1. Redes
Neuronales
Mgr Pablo Eduardo
Caicedo R.

2. ¿Qué es una red neuronal?
 Es un paradigma de procesamiento.
 Inicialmente inspirado en el modo de
procesamiento del cerebro humano.
 El elemento clave es la ESTRUCTURA
 Como su nombre lo indica están
compuestas por elementos de
procesamiento o neuronas

3. ¿Qué es una red neuronal?
 Las redes neuronales actuales se basan
en el modelo matemático de McCulloch-
Pitts propuesto en 1943
1
1x
2x
Dx
g
y
1w
2w
0w
Dw

4. Neurona McCulloch-Pitts
1 2, , , Dx x x
y
0 1 2, , , , Dw w w w
Entradas
Salida
Pesos

5. Neurona McCulloch-Pitts
0
1
0
1 0
( )
D
i i
i
D D
T
i i i i
i i
y g a
a w x w
y g w x w g w x g w x
0 1x

6. Función de Activación
2
2
2
0 cuando 0
Escalón
1 cuando 0
Lineal
1
Sigmoidea
1
Tangente hiperbólica
Gaussi
a
a a
a a
a
a
g a
a
g a a
g a
e
e e
g a
e e
g a e ana

7. Neurona McCulloch-Pitts
 Topología: Número de neuronas y como
están conectadas entre si.

8. Tipos Básicos de Problemas
Clasificación
Consiste en crear un procedimiento
mediante el cual un nuevo caso
representado por unas características que
constituye la entrada de la RNA, se asigne
a un conjunto de clases predefinidas.

9. Tipos Básicos de Problemas
 Regresión
Son problemas ajuste
de funciones, es
decir, se trata de
obtener un número en
función de los atributos
de entrada a la red, o
es lo mismo, encontrar
una función continua
de ciertas variables

10. Proceso de Entrenamiento o
Aprendizaje
 Se puede ajustar cualquier función
contínua si existe suficientes neuronas
(teóricamente)
 Este ajuste se da por medio de la
sintonización de los parámetros ajustables
de la red (peso sinápticos)

11. Proceso de Entrenamiento o
Aprendizaje
 El entrenamiento es la modificación de
los pesos sinápticos.
 El objetivo es conseguir una mejora en el
rendimiento.
 Está basado, al igual que el
entrenamiento humano, en el uso de
ejemplos representativos del problema

12. Proceso de Entrenamiento o
Aprendizaje
 A estos ejemplos se les conoce como
Conjunto de entrenamiento.
 El objetivo no es memorizar la
entrada/salida del sistema sino modelar
 Para ello se necesita que el conjunto de
entrenamiento sea suficientemente
representativo

13. Proceso de Entrenamiento o
Aprendizaje
 Si esto se cumple la red puede
generalizar, es decir puede manejar
datos que no hayan sido entrados
anteriormente
1
,
N
n n
n
X x tEl conjunto de entrenamiento
se puede representar así:
Vector entradas
Vector salidas deseadas

14. Proceso de Entrenamiento o
Aprendizaje
 Es por tanto que el proceso de
aprendizaje es el ajuste de los pesos de
manera tal que la salida actual tienda a
las salidas deseadas
 Esto implica que debe minimizar el error
que presenta

15. Proceso de Entrenamiento o
Aprendizaje
 La función de error se define según el
problema que se desea resolver
,
2
1
,
1 1
1
n k
N
n n
n
N C
t
n k
n k
E y t
N
E y