| Resumen: | 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 |