INTRODUCCIÓN
Una
parte muy indispensable en la neurona artificial es la capacidad autoaprendizaje
para que la neurona pueda llevar a cabo sus objetivos, para lo cual este
aprendizaje tiene algunas características y esquemas que debe cumplir, las
cuales se resumirán en el siguiente informe.
APRENDIZAJE
El
aprendizaje es la parte más indispensable en una neurona artificial, el esquema
de aprendizaje de una red es lo que determina el tipo de problemas que ser
capaz de resolver. La capacidad de una red para resolver un problema estará ligada
de forma fundamental al tipo de ejemplos que dispone en el proceso de
aprendizaje. El aprendizaje debe poseer las siguientes características:
·
Ser
Significativo. Debe haber un número suficiente de
ejemplos. Si el conjunto de aprendizaje es reducido, la red no será capaz de
adaptar sus pesos de forma eficaz.
· Ser representativo. Los componentes del conjunto de
aprendizaje deberán ser diversos. Si un conjunto de aprendizaje tiene muchos
más ejemplos de un tipo que del resto, la red se especializara en dicho subconjunto
de datos y no será de aplicación general. Es importante que todas las regiones
significativas del espacio de estados estén suficientemente representadas en el
conjunto de aprendizaje.
Dependiendo
del esquema de aprendizaje y del problema a resolver, se pueden distinguir tres
tipos de esquemas de aprendizaje:
Aprendizaje supervisado. En
este tipo de esquemas, los datos del conjunto de aprendizaje tiene dos tipos de
atributos: los datos propiamente dichos y cierta información relativa a la
solución del problema.
Aprendizaje no supervisado. Los
datos del conjunto de aprendizaje solo tienen información de los ejemplos, y no
hay nada que permita guiar en el proceso de aprendizaje. En este caso, no
existe profesor externo que determine el aprendizaje. La red modificara los
valores de los pesos a partir de la información interna.
Aprendizaje por refuerzo Es
una variante del aprendizaje supervisado en el que no se dispone de información
concreta del error cometido por la red para cada ejemplo de aprendizaje, sino
que simplemente se determina si la salida producida para dicho patrón es o no
adecuada. En este caso el conjunto de aprendizaje está compuesto por ejemplos
que contienen los datos y sus salidas deseadas.
CONCLUSION
La neurona
artificial en si necesita aprender, esto es lo que las hace inteligentes, para
lo cual debe de llevar ciertos pasos para resolver algún problema, ya sea que
solo se le brinde muy poca información, sea capaz resolver cualquier problema.
BIBLIOGRAFIA
Isasi, P; Galván, I; 2004. Redes de Neuronas Artificiales
Un Enfoque Práctico. Madrid España.
Salas, R. 2008. Redes Neuronales Artificiales. (En Linea). Formato PDF.
Disponible en:
http://www.inf.utfsm.cl/~rsalas/Pagina_Investigacion/docs/Apuntes/Redes%20Neuronales%20Artificiales.pdf
No hay comentarios:
Publicar un comentario