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.
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:
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.
Isasi, P. y Galván, I. 2004. Redes Neuronales Artificiales: Un enfoque Práctico. Madrid, Esp. pág. 26.
No hay comentarios.:
Publicar un comentario