Ciertamente el nombre nos da un indicio de cuales son las bases de esta t\u00e9cnica: las redes neuronales biol\u00f3gicas. Estas redes biol\u00f3gicas est\u00e1n conformadas por un conjunto de neuronas conectadas entre si mediante el ax\u00f3n y las dendritas. gracias a esta conexi\u00f3n se produce la sinapsis que es la encargada de transferir los impulsos nerviosos de neurona a neurona.<\/p>\n Ahora bien, el aprendizaje del cerebro depende de la reorganizaci\u00f3n de estas conexiones sin\u00e1pticas; es decir, que en unas dendritas habr\u00e1 una mayor diferencia de potencial y por ende tendr\u00e1 una mayor preferencia entre las otras conexiones para la trasmisi\u00f3n de datos.<\/p>\n Basados en este principio surgen las tan llamadas RNAs, mas bien \u00fanicamente por este principio y su estructura, debido a que su nivel de complejidad es mucho m\u00e1s baja que una red biol\u00f3gica. En las RNAs, se tienen diferentes \"canales\"(dendritas) estandarizadas, tras un \"entrenamiento\" autom\u00e1tico algunos de estos canales van a ir cambiando su importancia (peso) provocando de esta forma que la red haya priorizado sus datos y sepa cu\u00e1l es el mejor camino a tomar incluso frente a nuevas circunstancias, en otras palabras est\u00e1 aprendiendo.<\/p>\n La neurona\u00a0<\/strong>artificial<\/b><\/span><\/p>\n Seg\u00fan\u00a0la teor\u00eda de\u00a0Rosenblatt decimos que la unidad fundamental del las RNAs es el perc\u00e9ptron (creado por el mismo Rosenblatt), el cual imita bastante a la estructura de la neurona (ver imagen)<\/p>\n <\/p>\n Esta neurona artificial esta compuesta por:<\/p>\n <\/p>\n Para entender mejor el funcionamiento de cada componente de la neurona artificial y a la neurona en si, vamos a usar un ejemplo sencillo usado en Xataca<\/a>:<\/p>\n Imaginemos que dos estudiante tienen la nota de sus dos ex\u00e1menes y la nota final de grado; el estudiante 1 tiene mejor nota en el primer examen que en el segundo, mientras que el estudiante 2 tiene mejor nota en el segundo que en el primero. Sin embargo el estudiante 1 aprob\u00f3 el curso, mientras que el estudiante 2 no lo hizo, esto nos hace inferir que el primer examen tiene mas peso (importancia) que en el segundo. Con esto podemos darnos cuenta c\u00f3mo en base de datos iniciales y su salida podemos saber c\u00f3mo funciona el proceso y las importancia de cada dato.<\/p>\n Es as\u00ed c\u00f3mo funciona b\u00e1sicamente las redes neuronales. Analizando individualmente a un estudiante, los dos ex\u00e1menes son las se\u00f1ales de entrada(X1 y X2) ,cada una de estas se\u00f1ales de entrada son multiplicadas por su peso correspondiente (X1 con W1 y X2 con W2) llegando a la funci\u00f3n de propagaci\u00f3n que suma cada una de esta multiplicaci\u00f3n. En caso de existir una funci\u00f3n de activaci\u00f3n, el valor de la funci\u00f3n de propagaci\u00f3n es comparado a uno previamente ya escogido (por ejemplo si nos da una suma >=5) y nos arroja un resultado de acuerdo a la desviaci\u00f3n de este resultado, com\u00fanmente son utilizadas la funci\u00f3n \u00a0tangente hiperb\u00f3lica (para tener valores entre 1 y -1) y la funci\u00f3n\u00a0sigmoidea (para tener valores entre 1 y 0) en nuestro caso digamos que usamos la funci\u00f3n sigmoidea y si la salida es 1, el estudiante esta aprobado y si es cero el estudiante no lo esta. En caso de existir esta funci\u00f3n de activaci\u00f3n, la se\u00f1al de salida es la de la funci\u00f3n de propagaci\u00f3n<\/p>\n Para encontrar una relaci\u00f3n de pesos que se ajuste a las se\u00f1ales de entrada y de salida, lo que hacemos es \"entrenar\" a nuestra neurona (o red neuronal en caso de ser mas complejo) de tal forma que encuentre el mejor ajuste, este proceso consiste en un prueba y error computarizado. Por ejemplo puede comenzar que cada examen tenga el mismo peso, W1=W2=0,5, despu\u00e9s comienza a variar cada uno de estos pesos hasta alcanzar la combinaci\u00f3n que cumpla con las condiciones conocidas.<\/p>\n Ejemplo:<\/p>\n Capas<\/strong><\/p>\n Lo que hemos explicado anterior mente es c\u00f3mo funciona una\u00a0neurona con datos exactos, ahora imaginemos que un datos extra es a\u00f1adido al perceptr\u00f3n, sin embargo este necesita ser procesado con anterioridad, para este fin usamos una capa m\u00e1s y a\u00f1adimos el concepto de una red de multicapas.<\/p>\n Para tener una idea b\u00e1sica, cada \u00a0perceptr\u00f3n en una capa (en donde como han podido notar existe un procesamiento de las se\u00f1ales de entrada) Al momento de considerarlo como una se\u00f1al de entrada mas dentro de otro perceptr\u00f3n, la red se convierte en una red de multicapas<\/p>\n Nuevamente recurro al ejemplo planteado de\u00a0Xataca<\/a>:<\/p>\n Imaginemos que ahora el profesor ha a\u00f1adido un trabajo extra, dos estudiantes tienen tienen ambos buenas calificaciones en el primer\u00a0examen pero el estudiante 2 tiene mejor nota en el segundo examen que el primer estudiante, pero el primer estudiante tiene una calificaci\u00f3n de 5.0 en el trabajo extra mientras que el segundo tiene una calificaci\u00f3n de 4.8. Sin embargo el primer estudiante aprueba el curso mientras que el segundo lo reprueba. Esto nos hace suponer\u00a0que el peso del trabajo extra es muy grande, pero al momento de entrenar la red, no podr\u00e1 encontrar una relaci\u00f3n de apropiada entre los pesos de las tres calificaciones, lo que nuevamente nos hace inferir que se necesita un procesamiento previo de la se\u00f1al de entrada del trabajo, se necesita una capa extra. Quedando por ejemplo as\u00ed:<\/p>\n![\"Conexi\u00f3n](\"http:\/\/blog.espol.edu.ec\/taws\/files\/2016\/07\/image056.jpg\")
<\/a><\/p>\n<\/a><\/p>\n<\/a><\/p>\n\n
<\/a><\/p>\n<\/a><\/p>\n