http://answermath.com/neural-networks/tutorial-esp-1contenido.htm Concepto: Que es una Red Neuronal (Neural, Neural Networks) ?

? Es un sistema compuesto por un gran nmero de elementos bsicos (Artificial Neurons), agrupados en capas (Layers) y que se encuentran altamente interconectados (Synapses); Esta estructura posee varias entradas y salidas, las cuales sern entrenadas para reaccionar (valores O), de una manera deseada, a los estmulos de entrada (valores I). Estos sistemas emulan , de una cierta manera, al cerebro humano. Requieren aprender a comportarse (Learning) y alguien debe encargarse de ensearles o entrenarles (Training), en base a un conocimiento previo del entorno del problema.

Aplicacin: Para que son tiles las Redes Neuronales (Neural Networks) ? Esta tecnologa es muy til en unos pocos y muy especiales problemas. A grandes rasgos, estas aplicaciones son aquellas en las cuales se dispone de un registro de datos y nadie sabe exactamente la estructura y los parmetros que pudieran modelar el problema. En otras palabras, grandes cantidades de datos y mucha incertidumbre en cuanto a la manera de como estos son producidos.

Como ejemplos de las aplicaciones de las redes neuronales (Neural Networks) se pueden citar: las variaciones en la bolsa de valores, los riesgos en prstamos (Forecasting), el clima local, el reconocimiento de patrones en rostros (Face Pattern Recognition) y la minera de datos (data mining). Diseo: Cmo se construyen las Redes Neuronales (Neural Networks) ? Se pueden realizar de varias maneras. Por ejemplo en hardware utilizando transistores a efecto de campo (FET) o amplificadores operacionales, pero la mayora de las RN se construyen en software, esto es en programas de computacin. Existen muy buenas y flexibles herramientas disponibles en internet que pueden simular muchos tipos de neuronas (Neurons), conexiones sinpticas (Synapses) y estructuras. Aspectos a considerar en la red neuronal: Elemento bsico. Neurona artificial. Pueden ser con salidas binarias, anlogas o con codificacin de pulsos (PCM). Es la unidad bsica de procesamiento que se conecta a otras unidades a travs de conexiones sinpticas (Synaptic Connection). La estructura de la red. La interconexin de los elementos bsicos. Es la manera como las unidades bsicas se interconectan. Un ejemplo de como se combinan los aspectos mencionados es el perceptrn multicapa (Multi-Layer Perceptrn), entrenado con el algoritmo del "backpropagation". Se trata de una red compuesta por varios estratos de

neuronas con respuestas basadas en funciones exponenciales, y cuyas conexiones sinpticas se determinan de manera de minimizar un error cuadrtico medio. Otro ejemplo es el mapa auto-organizado de Kohonen (Self-organizing Map), en el cual slo se requiere conocer la salida del sistema. Elemento bsico. Neurona artificial (Artificial Neuron). Un neurona artificial es un elemento con entradas, salida y memoria que puede ser realizada mediante software o hardware. Posee entradas (I) que son ponderadas (w), sumadas y comparadas con un umbral (t).

s = I1 * w1 + I2 * w2 + + In * wn - t o = f (s)

La seal computada de esa manera, es tomada como argumento para una funcin no lineal (f), la cual determinar el tipo de neurona y en parte el tipo de red neuronal (Neural Network). Esta funcin puede tener diferentes formas, siendo la ms comun la funcin sigmoidal (Sigmoid Function). A continuacin se presentan algunos ejemplos:

La estructura de la red (Neural Network). La interconexin de los elementos bsicos. Es la manera como las unidades(artificial neurons) comunican sus salidas a las entradas de otras unidades. Por lo general estas estn agrupadas en capas (layers), de manera tal, que las salidas de una capa estn completamente conectadas a las entradas de la capa siguiente; en este caso decimos que tenemos una red completamente conectada. Es posible tener redes en las cuales slo algunas de las unidades estn conectadas, tambin podemos tener conexiones (Synapses) de realimentacin, conectando algunas salidas hacia entradas en capas anteriores (no se confunda esto con el "back propagation").

Para obtener un resultado aceptable, el nmero de capas debe ser por lo menos tres. No existen evidencias, de que una red con cinco capas resuelva un problema que una red de cuatro capas no pueda. Usualmente se emplean tres o cuatro capas. Aprendizaje. El proceso de entrenamientolas Redes Neuronales (Neural Networks Training). Este proceso consiste en una adaptacin progresiva de los valores de las conexiones sinpticas (Synaptic Connections), para permitir a la Red Neuronal (Neural Network) el aprendizaje de un comportamiento deseado. Para lograr esto, alimentamos a la red con una entrada de los datos de entrenamiento, comparamos la salida de la red con la salida de los datos de entrenamiento; la diferencia se usa para computar el error (cuadrtico medio) de la respuesta de

la red. Con un algoritmo apropiado (como el "Backpropagation") es posible retocar los valores de los pesos sinpticos con el fin de reducir el error. Estas correcciones deben realizarse varias veces o ciclos, para todo el conjunto de entradas-salidas de los datos de entrenamiento.

Ejecucin. Comportamiento final de la Red Neuronal (Neural Network).

Para este trabajo debemos disponer de una red entrenada. Es posible alimentar a este sistema con una nueva entrada (nunca antes vista), una situacin nueva, y nuestra Red Neuronal (Neural Network) producir una respuesta razonable inteligente en sus salidas. Puede tratarse de la prediccin de un valor en la bolsa en ciertas circunstancias (Forcasting), el riesgo de un nuevo prstamo, una advertencia sobre el clima local la identificacin de una persona en una nueva imagen (Pattern Recognition). Es sencillo, pero funciona El futuro de las Redes Neuronales (Neural Networks) estar determinado en parte por el desarrollo de chips ad hoc, avances en la computacin ptica/paralela y tal vez en un nuevo tipo de unidad qumica de procesamiento.