Ao de la Diversificacin Productiva y del

Fortalecimiento de la Educacin
Alumno

Rivera Gonzales Jonathan

rea:

Inteligencia Artificial

Carrera:

Ingeniera de Sistemas

Trabajo:

Tarea 5

2015

RNas

Las redes de neuronas artificiales (denominadas habitualmente como RNA o en ingls

como: "ANN"1 ) son un paradigma de aprendizaje y procesamiento automtico
inspirado en la forma en que funciona el sistema nervioso de los animales. Se trata de
un sistema de interconexin de neuronas que colaboran entre s para producir un
estmulo de salida. En inteligencia artificial es frecuente referirse a ellas como redes de
neuronas o redes neuronales.
Las Redes Neuronales Artificiales (RNA) estn inspiradas en la biologa, esto significa que
estn formadas por elementos que se comportan de manera anloga a las neuronas (en
las funciones ms elementales) y estn organizadas de una forma similar a la del
cerebro, pero las analogas no son muchas ms.
Caractersticas

Aprenden de la experiencia: Las RNA pueden modificar su comportamiento

como respuesta a su entorno. Dado un conjunto de entradas (quiz con las
salidas deseadas), las RNA se ajustan para producir respuestas consistentes. Una
amplia variedad de algoritmos de entrenamiento se han desarrollado, cada uno
con sus propias ventajas e inconvenientes.
Generalizan de ejemplos anteriores a los ejemplos nuevos: Una vez que la RNA
est entrenada, la respuesta de la red puede ser, hasta un cierto punto,
insensible a pequeas variaciones en las entradas, lo que las hace idneas para
el reconocimiento de patrones.
Abstraccin de la esencia de las entradas: Algunas RNA son capaces de abstraer
informacin de un conjunto de entradas. Por ejemplo, en el caso de
reconocimiento de patrones, una red puede ser entrenada en una secuencia de
patrones distorsionados de una letra. Una vez que la red sea correctamente
entrenada ser capaz de producir un resultado correcto ante una entrada
distorsionada, lo que significa que ha sido capaz de aprender algo que nunca
haba visto.

Historia
Desde la dcada de los 40, en la que naci y comenz a desarrollarse la informtica, el
modelo neuronal la ha acompaado. De hecho, la aparicin de los computadores
digitales y el desarrollo de las teoras modernas acerca del aprendizaje y del
procesamiento neuronal se produjeron aproximadamente al mismo tiempo, a finales de
los aos cuarenta.
Desde entonces hasta nuestros das, la investigacin neurofisiolgica y el estudio de
sistemas neuronales artificiales (ANS, Artificial Neural Systems) han ido de la mano. Sin
embargo, los modelos de ANS no se centran en la investigacin neurolgica, si no que
toma conceptos e ideas del campo de las ciencias naturales para aplicarlos a la
resolucin de problemas pertenecientes a otras ramas de las ciencias y la ingeniera.
Podemos decir que la tecnologa ANS incluye modelos inspirados por nuestra
comprensin del cerebro, pero que no tienen por qu ajustarse exactamente a los
modelos derivados de dicho entendimiento.
Los primeros ejemplos de estos sistemas aparecen al final de la dcada de los cincuenta.
La referencia histrica ms corriente es la que alude al trabajo realizado por Frank
Rosenblatt en un dispositivo denominado perceptrn. Hay otros ejemplos, tales como
el desarrollo del Adaline por el profesor Bernard Widrow.
Durante todos estos aos, la tecnologa ANS no siempre ha tenido la misma
consideracin en las ramas de la ingeniera y las ciencias de la computacin, ms
ansiosas de resultados que las ciencias neuronales. A partir de 1969, el pesimismo
debido a las limitadas capacidades del perceptrn hizo languidecer este tipo de
investigacin.

Ventajas

Aprendizaje: Las RNA tienen la habilidad de aprender mediante una etapa que
se llama etapa de aprendizaje. Esta consiste en proporcionar a la RNA datos
como entrada a su vez que se le indica cul es la salida (respuesta) esperada.
Auto organizacin: Una RNA crea su propia representacin de la informacin en
su interior, quitndole esta tarea al usuario.
Tolerancia a fallos: Debido a que una RNA almacena la informacin de forma
redundante, sta puede seguir respondiendo de manera aceptable aun si se
daa parcialmente.
Flexibilidad: Una RNA puede manejar cambios no importantes en la informacin
de entrada, como seales con ruido u otros cambios en la entrada (por ejemplo
si la informacin de entrada es la imagen de un objeto, la respuesta
correspondiente no sufre cambios si la imagen cambia un poco su brillo o el
objeto cambia ligeramente).
Tiempo real: La estructura de una RNA es paralela, por lo cual si esto es
implementado con computadoras o en dispositivos electrnicos especiales, se
pueden obtener respuestas en tiempo real.