Una de las características más significativas de las redes neuronales es su capacidad

para aprender a partir de alguna fuente de información interactuando con su entorno. En

1958 el psicólogo Frank Ronsenblant desarrolló un modelo simple de neurona basado en
el modelo de McCulloch y Pitts y en una regla de aprendizaje basada en la corrección del
error. A este modelo le llamó Perceptrón. Una de las características que más interés
despertó de este modelo fue su capacidad de aprender a reconocer patrones.
El Perceptrón está constituido por conjunto de sensores de entrada que reciben los
patrones de entrada a reconocer o clasificar y una neurona de salida que se ocupa de
clasificar a los patrones de entrada en dos clases, según que la salida de la misma se
1(activada) o 0 (desactivada). Sin embargo, dicho modelo tenía muchas limitaciones,
como por ejemplo, no es capaz de aprender la función lógica XOR. Tuvieron que pasar
unos años hasta que se propusiera la regla de aprendizaje de retropropagación del error
para demostrarse que el Perceptrón multicapa es un aproximador universal.
Aprendizaje es un proceso por el cual los parámetros libres de una red neuronal son
ajustados a través de un proceso continuo de estimulación por parte del entorno en
donde se sitúa el sistema. El tipo de aprendizaje es determinado por la forma o manera
que tienen lugar dichos cambios.

 Esta definición implica la siguiente secuencia de hechos:

 La red neuronal se encuentra estimulada por el entorno.
 La red neuronal cambia como consecuencia de dicho estímulo.
 La red neuronal responde de manera diferente al entorno a causa de los cambios que
se han producido en su estructura interna.

La ecuación que especifica como cambian los pesos, recibe el nombre de Ley de
Aprendizaje.

El aprendizaje es el proceso por el cual una red neuronal modifica sus esos en respuesta
a una información de entrada. Los cambios que se producen durante un proceso de
aprendizaje son la destrucción, modificación y creación de conexiones entre las neuronas.

W = o Destruccion; W > o Creacion de Aprendizaje

Hay dos vías:

No adaptivo: se determina de antemano cual será el valor de los pesos.

Adaptivo : No existe forma para determinar de antemano los pesos, por lo que se
necesita un proceso iterativo:

Wi(t) = Wi(t − 1) + ∆Wi

TIPOS O MODOS DE APRENDIZAJE.

  Aprendizaje Supervisado.
 Aprendizaje Sin Supervisar.
Aprendizaje Supervisado: Necesita un Maestro que mida el funcionamiento del sistema.

 Aprendizaje por Corrección de Error.

 Aprendizaje por Refuerzo.
 Aprendizaje Estocástico.
Aprendizaje Sin Supervisar: No se necesita Maestro. El sistema debe organizarse a si
mismo y por si sólo. Aprendizaje por Hecho.

Aprendizaje por Corrección de Error

El entrenamiento consiste en presentar al sistema un conjunto de pares de datos,

representado la entrada y la salida deseada para dicha entrada. Este conjunto recibe el
nombre de conjunto de entrenamiento.

Entrada Salida
NEURONAL Comparador