Perceptrón - La neurona artificial más simple de todas
Hola, mi nombre es Luis, y les doy la bienvenida a Mi Diario
Python.
Python.
En el día nos dedicaremos a conocer el concepto de
Perceptrón y al final realizaremos un ejemplo utilizando Python. ¿Te interesa?
Entonces, sigue leyendo.
Perceptrón y al final realizaremos un ejemplo utilizando Python. ¿Te interesa?
Entonces, sigue leyendo.
¿Qué es un
Perceptrón?
Perceptrón?
El modelo biológico más
simple de un perceptrón es una neurona y viceversa. Es decir, el modelo
matemático más simple de una neurona es un perceptrón. La neurona es una célula
especializada y caracterizada por poseer una cantidad indefinida de canales de
entrada llamados dendritas y un canal de salida llamado axón. Las dendritas
operan como sensores que recogen información de la región donde se hallan y la
derivan hacia el cuerpo de la neurona que reacciona mediante una sinapsis que
envía una respuesta hacia el cerebro, esto en el caso de los seres vivos.
simple de un perceptrón es una neurona y viceversa. Es decir, el modelo
matemático más simple de una neurona es un perceptrón. La neurona es una célula
especializada y caracterizada por poseer una cantidad indefinida de canales de
entrada llamados dendritas y un canal de salida llamado axón. Las dendritas
operan como sensores que recogen información de la región donde se hallan y la
derivan hacia el cuerpo de la neurona que reacciona mediante una sinapsis que
envía una respuesta hacia el cerebro, esto en el caso de los seres vivos.
Una neurona sola y
aislada carece de razón de ser. Su labor especializada se torna valiosa en la
medida en que se asocia a otras neuronas, formando una red. Normalmente, el axón
de una neurona entrega su información como "señal de entrada" a una
dendrita de otra neurona y así sucesivamente. El perceptrón que capta la señal
en adelante se extiende formando una red de neuronas, sean éstas biológicas o
de sustrato semiconductor (compuertas lógicas).
aislada carece de razón de ser. Su labor especializada se torna valiosa en la
medida en que se asocia a otras neuronas, formando una red. Normalmente, el axón
de una neurona entrega su información como "señal de entrada" a una
dendrita de otra neurona y así sucesivamente. El perceptrón que capta la señal
en adelante se extiende formando una red de neuronas, sean éstas biológicas o
de sustrato semiconductor (compuertas lógicas).
En el perceptrón, existen
dos tipos de aprendizaje, el primero utiliza una tasa de aprendizaje mientras
que el segundo no la utiliza. Esta tasa de aprendizaje amortigua el cambio de
los valores de los pesos.
dos tipos de aprendizaje, el primero utiliza una tasa de aprendizaje mientras
que el segundo no la utiliza. Esta tasa de aprendizaje amortigua el cambio de
los valores de los pesos.
El algoritmo de
aprendizaje es el mismo para todas las neuronas, todo lo que sigue se aplica a
una sola neurona en el aislamiento. Se definen algunas variables primero:
aprendizaje es el mismo para todas las neuronas, todo lo que sigue se aplica a
una sola neurona en el aislamiento. Se definen algunas variables primero:
Los dos tipos de
aprendizaje difieren en este paso. Para el primer tipo de aprendizaje,
utilizando tasa de aprendizaje, utilizaremos la siguiente regla de
actualización de los pesos:
aprendizaje difieren en este paso. Para el primer tipo de aprendizaje,
utilizando tasa de aprendizaje, utilizaremos la siguiente regla de
actualización de los pesos:
Para el segundo tipo de
aprendizaje, sin utilizar tasa de aprendizaje, la regla de actualización de los
pesos será la siguiente:
aprendizaje, sin utilizar tasa de aprendizaje, la regla de actualización de los
pesos será la siguiente:
Perceptrón
Multicapa:
Multicapa:
El perceptrón multicapa es una red
neuronal artificial formada por múltiples capas,
esto le permite resolver problemas que no son linealmente separables, lo cual
es la principal limitación del perceptrón. El perceptrón multicapa puede ser
totalmente o localmente conectado. En el primer caso cada salida de una neurona
de la capa “i” es entrada de todas las neuronas de la capa “i+1”, mientras que
en el segundo cada neurona de la capa “i” es entrada de una serie de neuronas
(región) de la capa “i+1”.
neuronal artificial formada por múltiples capas,
esto le permite resolver problemas que no son linealmente separables, lo cual
es la principal limitación del perceptrón. El perceptrón multicapa puede ser
totalmente o localmente conectado. En el primer caso cada salida de una neurona
de la capa “i” es entrada de todas las neuronas de la capa “i+1”, mientras que
en el segundo cada neurona de la capa “i” es entrada de una serie de neuronas
(región) de la capa “i+1”.
Las
capas pueden clasificarse en tres tipos:
capas pueden clasificarse en tres tipos:
§
Capa de entrada: Constituida por aquellas neuronas que introducen
los patrones de entrada en la red. En estas neuronas no se produce
procesamiento.
Capa de entrada: Constituida por aquellas neuronas que introducen
los patrones de entrada en la red. En estas neuronas no se produce
procesamiento.
§
Capas ocultas: Formada por aquellas neuronas cuyas entradas
provienen de capas anteriores y cuyas salidas pasan a neuronas de capas
posteriores.
Capas ocultas: Formada por aquellas neuronas cuyas entradas
provienen de capas anteriores y cuyas salidas pasan a neuronas de capas
posteriores.
§
Capa de salida: Neuronas cuyos valores de salida se corresponden
con las salidas de toda la red.
Capa de salida: Neuronas cuyos valores de salida se corresponden
con las salidas de toda la red.
La
propagación hacia atrás (también conocido como retropropagación del error o
regla delta generalizada), es un algoritmo utilizado en el entrenamiento de
estas redes, por ello, el perceptrón multicapa también es conocido como red de
retropropagación.
propagación hacia atrás (también conocido como retropropagación del error o
regla delta generalizada), es un algoritmo utilizado en el entrenamiento de
estas redes, por ello, el perceptrón multicapa también es conocido como red de
retropropagación.
Limitaciones:
§
El Perceptrón Multicapa no extrapola
bien, es decir, si la red se entrena mal o de manera insuficiente, las salidas
pueden ser imprecisas.
El Perceptrón Multicapa no extrapola
bien, es decir, si la red se entrena mal o de manera insuficiente, las salidas
pueden ser imprecisas.
§
La existencia de mínimos locales en
la función de error dificulta considerablemente el entrenamiento, pues una vez
alcanzado un mínimo el entrenamiento se detiene aunque no se haya alcanzado la
tasa de convergencia fijada.
La existencia de mínimos locales en
la función de error dificulta considerablemente el entrenamiento, pues una vez
alcanzado un mínimo el entrenamiento se detiene aunque no se haya alcanzado la
tasa de convergencia fijada.
§
Cuando
caemos en un mínimo local sin satisfacer el porcentaje de error permitido se
puede considerar: cambiar la topología de la red (número de capas y número de
neuronas), comenzar el entrenamiento con unos pesos iniciales diferentes,
modificar los parámetros de aprendizaje, modificar el conjunto de entrenamiento
o presentar los patrones en otro orden.
caemos en un mínimo local sin satisfacer el porcentaje de error permitido se
puede considerar: cambiar la topología de la red (número de capas y número de
neuronas), comenzar el entrenamiento con unos pesos iniciales diferentes,
modificar los parámetros de aprendizaje, modificar el conjunto de entrenamiento
o presentar los patrones en otro orden.
Interesante ¿Verdad?.
Deja una respuesta
por favor indica algunos textos en español donde profundizar sobre la inteligencia artificial