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.