Inspiración en la naturaleza

• Las redes neuronales artificiales poseen una clara inspiración en las neuronas y redes neuronales naturales.
• Sinapsis
  • Proceso electroquímico que involucra dos neuronas: pre-sináptica y post-sináptica
  • Potencial de membrana: diferencia de potencia entre el exterior y el interior de la neurona pre-sináptica. Al alcanzar un umbral determinado ésta neurona produce un pulso eléctrico que se propaga a través de su axon. Éste último en contacto con la neurona post-sináptica produce la liberación de neurotransmisores. Este proceso tiende a elevar el potencial de membrana de la neurona post-sináptica.
  • Muchas neuronas pre-sinápticas pueden hacer sinápsis hacia la misma neurona post-sináptica, y todos sus aportes contribuyen de manera aditiva moderados por la eficacia sináptica de su conexión particular. Si esa suma alcanza el umbral de activación de la neurona post-sináptica ésta última emitirá un pulso eléctrico y se volverá neurona pre-sináptica de otra conexión.

Paradigma Conexionista

• Cada neurona como una pequeña unidad de procesamiento que realiza una operación de entrada-salida muy simple: la suma ponderada de un conjunto de entradas en paralelo y la aplicación de una función no lineal para obtener una salida.
• La riqueza de este modelo radica en las numerosas posibles estructuras a partir de la combinación de elementos muy simples.

El proceso de aprendizaje

• En el contexto del conexionismo, el aprendizaje es el proceso mediante el cual sistema adapta progresivamente los parámetros que definen su dinámica según la información que va recibiendo del entorno en el cual se desenvuelve.

  $$ w(n + 1) = w(n) + \Delta w(n) $$

  donde $w$ son los pesos sinápticos y $n$ es la iteración o tiempo.

Ejemplos: Por corrección de errores, Hebbiano, Competitivo, de Boltzmann, etc. | Idea más amplia sobre cómo se modela el entorno del sistema y su relación con él

Ejemplos: Supervisado, por refuerzo, no supervisado, etc. |