1. Desarolle apartir de la definicion de la pagina 8, de las notas de la universidad OWC con cual concepto se identifican mas ?

2. Que impacto tuvo el articulo de Minsky y Papert en las redes neuronales artificiales ?

3. Que realacion tiene los pesos sinapticos con el aprendizaje

   
   

4. Que relacion hay entre el aprendizaje , las redes neuronales artificiales y la memoria

5. En que consisten un perceptron, cuales son sus caracteristicas, para que problemas son utiles ?

6. Explique en que consiste la regla de aprendizaje de Hebb

Fabian Panameño Mosquera - 2261760

Deicy Valentina Otero - 2261576

Julian Agudelo Pino - 2261356 

Santiago Saavedra-2261307

Harold Villalba - 2261749

El aprendizaje y las redes neuronales

Por parte del texto consideramos que la definición con la que nos identificamos en mayor medida es con la que afirma qué los sistemas de procesado de la información tiene características de funcionamiento comunes con las redes neuronales biológicas. De esta manera el ser humano intenta acercar a algo un poco más natural el concepto de redes neuronales artificiales, resultando así que sea más fácil llegar a procesar la información de manera lógica, ya qué hace parte de un conjunto de procesamiento llamado nodo o neurona,  conectadas a través de un valor numérico modificable conocido como peso sináptico. 

Los pesos sinápticos varían según el conocimiento que proporciona, la efectividad sináptica se incrementa repetida activación de las neuronas, en consecuencia el proceso de aprendizaje se ve fuertemente influenciado por el peso sináptico que hay entre las neuronas ya que estos pesos dicen cual es la información con más relevancia para el aprendizaje. Por ejemplo, cuando aprendes a resolver una ecuación lo más importante será aprender el método, así que el peso sináptico de las neuronas que procesan esa información aumentará. 

 Las redes neuronales artificiales (RNA), tienen como base las redes neuronales biológicas (RNB) las cuales usan los pesos sinápticos para realizar el proceso de aprendizaje. Dado que las RNA usan el mismo principio para poder aprender, las RNA aprenden por medio de los pesos sinápticos; las RNA “memorizan” la información más importante a partir de ejemplos dado por nosotros, mediante este proceso de aprendizaje el ya puede saber cuales son las principales características de entrada, el proceso para dar la salida esperada. 

Un método que se usa por lo general cuando hablamos de redes neuronales es la regla de hebb que es un tipo de aprendizaje no supervisado es decir no se necesita de ningún maestro en el que las conexiones entre dos neuronas se incrementan si ambas se activan al mismo tiempo.

Hebb determina una de las reglas de aprendizaje más usadas en la regla del conexionismo y se conoce con el nombre de hebbiano. Hebb sigue lo sugerido por Ramón y Cajal al afirmar que la efectividad de una sinapsis variable entre dos neuronas se incrementa por una repetida activación de una neurona sobre otra a través de esta sinapsis.

Lastimosamente a lo largo de la historia, la inteligencia artificial no siempre tuvo buenos aportes, algunos de ellos retardaron la evolución de este como El trabajo de Minsky y Papert llamado “Perceptrons” que detuvo la evolución de la inteligencia artificial durante 10 años, debido a que en este se criticaba las limitaciones de los perceptrones. se demostró que los perceptrones solo podían resolver problemas linealmente separables, que eran los menores. Este Trabajo plantea la absoluta inutilidad práctica de los perceptrones retrasando así el avance en la investigación de este campo. Minsky y Papert fueron criticados por esto, además que luego se desmintieron las conjeturas de su trabajo.

Son muchos los conceptos y ejemplos que a lo largo de los años vamos conociendo o escuchamos acerca de las redes neuronales, pero uno que puede destacar es el siguiente.

Una red neuronal es un modelo computacional, paralelo, compuesto de unidades procesadoras adaptivas con una alta interconexión entre ellas{Hassoun-95}.

Ya que estos son sistemas de procesamiento de la información cuya estructura y funcionamiento están inspirados en las redes neuronales bilógicas.

Fue tan grande el impacto de la investigación del articulo de minsky y papert que (matemáticamente) hicieron caer en cuenta a muchas personas las fallas o lo incapaces que eran los Perceptrons a la hora de resolver problemas relativamente fáciles, tales como el aprendizaje de una función no-lineal. Con esto demostraron que el Perceptrons era muy débil con funciones no-lineales que se emplean en computación y en problemas del mundo real .

Teniendo en cuenta lo escrito hasta el momento nos topamos con el tema del aprendizaje y los pesos sinápticos que sin ser unos expertos diríamos qué relación tienen estos, pero yendo más allá nos daremos cuentas de sus similitudes y como se pueden relacionar.

la forma de relación que se encuentra es el auto aprendizaje ya que para un niño o una persona aprender algo tiene que repetirlo, repetirlo hasta lograrlo y esto mismo pasa con los pesos sinápticos ya que al tener las conexiones entre dos neuronas estas se incrementaran si ambas se activan al mismo tiempo. en su postulado de aprendizaje, Hebb sigue lo sugerido por Ramon y Cajal al afirmar que la efectividad de una sinapsis variable entre dos neuronas se incrementa por una repetida activación de una neurona sobre otra a través de esta sipnapsis.

Con esto llegamos a la relación entre el aprendizaje, las redes neuronales artificiales y la memoria. Su relación es la interconectividad que poseen en distintas formas, teniendo en cuenta que las redes neuronales artifíciales están inspiradas en el funcionamiento del cerebro humano y se utiliza para el aprendizaje automático, además la memoria en las redes neuronales se puede entender como la capacidad de retener y recuperar la información aprendida similar a como trabajar el cerebro humano 

Como ya lo mencionamos antes ahora procedemos a explicarlo, El Perceptron.

Un perceptrón es una neurona artificial, indispensable para las redes neuronales del Deep Learning.

Un perceptrón es una neurona artificial, y, por tanto, una unidad de red neuronal. El perceptrón efectúa cálculos para detectar características o tendencias en los datos de entrada.

El perceptrón desempeña un papel esencial en los proyectos de Machine Learning. Se utiliza en gran medida para clasificar datos, o como algoritmo que permite simplificar o supervisar las capacidades de aprendizaje de los clasificadores binarios. 

Recordemos que el aprendizaje supervisado consiste en enseñar a un algoritmo a hacer predicciones. Para conseguirlo, se alimenta el algoritmo con ayuda de datos que ya están etiquetados correctamente.

La regla de aprendizaje del perceptrón

Según la Perceptron Learning Rule (regla de aprendizaje del perceptrón), el algoritmo enseña automáticamente los coeficientes de peso óptimo. Para determinar si una neurona “se enciende” o no, las características de los datos de entrada se multiplican por esos pesos

El perceptrón recibe múltiples señales de entrada. Si la suma de las señales supera un umbral determinado, se produce una señal o, por el contrario, no se emite ningún resultado. 

En el marco del método de aprendizaje supervisado de Machine Learning, es lo que permite predecir la categoría de una muestra de datos. Por tanto, se trata de un elemento esencial.

La función del perceptrón

En realidad, el perceptrón es una función matemática. Los datos de entrada (x) se multiplican por los coeficientes de peso (w). El resultado es un valor.

Ese valor puede ser positivo o negativo. La neurona artificial se activa si el valor es positivo. Solo se activa si el peso calculado de los datos de entrada supera un umbral determinado. 

El resultado predicho se compara con el resultado conocido. En caso de diferencia, el error se retropropaga para permitir ajustar los pesos.

Perceptrón y redes neuronales

© 2024 DataScientest — Todos los derechos reservados

regla de aprendizaje de Hebb

La idea básica detrás de la regla de Hebb es que, si dos neuronas se activan de manera sincronizada repetidamente, la fuerza de la conexión sináptica entre ellas aumenta, lo que provoca que, en el futuro, la activación de una de las neuronas aumentará la probabilidad de que la otra también se active.

© 2024 PsicoActiva.com: Psicología, test y ocio Inteligent

• Kevin Mosquera Lince. 2157569

• Javier Alexander Paredes Ibarguen. 2158037

• Shamuel David Agrace Ordoñes. 2157795

• Jose Gabriel Trejos Portocarrero. 2157631

Como camino para entender el comportamiento del cerebro y del ser humano desde hace años se ha venido planteando y desarrollando lo que se conoce como redes neuronales artificiales, el cual es un tema de gran importancia que ha crecido en los ultimos años debido a la utilidad en distintos ambitos como el cientifico y tecnologico de igual manera en el desarrollo de la IA.

A lo largo de los años las redes neurales artificiales han tenido distintos conceptos dados por diferentes autores, todos bajo el punto de vista de cada uno, entre los cuales podemos destacar por opinion personal:

• "Modelos matemáticos desarrollados para emular el cerebro humano" [Chen - 98].

  
  

Pero por la definicion expuesta por el autor Fausett nos intereso y estamos mas de acuerdo y nos identificamos mas por el siguiente manifiesto:

• "Sistema de procesado de la informacion que tiene caracteristicas de funcionamiento comunes con las redes neuronales biologicas" [Fausett - 94].

  
  

Incluso, al momento de hacer una revisión en la historia del desarrollo de la IA y las redes neuronales artificiales (RNA's) podemos mencionar el enorme error por parte de 2 investigadores que supuso el estancamiento por 10 años en el avance de la inteligencia artificial y el desarrollo de perceptrones, los cuales son Minsky y Papert. Estos dos autores realizarón un articulo en el cual se mencionaba el como los perceptrones encontraban limitaciones en el desarrollo de conexiones para los cuales estaban planeados en un inicio, por lo cual a raiz de esto se produjo lo que hoy se conoce como un estancamiento de una decada por parte del desarrollo de RNA's.

Durante el proceso de aprendizaje que tiene un modelo de redes neuronales es parecido al de un ser humano, variando entre distintos tipos de formas de aprendizaje, desde prueba y error hasta correciones, pero en el caso de las RNA's podemos mencionar la importancia en el proceso que esta tiene en su aprendizaje la variación de los pesos sinapticos que se les proporcione, de tal manera que, dependiendo de que pesos se les de, asi mismo la red podra o no aprender nuevas cosas.

El perceptron o neurona artificial es el equivalente de neurona biologica en las redes neuronales, esta consiste en 4 elementos básicos los cuales son los pesos sinapticos que son claves en el comportamiento de la neurona, estas pueden presentar un signo positivo o uno negativo, tambien cuenta con un sumador que como su nombre lo indica se encarga de sumar todas las entradas multiplicadas por los pesos sinapticos, una función deactivación no lineal y un umbral exterior que determina el umbral o punto de comparación en el cual el perceptron se activará.

La regla de Hebb consiste en variantes- temporales con mayor interactividad incrementando así su eficacia sináptica como una función de la actividad pre y post sináptica. Teniendo en cuenta que es un tipo de aprendizaje no supervisado ya que no requiere de ningún "maestro" así obteniendo un mayor incremento cada que dos neuronas se activan al mismo tiempo no obstante si no es así su eficacia (peso sináptico) se atenuará.

William Esteban Giraldo Bedoya 2261439

Favian Esteven Saa Valencia - 2261610

Jose Benildo Obregon Vallecilla - 2261371

Las redes neuronales intentan modelizar el funcionamiento del cerebro. Lo primero que se desarrolla es el concepto de la neurona, que gracias a su gran número de interconexiones es posible que sea eficiente y rápido el procesamiento de datos. Al igual que el cerebro humano, las redes neuronales artificiales no podrían funcionar solas, además de que las RNA dependen de datos de entrada y salida deseada para su entrenamiento, dividiéndose entre el aprendizaje supervisado y el no supervisado, siendo el primero el cual necesita de un supervisor que verifique si las salidas son las que ellos esperan o si en dado caso está cometiendo errores, en ciertos casos corrigiéndolos. En el modo no supervisado es diferente porque este busca encontrar ciertos patrones para ir agrupando las entradas.

Es necesario recordar sobre la capacidad de las RNA, al igual que el cerebro humano, para adaptarse frente al ruido de las entradas. En el cerebro humano, la plasticidad es esencial para adaptarse a los posibles cambios y ruidos. En el contexto de las RNA, la adaptación al ruido está relacionado con la capacidad de generalizar patrones a partir de los datos de entrada. Los dos sistemas, tanto el del cerebro humano, como las RNA buscan lograr la adaptabilidad, aunque se debe tener en cuenta que el cerebro humano cuenta con una mayor flexibilidad y capacidad de adaptación al ruido.

Una duda que surge con respecto a las redes neuronales artificiales es la relación que tienen esta con el aprendizaje y la memoria, pues bien sabemos que una red neuronal artificial se puede describir como Modelos matemáticos desarrollados para emular el cerebro humano, con esta definición podemos decir que una red neuronal artificial tiene tanto aprendizaje como memoria ya que emula al cerebro humano el cual las posee, esto no se puede afirmar de esta manera, para eso necesitamos saber cada una de las definiciones a los conceptos tratados en esta relación.

Lashley destaca que el proceso de aprendizaje es un proceso distribuido y no local a una determinada área del cerebro, esto quiere decir que el cerebro humano usa diversas áreas para desarrollar el aprendizaje del humano.

Con esta definición dada podemos sacar una seria de conclusiones. Si bien las redes neuronales artificiales se inspiran en el cerebro humano y pueden emular ciertos aspectos de su funcionamiento, no necesariamente poseen aprendizaje y memoria de la misma manera que el cerebro humano. En el contexto de las redes neuronales artificiales, el aprendizaje se refiere al proceso de ajustar los pesos de las conexiones entre neuronas para mejorar el rendimiento en una tarea específica, mientras que la memoria se puede simular almacenando información en los pesos y arquitectura de la red. Sin embargo, estas son simplificaciones y no reflejan completamente la complejidad del aprendizaje y la memoria en el cerebro humano, que involucran procesos distribuidos y multifacéticos en diferentes áreas cerebrales, como señala Lashley.

Existen varias reglas/modelos de aprendizaje neuronales, como lo son la regla de Hebb y perceptron. Mientras que la regla de Hebb consiste en un principio en neurociencia de aprendizaje no supervisado en el que las conexiones entre dos neuronas se incrementan si ambas se activan al mismo tiempo. O sea, cuando una célula nerviosa A activa repetidamente a otra célula nerviosa B, la unión entre ellas se fortalece. Con esto podemos decir que la actividad repetida entre dos neuronas conduce a un aumento en la eficacia de la transmisión de señales entre ellas, siendo fundamental en el estudio de la plasticidad sináptica y el aprendizaje en el cerebro. El perceptron Consiste en un tipo de modelo de aprendizaje que se utiliza para problemas de clasificación binaria. Parte de una red de una sola capa con nodos de entrada y nodos de salida y utiliza la función de activación para clasificar datos.

Otra de las relaciones que posee el parendizaje son con los pesos sinápticos, esta relación es fundamental en el funcionamiento de las redes neuronales y se basa en la plasticidad sináptica. Los pesos sinápticos son valores asociados a las conexiones entre neuronas y determinan la fuerza de la influencia de una neurona sobre otra.

Durante el proceso de aprendizaje en una red neuronal, los pesos sinápticos se ajustan para optimizar el rendimiento de la red en una tarea específica. La modificación de estos pesos se realiza mediante algoritmos de aprendizaje que buscan minimizar la diferencia entre las salidas predichas por la red y las salidas deseadas.

Dos reglas de aprendizaje comunes relacionadas con la modificación de pesos sinápticos son:

1. Regla de Hebb: Como mencionado anteriormente, sugiere que, si dos neuronas están activadas simultáneamente, la conexión sináptica entre ellas se fortalecerá.

2. Regla delta o de Widrow-Hoff (también conocida como regla del perceptrón): Se basa en la corrección de errores. Si la red produce una salida incorrecta, los pesos se ajustan para reducir el error en la predicción.

En resumen, la relación entre los pesos sinápticos y el aprendizaje implica la capacidad de la red neuronal para adaptarse y mejorar su rendimiento a lo largo del tiempo mediante la modificación de las conexiones sinápticas. Este proceso refleja la plasticidad sináptica, que es esencial para la capacidad de aprendizaje y la adaptación de las redes neuronales.

Con respecto a las redes neuronales se han hecho muchos artículos, uno de ellos es el articulo de Minsky y Papert. El artículo tuvo un impacto significativo en la inteligencia artificial, en ese artículo autores hablan sobre las limitaciones de los perceptrones ya que según ellos, un perceptrón sólo podía resolver problemas linealmente separables. Esto influyó de tal manera que durante 10 años se pausaron parcialmente las investigaciones frente a las redes neuronales.

El peso sinaptico se puede considerar como el nivel de confiabilidad de la salida de red, el peso sinaptico esta ligado y tiende a variar en la medida de los errores cometidos y durante el procesamiento de la entradas recibidas a la neuronas, el peso sinaptico se modifica para que la red pueda adaptarse y mejorar su desempeño en tareas especificas. todo se basa en el aprendizaje y el almacenamiento, las redes neuronales artificiales utiliza algoritmos de aprendizaje para ajustar sus parametros y aprender de los datos, estas retienen la informacion aprendida en los pesos sinapticos.

aunque las redes neuronales artificiales no tienen una memoria en el sentido humano,el proceso de aprendizaje y almacenamiento de informacion pueden analogarse al proceso de formacion y recuperacion de recuerdos en el cerebro humano.

El perceptron consiste en una unidad de la red neutronal , es un modelo matematico inspirado en una estructura y funcion simplificada de una unica neurona biologica que se utiliza para entender el concepto de clasificadores binarios es un solo nodo de procesamiento que aceptan multiples entradas y generan una sola salida y realizando una serie de calculos matematicos de las entradas y por medio de una funcion de activacion produce la salida.

La regla de Hebb es un concepto fundamental en neurociencia y psicología que se centra en cómo se establecen y fortalecen las conexiones entre las neuronas en el cerebro. se puede expresar como: “Las neuronas que se activan simultáneamente tienden a formar conexiones más fuertes entre sí”.

Stephany Grueso 2158190-2724

Carlos Escobar 2157747-2724

Hervin Hinojoza 2161722-2724

Jose Cortes 2158171-2724

Ferney Caicedo 2057474-2724