Redes Neuronales
Supervisadas y no Supervisadas
Las redes neuronales se clasifican comúnmente en términos
de sus correspondientes algoritmos o métodos de entrenamiento: redes
de pesos fijos, redes no supervisadas,
y redes de entrenamiento supervisado.
Para las redes de pesos fijos no existe ningún tipo de entrenamiento.
Reglas de entrenamiento Supervisado
Las redes de entrenamiento supervisado han sido los modelos de redes más
desarrolladas desde inicios de estos diseños. Los datos para el
entrenamiento están constituidos por varios pares de patrones de
entrenamiento de entrada y de salida. El hecho de conocer la salida implica
que el entrenamiento se beneficia la supervisión de un maestro.
Dado un nuevo patrón de entrenamiento, por ejemplo, (m+1)-ésimo,
los pesos serán adaptados de la siguiente forma:
-
Se puede ver un diagrama esquemático de un sistema de entrenamiento
supervisado en la siguiente figura:
-
Reglas de entrenamiento No Supervisado
Para los modelos de entrenamiento No Supervisado, el conjunto de datos
de entrenamiento consiste sólo en los patrones de entrada. Por lo
tanto, la red es entrenada sin el beneficio de un maestro. La red aprende
a adaptarse basada en las experiencias recogidas de los patrones de entrenamiento
anteriores. Este es un esquema típico de un sistema "No Supervisado":
-
Ejemplos típicos son La Regla de Aprendizaje de Hebb, y la
Regla
de Aprendizaje Competitiva. Un ejemplo del primero consiste en reforzar
el peso que conecta dos nodos que se excitan simultáneamente.
Como ejemplo de aprendizaje competitivo,
si un patrón nuevo se determina que pertenece a una clase reconocida
previamente, entonces la inclusión de este nuevo patrón a
esta clase matizará la representación de la misma. Si el
patrón de la entrada se determinó que no pertenece a ninguna
de las clases reconocidas anteriormente, entonces la estructura y los pesos
de la NN serán ajustados para
reconocer la nueva clase.
Función
Base y Función Activación
Contenido
Redes Neuronales Artificiales
Sobre este tutorial