes BAM y ART.

CONCLUSIONES

Los perceptrones multicapa han demostrado ser de gran ayuda en el avance de las redes neuronales artificiales ya que estos a diferencia de los perceptrones simples pueden resolver problemas mas complejos, formados por diversas capas que le permiten el proceso de entrada, almacenamiento, procesamiento y análisis de la información que hacen de estas redes uno de los avances mas grandes de la inteligencia artificial.

BIBLIOGRAFÍA

Isasi, P. y Galván, I. 2004. Redes Neuronales Artificiales: Un enfoque Práctico. Madrid, Esp. pág. 45.

Perceptrón Simple

INTRODUCCIÓN

Los primeros avances de la inteligencia artificial fueron realizados en la década de 1950, estos dieron paso a lo que hoy conocemos como IA, el perceptrón fue desarrollado por Frank Rosenblatt y era capaz de tareas de clasificar de forma automática, aunque su algoritmo era muy limitado fue un avance para esa época, fue considerado como un tipo de red neuronal artificial y este era capaz de unirse con otro grupo perceptrones para formar redes neuronales mas complejas.  

OBJETIVO

El objetivo de esta publicación es dar a conocer los principios basicos del perceptron, cuales son sus características y como este algoritmo lograba resolver problemas de clasificación.

MARCO TEÓRICO

En el año 1958 el perceptron fue descubierto por el psicólogo estadounidense Frank Rosenblatt que desarrollo un modelo de red neuronal a partir del propuesto por los científicos pioneros de la inteligencia artificial Warren McCullock y Walter Pitts  y de una regla de aprendizaje de corrección de errores, a este modelo nuevo que desarrollo lo denomino como perceptron cuya característica principal y la que despertó mas interés fue la capacidad que tenia de reconocer patrones. Este perceptron estaba compuesto por un conjunto de sensores que detectaban las señales de entrada y una sola neurona de salida que se encargaba de clasificar los patrones y de emitir una señal de salida.

Características

Entre las características que poseía este modelo simple de red neuronal tenemos:

• La capacidad de realizar tareas de clasificación de forma automática a partir de un numero de ejemplos.

• Podía ser utilizado como una neurona en otro sistema de red neuronal.

• Su aprendizaje era supervisado y sus conexiones se realizaban en un solo sentido .

• Reconocía diversos patrones.

• Estaba compuesto por dos capas de neuronas.

• Sus neuronas de entrada eran discretas y su función de activación de salida es de tipo escalón.

• Tomar un patrón al azar.

• Establecer el patrón de entrada de los sensores de la primera capa.

• Establecer los valores de salida deseados de las neuronas de la segunda capa.

• Actualizar las neuronas de la capa de salida.

• Solicitar que las neuronas aprendan todas las sinapsis de la red.

• Si estas sinapsis han cambiando que vuelva a la toma de un patrón al azar y si no la red se estabiliza y para.

Arquitectura del perceptrón

El perceptrón simple propuesto por Frank Rosenblatt es un red neuronal artificial que consta de dos tipos de capas de neuronas, esta red admitía valores binarios o bipolares como datos de entrada y estos eran detectados por los sensores y los valores de salida están en el mismo rango de los datos de entrada.

La función de la primera capa es de hacer de sensor para la entrada de las señales de la red neuronal y la función de la segunda capa era la de procesar la información recibida. Ambas capas estaban interconectadas entre si, pero las neuronas de la primera capa se encontraban unidas a cada neurona de la segunda capa para de esta manera obtener un mejor resultado.

Aprendizaje del perceptrón

Para que este perceptrón pudiera aprender era necesario que la red neuronal artificial determinara los siguientes patrones:

CONCLUSIONES

El perceptron simple es un modelo de red neuronal artificial que tenia la capacidad de reconocer diversos patrones aunque era muy limitado fue un gran avance en la inteligencia artificial cuyo objetivo primordial es la creación de entidades capaces de pensar y de actuar de manera racional de la forma en la que los seres humanos lo hacen.

BIBLIOGRÁFIA

Isasi, P. y Galván, I. 2004. Redes Neuronales Artificiales: Un enfoque Práctico. Madrid, Esp. pág. 26.

Mecanismos de Entrada

INTRODUCCIÓN
Una de las partes mas importantes de las redes neuronales artificiales es el aprendizaje ya que este es el que define la manera en la que las neuronas adquieren, procesan la información y emiten una respuesta dependiendo del tipo de problema en el que se encuentre. Cada modelo de aprendizaje es diferente y de cada uno de estos modelos dependerá el aprendizaje que tengan las redes neuronales artificiales.

OBJETIVO

 El objetivo de esta publicación es dar conocer como las redes neuronales artificiales realizan sus procesos de aprendizaje y de como son capaces de resolver problemas ante posibles errores.

MARCO TEÓRICO

Como hemos venido hablando el aprendizaje es la parte mas importante de las redes neuronales artificiales, ya que dependiendo del tipo de aprendizaje se dará la solución a los diferentes tipos de inconvenientes que se puedan presentar. Es por ello que para que las redes neuronales artificiales puedan aprender es necesario que cumplan con las siguientes características: 

• Ser significativo: Para que una red neuronal artificial sea significativa es necesario que posea un numero significativo de ejemplos, si la red no tiene un numero significativo podrán presentarse inconvenientes en la forma que adapta los pesos de manera equitativa.
• Ser representativo: Para que una red neuronal artificial sea representativa es necesario que esta posea un conjunto de aprendizajes diversos, ya que si se dispone mas ejemplos de un solo tipo de conjunto la red podría funcionar de una manera no uniforme.

Aprendizaje de una red neuronal artificial

El aprendizaje es una de las características mas significativas dentro de las redes neuronales artificiales ya que este determina la forma en la que la red procesa la información de entrada y la forma en la que emite un respuesta o salida ante los posibles problemas del entorno, los métodos de aprendizaje de las redes neuronales pueden ser diversos dependiendo del tipo de entorno en el que se desenvuelva.

• Aprendizaje Supervisado: Como su nombre lo indica este tipo de aprendizaje va a estar supervisado por un agente externo, el cual determinara la respuesta o señal de salida de acuerdo a la entrada que halla recibido. Este agente o supervisor como se le podría conocer controlara la salida de la red esperando conseguir que la salida sea la deseada o que se aproxime a ella.
• Aprendizaje no supervisado: Este tipo de aprendizaje es casi parecedio al aprendizaje supervisado con la diferencia de que no cuenta con un agente externo que este supervisando la respuesta o la salida de las señales  de las entradas que halla recibido. Este aprendizaje determina que la salida sea parecida a la entrada y que de como resultado la misma salida.
• Aprendizaje Hebbiano: Este tipo de aprendizaje se encarga de extraer las características que posean los datos de entrada de la red. Su objetivo es de que si dos neuronas poseen el mismo estado sus pesos sean modificados, ya sea en incremento o decremento, este aprendizaje utiliza la regla hebbiana de que solo se puede tener un tipo de estado.
• Aprendizaje competitivo: Este tipo de aprendizaje hace uso de la capacidad que tienen las neuronas excitadas de reducir la actividad de otras neuronas con el objetivo de que solo se active una neurona y que este se lleve todo. Este aprendizaje es utilizado en los mapas auto-organizativos.
• Aprendizaje por refuerzo: Este tipo de aprendizaje se encarga de obtener la salida mas adecuada a un tipo de patrones de entrada, este aprendizaje es supervisado por un agente exterior que determina si la salida que se obtuvo es la esperada mediante una señal de refuerzo que ajusta los pesos basándose en un mecanismo de probabilidades.
• Aprendizaje estocástico: Este tipo de aprendizaje es aquel que hace uso de los cambios aleatorios en los valores de ambos pesos de la red, sean de entrada o de salida para evaluar el efecto que produce a partir del objetivo deseado y de las distribuciones de probabilistica.
• Aprendizaje de corrección de errores: Este aprendizaje trata de minimizar los errores que se obtienen tanto en la salida obtenida como en la salida deseada, para realizar esta corrección hace uso de las redes de dos capas y las multicapas

CONCLUSIONES

Es importante conocer los tipos de aprendizajes de las redes neuronales artificiales, debido que para el su correcto funcionamiento es necesario que estos los mas adecuados posibles.
Las redes neuronales artificiales son un gran avance para la inteligencia artificial ya que están contribuyendo de manera significativa al avance de esta ciencia.

BIBLIOGRÁFIA

Isasi, P. y Galván, I. 2004. Redes Neuronales Artificiales: Un enfoque Práctico. Madrid.  Pearson.

Introducción a las Redes Neuronales Artificiales

INTRODUCCIÓN

Con el transcurso de los años los seres humanos se han preguntado como funciona el cerebro, como se genera el pensamiento, y como el cerebro controla todas acciones del cuerpo, gracias a los avances tecnológicos se han ido revelando las respuestas de cada una de estas interrogantes.

La inteligencia artificial es la ciencia encargada de la creación de entidades inteligente que piensen y actúen como los seres humanos es por ellos que es necesario estudiar el  cerebro humano que esta formado por neuronas que se encargan de transmitir la información de los estímulos externos que se perciben del ambiente  mediante impulsos nerviosos, para crear un sistema similar que actué de la manera en la que lo hace el cerebro humano.

OBJETIVO

El objetivo de la siguiente publicación es conocer cuales son los fundamentos biológicos que influyeron en la creación de las redes neuronales artificiales, que es una red neuronal artificial, como funciona, cual es la estructura básica de estas neuronas y en que basan su aprendizaje.

MARCO TEÓRICO

Las redes neuronales artificiales también conocidas como RNA son unidades de procesamiento de información en donde cada neurona recibe una serie de entradas a través de interconecciones y emite una salida, las RNA son modelo artificial que intenta imitar la forma en la que el cerebro humano recibe las percepciones del ambiente y como procesa la información haciendo uso de las neuronas biológicas. Su estructura es similar a las de las neuronas biológicas formada por neuronas interconectadas entre si formando un tipo de red de coneccion de donde proviene el nombre de RNA.

Para el estudio de la inteligencia artificial es necesario conocer los dos campos de estudio que son:

La inteligencia artificial simbólica: Es el área encargada de la construcción de sistemas con características identificables como inteligentes, es la manera cómo nos enfrentamos a un problema y como lo resolvemos.

La inteligencia artificial subsimbólica: Es la encargada del estudio de los sistemas genéricos que con el paso del tiempo son capaceas de resolver un problema, esta estudia los mecanismos físicos que permiten que seamos denominados inteligentes así como el cerebro y su funcionamiento lógico, y las redes neuronales artificiales.

• Capa de entrada: Esta capa es la encargada de percibir las percepciones o señales de entrada del entorno.

• Capa oculta: Esta capa es la encargada del procesamiento interno de la red y a diferencia de la capa de entrada esta no recibe ningún estimulo del entorno.

• Capa de salida: Esta capa se encarga una respuesta o señal de salida ante los estímulos recibidos por las otras capas. 

• Paradigma de aprendizaje: Es la información con que dispone la red.

• Regla de aprendizaje: Son los principios que gobiernan el aprendizaje de la red.

• Algoritmo de aprendizaje: Es el procedimiento numérico de ajuste de los pesos.

• Aprendizaje supervisado: Es cuando la red neuronal trata de minimizar entre el erro de salida que calcula y el que se espera dependiendo que esta salida sea la deseada.

• Aprendizaje no supervisado: Es cuando la red neuronal conoce los patrones que determinaran la respuesta deseada.

El objetivo de las RNA es conseguir que la red aprenda automáticamente las propiedades que tiene que ver con la selección del modelo de la red, las variables a incorporar y el conjunto de entrenamiento.

Fundamentos biológicos de las redes neuronales

El sistema de comunicación neuronal de los seres humanos y los animales esta formado por  el sistema nervioso y el sistema hormonal que esta que para percibir su entorno lo hace a través de los órganos efectores que nos permiten realizar una accion dependiendo del tipo de estimulo que se halla recibido, el objetivo del sistema nervioso es recopilar la información, procesarla, almacenarla y transmitirla de neurona en neurona.

Los tres aspectos que interviene en el proceso de comunicación del sistema nervioso son los siguientes:

El funcionamiento de las neuronas biológicas se da en base a sus partes, cada una realiza una función especifica durante el proceso de comunicación de la neuronas, y tenemos las siguientes:

Núcleo: Es el encargado de procesar la información recibida y de enviarla a través del axón.

Axón: El axón se encarga de transmitir los impulsos nerviosos en forma de frecuencia.

Sinapsis: Es la comunicación que se da entre una neurona y otra a través de botones terminales, estos botones terminales actúan como amplificadores. 

Dendritas: Estas propagan la señal al interior de la neurona.

Imagen 1 : Modelo de red neuronal biológica

Modelo computacional

La diferencia entre las redes neuronales artificiales y los programa de computadora convencionales, es que estas redes neuronales elaboran la información de entrada para obtener una salida o respuesta. Este proceso de elaboración de la información dependerá de las característica con las que cuente la red neuronal y de sus funciones. Existen muchos tipos de modelos de redes neuronales en los cuales se siguen distintos filosofías de diseño, reglas de aprendizaje y funciones de construcción para cada tipo de respuesta diferente. 

La neurona artificial

La neurona artificial para realizar su trabajo recibe los estímulos de entrada de las neuronas vecinas y se encarga de calcular un valor de salida para enviarla al resto de neuronas, estas señales de entrada provienen de los sensores los cuales permitirán a la neurona su activación a partir de las señales que ha recibido, lo cual servirá para la activación de la red neuronal. En cambio las unidades de salida de la información de una neurona se encargaran de emitir una señal que sera enviada fuera de sistema neuronal y hacia la entrada de otra neurona por medio de la sinapsis. El cuerpo neuronal se encarga de la producción de la función de activación que permitirá que la información se envié  a otras neuronas para que exista comunicación. 

Imagen 2: Modelo de neurona artificial

Estructura básica de la red

Las neuronas artificiales se conectan entre si formando un patrón de conectividad o arquitectura de red, esta interconexión de neuronas actúa como una ruta de comunicación entre las distintas capas con las que cuenta la red neuronal, la cual se agrupa en tres capas llamadas también unidades estructurales, en donde capa cuenta con neuronas que suelen ser del mismo tipo. Cada capa tiene una función especifica durante el proceso de comunicación y esta funciones suelen ser:

Aprendizaje

El aprendizaje es la parte mas importante de las redes neuronales artificiales, cada esquema de aprendizaje determina el tipo de problema al que se enfrentara la red neuronal, existen tres conceptos fundamentales en el aprendizaje de las neuronas artificiales, los cuales son:

Dentro de los paradigmas de aprendizaje podemos encontrar dos tipos de aprendizaje que determinar la función de la red, estos tipos son:

La ventaja de estos procesos de aprendizaje es que una vez que la red ha aprendido podrá funcionar como un modo de recuerdo o de ejecución sin la necesidad de que estos procesos se lleven mucho tiempo. 

CONCLUSIÓN

Las redes neuronales artificiales son un gran avance en el campo de la inteligencia artificial ya que ayuda a resolver de una mejor manera los problemas en los que encuentre los agentes de la forma en la que el cerebro humano lo realiza, aunque para realizar estos procesos sea necesario de mucho tiempo, las ventajas de estas redes neuronales han demostrado ser satisfactorias y se espera que se puedan crear sistema con redes neuronales artificiales capaces de adaptarse a cualquier entorno.

BIBLIOGRAFÍA 

Isasi, P y Galván,I. 2004. Redes neuronales artificiales: Un enfoque práctico. 1 ed. España.  Pearson Education. p 248