• INICIO
• DESCRIPCIÓN
  • JUSTIFICACIÓN
• CONTENIDO
• IDENTIFIQUESE
• APLICACIONES
• LECTURAS
• AYUDAS
  • ENLACES
  • GLOSARIO
  • BIBLIOGRAFÍA
• SERVICIOS
  • EMAIL
• CONTACTO

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 supervisadas
• Redes no supervisadas

Para las redes de pesos fijos no existe ningún tipo de entrenamiento

Reglas de entrenamiento Supervisado

Son los modelos de Redes neuronales más populares, 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 los pesos serán adaptados de la siguiente forma:

Aprendizaje supervisado

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 entrenamientos anteriores. El siguiente es el esquema típico de un sistema "No Supervisado”.

Ejemplos típicos son

• La Regla de Aprendizaje de Hebb: Un ejemplo de este, consiste en reforzar el peso que conecta dos nodos que se excitan simultáneamente.
• Regla de Aprendizaje Competitiva: 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 cambiará al representante 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 Red Neuronal serán ajustados para reconocer la nueva clase.