Modelos de Redes Neuronales

Modelos de Redes NeuronalesRal Barba CruzIntroduccinComo en la fsica a toda accin se da una reaccin o respuesta, en los modelos neuronales podemos decir que si es as; pero que la respuesta tambin se da en cambios internos (psicofisiolgicos) y externos (conductuales).

Toda la estructura organsmica es una interconexin de elementos que nos llevan a estructuras muy simples, pero con acciones cruciales para la vida.

IntroduccinSe estima que el cerebro humano contiene ms de cien mil millones de neuronas y sinapsis en el sistema nervioso (Marn, 2010).

Y la manera en la que trabaja esta estructura nos da la inspiracin para la creacin de modelos que emulen sus funciones y procesos.

DefinicinMatich (2001) plantea que:

Las redes neuronalesson redes interconectadas masivamente en paralelo de elementos simples (usualmente adaptativos) y con organizacin jerrquica, las cuales intentan interactuar con los objetos del mundo real del mismo modo que lo hace el sistema nervioso biolgico.

Es decir que son conjuntos de actividades individuales que al sumarse logran realizar una funcin.

DefinicinFueron originalmente una simulacin abstracta de los sistemas nerviosos biolgicos, constituidos por un conjunto de unidades llamadas neuronas o nodos conectados unos con otros.

ClasificacinMarn (2010) seala que existe una clasificacin bsica:

Modelos inspirados en la Biologa: Estos comprenden las redes que tratan de simular los sistemas neuronales biolgicos, as como ciertas funciones como las auditivas o de visin.

Modelos artificiales aplicados: Estos modelos no tienen por qu guardar similitud estricta con los sistemas biolgicos. Sus arquitecturas estn bastante ligadas a las necesidades de las aplicaciones para las que son diseados.

FuncionamientoLa neurona es la unidad fundamental del sistema nervioso y en particular del cerebro. Cada neurona es una simple unidad procesadora que recibe y combina seales desde y hacia otras neuronas. Si la combinacin de entradas es suficientemente fuerte la salida de la neurona se activa (Basogain, 2008)

FuncionamientoEn las Redes Neuronales Artificiales, la unidad mnima de trabajo es el Elemento Procesador. Este elemento procesador tiene varias entradas y las combina, normalmente con una suma bsica; y dicha suma de las entradas es modificada por una funcin de transferencia; y el valor de la salida de esta funcin de transferencia se pasa directamente a la salida del elemento procesador. La salida del elemento procesador se puede conectar a las entradas de otras unidades.

FuncionamientoFauset (1993) menciona caractersticas de su funcionamiento:El procesamiento de informacin ocurre en muchos elementos simples llamados neuronas.Las seales son transferidas entre neuronas a travs de enlaces de conexin. Cada conexin tiene un peso asociado, el cual, tpicamente, multiplica a la seal transmitida. Cada neurona aplica una funcin de activacin (usualmente no lineal) a su entrada de red (suma de entradas pesadas) para determinar su salida.

AplicacionesComputacional: Modelos eficientes, potentes y simples; as como en las reas de aprendizaje inductivo y reconocimiento de patrones. Cognitivo: Interesado por capacidades cognitivas de los modelos; y tambin en modelos centrados en representacin del conocimiento Biocognitivo: Da fuerza a la premisa de la plausibilidad biolgica Psicofisiolgico: Analiza los mecanismos naturales de procesos cognitivos reales.

AplicacionesEn trminos generales podemos determinar que se utilizan para:Generalizacin Estructura altamente paralelaNo linealidadMapeo de Entrada SalidaAdaptabilidadRespuesta graduadaInformacin ContextualTolerancia a fallosUniformidad en el Anlisis y DiseoAnaloga Neurobiolgica

VentajasProvee simulacin real de la memoria humana:Favorecen el aprendizaje entre categorasExtraen patrones cannicos y prototpicos de un conjunto de instancias.En ocasiones favorecen el recuerdo completo de un episodio a partir de informacin parcial.Genera y se basa en el Aprendizaje Adaptativo. Se desarrolla a partir de la Auto-organizacin.Operacin en tiempo real.Fcil insercin dentro de la tecnologa existente.

DesventajasEl desarrollo de tecnologa no logra emular los niveles de almacenamiento del cerebro.Es rpido pero no logra emular los niveles de interconectividad.Se generaliza y no se consideran las individualidades.Las condiciones de adaptabilidad y complejidad natural del cerebro no pueden ser observadas en su totalidad

ConclusionesLos modelos de redes neuronales, a partir de la comprensin que tenemos sobre el sistema nervioso, nos han permitido emular la calidad y eficacia del trabajo y ordenamiento de la informacin. Si bien es cierto que a velocidades e intensidades diferentes estas trabajan; nos da un panorama de la proximidad y eficiencia del cerebro, sus funciones y que camino debemos de seguir en las tendencias educativas.

ReferenciasBasogain Olabe, X. (2008). Redes Neuronales Artificiales y sus aplicaciones. Bilbao, Espaa. Recuperado el 13 de Febrero de 2015, de http://www.ciberesquina.una.edu.ve:8080/2014_2/350_E.pdfFausett, L. (1993). Fundamentals of Neural Networks: Architectures, Algorithms And Applications. Prentice Hall. Recuperado el 13 de Febrero de 2015Garca Bez, P. (2013). Introduccin a las Redes Neuronales y su aplicacin a la Astrofsica. Canarias, Espaa. Recuperado el 13 de Febrero de 2015Len Carrin, J. (1995). Manual de Neuropsicologa Humana. Siglo XXI. Recuperado el 13 de Febrero de 2015Marn Dizaraque, J. M. (2010). Introduccin a las Redes Neuronales Aplicadas. Madrid, Espaa. Recuperado el 13 de Febrero de 2015, de http://halweb.uc3m.es/esp/Personal/personas/jmmarin/esp/DM/tema3dm.pdfMatich, D. J. (2001). Redes Neuronales: Conceptos Bsicos y Aplicaciones. Rosario, Argentina. Recuperado el 13 de Febrero de 2015, de http://www.frro.utn.edu.ar/repositorio/catedras/quimica/5_anio/orientadora1/monograias/matich-redesneuronales.pdfSoltongo, G., & Guzmn, M. V. (2001). Aplicaciones de las redes neuronales. El caso de la Bibliometra. La Habana, Cuba. Recuperado el 13 de Febrero de 2015, de http://www.dynamics.unam.edu/DinamicaNoLineal/Articulos/MineriaDatos/Articulo03.pdfUrza Hernndez, M. d. (Enero de 2010). Explicacin Neurofisiolgica del Aprendizaje. Mxico, D.F., Mxico. Recuperado el 13 de Febrero de 2015