Artículos de Introducción a las RNAs

La mayoría de las neuronas consisten en un cuerpo de célula más un axón y muchas dendritas. Una neurona no hace nada, a menos que la influencia colectiva de todas sus entradas alcance un nivel de umbral. Siempre que se alcanza tal umbral, la neurona produce una salida de potencia completa, que consiste en un pulso estrecho que se desplaza del cuerpo de célula, por el axón, hasta las ramas de éste, en este caso se dice que la neurona de dispara.
Debido a que una neurona se dispara o no hace nada, se dice que este es un dispositivo de todo o nada.

La neurona recoge las señales por su sinapsis sumando todas las influencias excitadoras e inhibidoras. Si las influencias excitadoras positivas dominan, entonces la neurona da una señal positiva y manda este mensaje a otras neuronas por sus sinapsis de salida. En este sentido la neurona puede ser modelada como una simple función escalón f().

La principal característica importante de las Redes Neuronales es su capacidad para aprender de su ambiente, y mejorar su desempeño a través del aprendizaje. Una Red Neuronal aprende acerca de su ambiente a través de un proceso interactivo de ajustes de sus pesos sinápticos y niveles de sesgo (bias).

La siguiente es la secuencia de eventos que ocurren durante el aprendizaje:
1. Estimulación de la red Neuronal por un ambiente.
2. La red neuronal sufre cambios en sus parámetros libres como resultado de dicha estimulación.
3. La red neuronal responde de manera diferente al ambiente debido a los cambios que ocurrieron en su estructura interna

Se define como algoritmo de aprendizaje al conjunto de reglas bien definidas para la solución de un problema de aprendizaje, existe gran variedad de algoritmos de aprendizaje teniendo cada uno sus propias ventajas.
Los algoritmos de aprendizaje difieren entre sí en la forma como se formulan los cambios en los pesos sinápticos.

Resumen por Daniel Fariña Hernández

¿Cómo decidir cuándo debemos modificar los pesos sinápticos y cuándo el umbral de activación?

Las Redes Neuronales Artificiales o RNA consiste en una interconexión de neuronas o “nodos” que colaboran entre sí para obtener una salida determinada. Se basan en la simulación de las propiedades observadas en sistemas neuronales biológicos siguiendo una serie de modelos matemáticos mediante el empleo de mecanismos artificiales (circuitos integrados). Su objetivo es proporcionar una respuesta similar a la que es capaz de dar el cerebro.

La unidad de estas redes es la neurona. Dicha neurona se compone de sendas entradas con un peso sináptico asociado y la salida está determinada por tres funciones que son la función de propagación, consistente en el sumatorio de dichos pesos; la función de activación, que modifica la anterior y una función de transferencia para acotar la salida de la neurona basándose en un umbral de propagación.

Sus ventajas principales. Las RNA tienen capacidad para aprender, mantiene cierta tolerancia a errores, así como capacidad de auto organización y su implementación en dispositivos especiales pueden proporcionar las respuestas deseadas en tiempo real.

Los modelos de aprendizajes principales son el aprendizaje supervisado, necesitando un conjunto de datos de entrada (patrones) previo y el no organizado, que no necesitan datos de entrada.

Resumen por Rubén García García

Sigo sin poder hacerme una idea de cómo funcionan realmente los algoritmos de aprendizaje. ¿Se podría estudiar mejor analizando estos algoritmos programados en C? Aún no he visto nada, pero intrigado me dejan