INTRODUCCIÓN A LAS REDES NEURONALES ARTIFICIALES

1. UNIDAD 5 INTRODUCCIÓN A LAS REDES NEURONALES ARTIFICIALES

4. Funciones de transferencia Esta función se utiliza en el Perceptron para crear neuronas las cuales toman decisiones de clasificación. Cuando este tipo de función ( hardlim ) toma en cuenta un cierto umbral su salida se incrementará de 0 a 1 cuando p exceda un valor dado por -b/w .

7. 5 .2.2 Neurona de Múltiples Entradas

14. 5.3.2 Red neuronal de Múltiples Capas

15. Red neuronal con varias capa de neuronas (forma condensada)

16. Redes Monocapa: l 1 l n l 2 Las redes monocapa se utilizan típicamente en en tareas relacionadas en lo que se conoce como autoasociación: por ejemplo, para regenerar informaciones de entrada que se presentan a la red incompletas o distorsionadas . P/ejemplo Hopfield, BSB, Learnig Matrix

17. Redes Multicapa: Redes con conexiones hacia delante (feedforward) Este tipo de redes son especialmente útiles en aplicaciones de reconocimiento o clasificación de patrones. En este tipo de redes, todas las señales neuronales se propagan hacia adelante a través de las capas de la red. No existen conexiones hacia atrás y normal- mente tampoco autorrecurrentes, ni laterales.

18. Redes con conexiones hacia adelante y hacia atrás (feedforward / feedback): En este tipo de redes circula información tanto hacia adelante como hacia atrás durante el funcionamiento de la red. Para que esto sea posible, existen conexiones feedforward y conexiones feedback entre las neuronas. P/ ejemplo: ART, BAM, CABAM.

19. Redes Con Conexiones Hacia Adelante Y Hacia Atrás (feedforward / Feedback) También existen algunas que tienen conexiones laterales entre neuronas de la misma capa. Estas conexiones se diseñan como excitadores (con peso positivo) o inhibidoras (con peso negativo), estableciendose una competencia entre las neuronas correspondientes.

20. Topologías de redes neuronales.

21. Redes de una sola capa Feedforward

23. Redes Multicapa Feedforward

25. Redes Competitivas

27. Red completamente Recurrente

29. Otra Red Recurrente

31. Red Recurrente Simple

42. Aprendizaje Por Reforzamiento

43. Aprendizaje por Reforzamiento Se basa en la idea de no disponer de un ejemplo completo del comportamiento deseado, es decir, la función del supervisor se reduce a indicar mediante una señal de refuerzo si la salida de la red se ajusta a la deseada (éxito=1, fracaso=-1) y en función de ello se ajustan los pesos basándose en un mecanismo de probabilidades.

54. Ejemplos de Redes con Aprendizaje Competitivo y Cooperativo LVQ ART

58. Red neuronal de tipo feedforward .

59. Red neuronal de tipo feedforward .

60. Conexiones con propagación hacia atrás en RNA

61. Red neuronal de tipo recurrente