Neuronales 2

Vista previa del material en texto

1 
REDES NEURONALES II 
C
on
te
ni
do
 • Modelos básicos de RNA 
• Perceptrón 
• Adaline 
• Feedforward - Backpropagation 
• Hopfield 
• García Martínez R., Servente M., Pasquini D. “SISTEMAS 
INTELIGENTES”. Editorial Nueva Librería. Argentina, 2003. 
• Isasi Viñuela P y Galván León I. "REDES NEURONALES - UN 
ENFOQUE PRÁCTICO". Ed. Pearson Educación S.A. Madrid. 2004. 
• Ponce Cruz P., “INTELIGENCIA ARTIFICIAL CON APLICACIONES 
A LA INGENIERÍA” Cap.3. Editorial Alfaomega, México, 2010. 
• Del Brio, B.M. – Sanz Molina, A. “REDES NEURONALES Y 
SISTEMAS BORROSOS”. Editorial RA-MA. 
• Hilera Gonzalez, J.R. – Martínez Hernando, B.J. “REDES 
NEURONALES ARTIFICIALES”. Editorial RA-MA. 1995. 
B
ib
lio
gr
af
ía
 
2 
Clasificación por tipo de 
aprendizaje 
Existe una gran cantidad de 
arquitecturas de RNA que se 
diferencian por cantidad de capas, 
conexiones, procedimientos de 
aprendizaje y aplicaciones. 
T3-2 REDES NEURONALES 
 ARQUITECTURAS NEURONALES 
García Martínez et al., 
“SISTEMAS INTELIGENTES” 
3 
T3-2 REDES NEURONALES 
 ARQUITECTURAS NEURONALES 
Clasificación 
por número 
de capas y 
conexiones 
 
García Martínez 
et al., “SISTEMAS 
INTELIGENTES” 
 
4 
Desarrollado en la Universidad de 
Cornell por Frank Rosenblatt en 1958. 
Modelo heteroasociativo mononeuronal 
de tipo feedforward. 
T3-2 REDES NEURONALES 
 PERCEPTRÓN 
1928 - 1971 F. Rosenblatt 
F. Rosenblatt  
 
 
∑
n
i i
i=1
y = g -θ+ w . x
http://2.bp.blogspot.com/_4pVWBd8gilY/TGSJdCCv-dI/AAAAAAAAABc/6zRK8Ls735Q/s1600/rosenblatt.jpg
5 
 Modelo heteroasociativo mononeurona de 
tipo feedforward. 
 La red básica utiliza una neurona única con 
función de salida umbral [-1 ; +1] ó [0 , +1] 
 Realiza una clasificación de patrones en dos 
clases. 
 Opera en tiempo discreto, con aprendizaje 
off-line a través de la regla delta. 
 Solamente puede clasificar patrones 
linealmente separables. 
T3-2 REDES NEURONALES 
 PERCEPTRÓN 
 Concebido originalmente como un 
clasificador automático de patrones. 
6 
Separabilidad de Patrones 
Un conjunto de patrones n-dimensionales se 
consideran linealmente separables, si es 
posible insertar entre ellos un hiperplanon que 
los separe. 
x
x x
x
x
x2 
x1 
x
x
x2 
x1 
Separables NO Separables 
T3-2 REDES NEURONALES 
 PERCEPTRÓN 
SI n = 2 => hiperplano = recta 
SI n = 3 => hiperplano = plano 
fn. XOR 
El perceptrón no puede resolver la fn. lógica XOR 
(Ponce pg. 210). 
7 
Algoritmo de aprendizaje (Ponce pg. 206) 
 Se asignan valores aleatorios en el rango 
[-1; 1] a todos los pesos y bias. 
 Para cada patrón entrada-salida 
[Xi = (x1i, x2i, …, xni) ; y] se establece la salida 
inicial [ydi] que se conoce la salida deseada. 
 Se determina el error de salida 
ei = ydi – yi 
 Se calcula la variación de pesos con 
Δwi = α . xi . ei 
 donde α es la tasa de aprendizaje (α ∈ [0,1 ~ 0,5]). 
 Se actualizan los pesos 
wi(t+1) = wi(t) + Δwi 
 
T3-2 REDES NEURONALES 
 PERCEPTRÓN 
 Se repiten los 3 últimos pasos hasta que el error 
sea aceptable. 
8 
Concepto geométrico del aprendizaje 
T3-2 REDES NEURONALES 
 PERCEPTRÓN 
x1
x2
1 1 2 2
1 1 2 2
2
2 1
1
y = w . x +w . x
w . x +w . x = 0
w x = - . x
w
x1
x2
w2
θ
w1
θ
 
1 1 2 2
1 1 2 2
1
2 1
2 2
1 2
1 2
y = w . x +w . x -θ
w . x +w . x -θ = 0
w θ x = - . x +
w w
x x+ =1θ θ
w w
Sin bias Con bias 
9 
Ejemplo 
T3-2 REDES NEURONALES 
 PERCEPTRÓN 
Clasificar patrones 
linealmente separables, con 
un perceptrón de dos 
entradas para ser entrenado, 
con pesos iniciales 
w1 = −0.1 
w2 = 0.8 
bias θ = −0.5. 
Después del proceso de 
entrenamiento se obtiene: 
 
w1 = 2,7 
w2 = 0.5 
bias θ = 1,2 
10 
Creada por Bernard Widrow en 1962. Modelo 
feedforward mononeuronal de aprendizaje 
supervisado. Opera en tiempo discreto, con 
aprendizaje off-line a través de la regla 
de mínimos cuadrados. 
T3-2 REDES NEURONALES 
 ADALINE – ADAptive LINear Element 
   
   
   
∑ ∑
n n
0 i i i i 0
i=1 i=0
y = g -w + w . x = g w . x con x = -1
Función de transferencia 
Continua (ej. Sigmoide) 
B. Widrow 
11 
 Modelo feedforward de aprendizaje 
supervisado de arquitectura similar al 
perceptrón. 
 La red básica utiliza una neuroda* única con 
función de salida continua, limitada (ej. 
sigmoide) o ilimitada (ej. lineal). 
 Opera en tiempo discreto, con aprendizaje 
off-line a través de la regla de mínimos 
cuadrados. 
 No requiere que los patrones sean linealmente 
separables. 
 Estructuras más complejas de este modelo 
se conocen como MADALINE o PADALINE. 
* Es otra denominación que suele utilizarse para referirse a una 
neurona artificial. 
T3-2 REDES NEURONALES 
 ADALINE – ADAptive LINear Element 
Características 
12 
Algoritmo de aprendizaje 
 Se basa en el algoritmo de mínimos cuadrados 
LMS (Least Mean Square) de Widrow-Hoff. 
 Requiere un conjunto de P pares de entrada-salida 
[(Xp , dp)] para el entrenamiento, con 
Xp = [x1p, x2p, …, xnp] 
 Se inicia con pesos aleatorios pequeños. 
 Se calcula la salida de la red para cada patrón 
 con g = fn. de salida 
 Se calcula la semisuma del ECM entre la salida 
calculada y la deseada 
 
 
T3-2 REDES NEURONALES 
 ADALINE – ADAptive LINear Element 
 
 
 
∑
n
p ip ip
i=0
y = g w . x
( )  
 
∑
P
2
CM p p
p=1
1E = y - d
2
(Ponce pg. 209) 
(Isasi pg. 34) 
13 
Algoritmo de aprendizaje (continuación) 
 La variación de los pesos se calculan con la 
inversa del gradiente y un factor de aprendizaje η 
 
 
 
 
 
 
 
 El peso actualizado resulta 
wi(t+1) = wi(t) + Δwi 
T2-2 REDES NEURONALES 
 ADALINE – ADAptive LINear Element 
( )
( )
 
 
 
 
 
  → 
 
 
 
 
∑
∑
∑
CM
i
i
P
pCM
p p
i ip=1
n
p
i i i
ii=0
P
i p p i
p=1
E Δw = -η.
w
yE = y - d .
w w
yy = g w . x = g'.x
w
 Δw = -η. y - d .g'.x
∂
∂
∂∂
∂ ∂
∂
∂
14 
Ejemplo: Decodificador BCD a decimal. 
T2-2 REDES NEURONALES 
 ADALINE – ADAptive LINear Element 
x1 x2 x3 d 
Ingreso de primer patrón 
Primera actualización 
Proceso completo para diez iteraciones 
1 2 3y = 4*x 2*x 1*x+ +
15 
Creada en 1986 por 
D. Rumelhart, G. 
Hinton y R. Williams, 
se trata de un tipo de 
red multicapa, 
heteroasociativa, de 
aprendizaje 
supervisado conocido 
como algoritmo 
backpropagation (o 
de retropropagación), 
basado en la regla 
delta generalizada. 
T3-2 REDES NEURONALES 
 FEEDFORWARD/BACKPROPAGATION 
David E. 
Rumelhart 
Geoffrey E. 
Hinton 
Ronald J. 
Williams 
http://1.bp.blogspot.com/-Oyj8GRBOEzE/TYh0zhDYAyI/AAAAAAAAAN0/Q42cpItgHVE/s1600/der_home.jpg
16 
La importancia de este tipo de redes es su capacidad 
de autoadaptación de los pesos sinàpticos de las 
capas intermedias para aprender la relación entre los 
patrones de entrada de entrenamiento y sus 
correspondientes salidas. 
En forma simplificada, el aprendizaje consiste en 
presentar a la red pares de patrones entrada-salida. 
Luego de la propagación de cada patrón de entrada, 
se obtiene el patrón de salida y comparado con el 
patrón deseado se calcula el error. 
Este error se propaga hacia atrás para corregir los 
pesos de todas las neuronas hasta lograr la 
adaptación (iterativamente) de modo de obtener un 
resultado con un error de cálculo aceptable. 
Generalidades 
T3-2 REDES NEURONALES 
 FEEDFORWARD/BACKPROPAGATION 
17 
Es una red neuronal muy versátil, que puede estructurarse 
en dos o más capas según necesidades. Todas las 
neuronas se conectan hacia los nodos de capas siguientes 
 y no contempla 
 conexiones hacia 
 atrás, laterales o 
a autorecurrentes. 
Arquitectura 
T3-2 REDES NEURONALES 
 FEEDFORWARD/BACKPROPAGATION 
La capa de 
entrada no realiza 
procesamiento, 
sólo distribución. 
Casi siempre se 
incluyen entradas 
de bias en las 
capas ocultas y 
de salida. 
18 
 La cantidad de neuronasde la capa de entrada y salida 
se determina por la dimensionalidad de los datos y las 
respuestas. 
 Las funciones de activación de todas las neuronas 
deben ser continuas y derivables. Para la salida, las 
funciones deben soportar el alcance de las respuestas. 
 La cantidad de neuronas ocultas usualmente se 
determina en forma experimental. Aumentando la 
cantidad de neuronas ocultas se puede disminuir el 
error pero aumenta el tiempo de cómputo. 
 Las conexiones son progresivas y completas. El 
algoritmo de aprendizaje determina que conexiones se 
eliminan (virtualmente con wi → 0). 
 Las funciones de activación de las neuronas ocultas 
generalmente son sigmoides bivaluadas (+/- 1). 
Arquitectura 
T3-2 REDES NEURONALES 
 FEEDFORWARD/BACKPROPAGATION 
19 
De todo el espacio de datos de la red, se selecciona 
un grupo de patrones de entrada y salida conocida 
para ser utilizado en el aprendizaje y un grupo de 
patrones de entrada con salida conocida para ser 
utilizado como comprobación. 
• La cantidad de elementos en cada conjunto se 
determina en forma experimental. 
• Si el espacio de datos es finito, no muy amplio y 
todas las salidas son conocidas, se puede entrenar a 
la red con todos los patrones. Esto asegura una 
operación eficaz del sistema. 
• Los pesos se ajustarán en forma proporcional a la 
diferencia entre la salida deseada (d) y la salida 
obtenida (y). 
E = (d – y) = salida deseada – salida obtenida 
Preparación de datos 
T3-2 REDES NEURONALES 
 FEEDFORWARD/BACKPROPAGATION 
20 
α = tasa de aprendizaje 
p = patrón de entrada 
Algoritmo de aprendizaje 
T3-2 REDES NEURONALES 
 FEEDFORWARD/BACKPROPAGATION 
1. Definir la arquitectura de la red y seleccionar los tipos de 
funciones de activación según el problema. 
2. Seleccionar P pares de patrones entrada-salida como conjunto 
de entrenamiento: p = 1, …, P. 
3. Inicializar la red con valores aleatorios en [–1 ; +1]. 
4. Calcular los valores de salida para cada patrón de entrada. 
 
 
 
5. Para cada neurona de la capa de salida, la variación de pesos 
se calcula como 
 
 
 
j k
wkj
yj
yk
k = 1,... , K
( ) ( )−
kj kj,p j
kj,p k,p k,p k k
 Δw = -α .δ . y
δ = d y .g' net
 
   →   
   
∑ ∑


n J
j,p j ji i,p k,p k kj j,p
i=0 j=0
y = g w . x y = g w . y
capa oculta capa de salida
21 
Algoritmo de aprendizaje (continuación) 
T3-2 REDES NEURONALES 
 FEEDFORWARD/BACKPROPAGATION 
6. Para cada neurona de la capa oculta, la variación de pesos se 
calcula como 
 
 
 
 
 
 
 
7. Los pesos se actualizan de la forma 
wkj(t+1) = wkj(t) + Δwkj 
wji(t+1) = wji(t) + Δwji 
( )  
 
∑
ji ji,p i
K
ji,p kj,p kj j j
k=1
 Δw = -α .δ . y
δ = δ . w .g' net
j
1w1j
yj
y1
k = 1,... , K
capa de salida
k
yk
wkj
i
yi
wji
j = 1,... , J
capa oculta
i = 1,... , I
capa entrada
α = tasa de aprendizaje 
p = patrón de entrada 
22 
Red feedforward-backpropagation 4+7 configurada 
para actuar como codificadora BCD – 7 segmentos. 
Ejemplo: 
T3-2 REDES NEURONALES 
 FEEDFORWARD/BACKPROPAGATION 
Capa de entrada 
Capa oculta 
Capa de salida 
Display de 
7 segmentos 
23 
Red feedforward-BP 4+7 codificadora BCD – 7 segmentos. 
Error de aprendizaje 
100 iteraciones 
0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1
0 0 0 0 1 1 1 1 0 0 0 0 1 1 1 1
0 0 1 1 0 0 1 1 0 0 1 1 0 0 1 1
0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1
 
 
 
 
 
 
1 0 1 1 0 1 1 1 1 1 0 0 0 0 0 0
1 1 1 1 1 0 0 1 1 1 0 0 0 0 0 0
1 1 0 1 1 1 1 1 1 1 0 0 0 0 0 0
1 0 1 1 0 1 1 0 1 1 0 0 0 0 0 0
1 0 1 0 0 0 1 0 1 0 0 0 0 0 0 0
1 0 0 0 1 1 1 0 1 1 0 0 0 0 0 0
0 0 1 1 1 1 1 0 1 1 0 0 0 0 0 0
 
 
 
 
 
 
 
 
 
  
E
nt
ra
da
 
Sa
lid
a 
T3-2 REDES NEURONALES 
 FEEDFORWARD/BACKPROPAGATION 
Ejemplo: 
24 
Por ser un sistema muy versátil se utiliza en aplicaciones 
para diversos campos. Algunas de las aplicaciones más 
representativas: 
• Codificación/decodificación de la información: La idea 
es recuperar a la salida la información correcta (decodi-
ficada) a partir de la entrada codificada y viceversa. 
• Traducción texto escrito a expresión oral: Con un 
número adecuado de unidades ocultas, la red podría 
producir los fonemas correspondientes al texto 
ingresado. 
• Reconocimiento óptico de caracteres: Es un caso típico 
de reconocimiento de patrones. Proporcionando a la 
entrada la imagen de un carácter (en cualquiera de sus 
variantes razonables), la red podría responder a la salida 
con el código apropiado, por ejemplo ASCII. 
Aplicaciones generales 
T3-2 REDES NEURONALES 
 FEEDFORWARD/BACKPROPAGATION 
25 
Red de Hopfield 
1 2 3 N
e1 e2 e3 eN
s1 sNs3s2
w12 w13 w1N
wN1 wN2 wN3
w2N
w3N
Una primera versión 
–discreta- utiliza 
funciones de 
activación tipo 
escalón. Una versión 
posterior –contínua- 
utiliza funciones de 
salida tipo sigmoide. 
T3-2 REDES NEURONALES 
 REDES DE HOPFIELD 
 
 
 
∑
n
j ji i j
i=1
s (t+1)= g w . s (t) -θ
Creada por J. Hopfield, en 1982 se trata de 
un tipo de red monocapa, autoasociativa, 
de aprendizaje OFF-LINE no supervisado de 
tipo competitivo. 
John Hopfield 
26 
Características (García pg. 120) 
• Es un tipo de memoria asociativa capaz de recuperar 
los patrones almacenados a partir de información de 
entrada incompleta o con ruido. 
• Se compone de n neuronas en una sola capa, donde 
cada una realimenta a todas las otras, excepto a ella 
misma. 
• Con n neuronas, presenta una matriz de pesos de 
nx×n, simétrica y con diagonal principal nula. 
T3-2 REDES NEURONALES 
 REDES DE HOPFIELD 
{ }
 
 
 
 
 
 
 
  
12 1j 1n
21 2j 2n
i j
i1 i2 in
n1 n2 n j
... ...
... ...
... ... ... ... ...= = ... ...
... ... ... ... ...
... ...
con i, j = 1,.
0
0
0
..,
0
0
n
0
w w w
w w w
W w w w w
w w w
1 2 3 N
e1 e2 e3 eN
s1 sNs3s2
w12 w13 w1N
wN1 wN2 wN3
w2N
w3N
27 
Estructura 
• Versión original –discreta- con salida escalón (0 ; +1) 
o signo (-1 ; +1). 
 
 
 
 
• Versión analógica con salida sigmoidal. 
T3-2 REDES NEURONALES 
 REDES DE HOPFIELD 
28 
Entrenamiento 
• Los pesos se calculan en la 
 fase de entrenamiento. 
• Para una red discreta con 
 salida +1 / -1 
 
 
• Para una red discreta con salida 0 / +1 
 
 
 
 
 = i-ésima componente del k-ésimo patrón. 
N = número de neuronas de la red. 
M = número de patrones a aprender. 
Σ Σ
wjiwij
ei ej
i
patrón p
j
REGLA 
DE 
HEBB 

≠

 =
∑
M
(k) (k)
i j
k=1ij ji
e . e 1 i, j N ; i j 
w = w = 
0 1 i, j N ; i j 
≤ ≤
≤ ≤

≠

 =
∑
M
(k) (k)
i j
k=1ij ji
(2e - 1). (2e - 1) 1 i, j N ; i j 
w = w = 
0 1 i, j N ; i j 
≤ ≤
≤ ≤
(k)
ie
T3-2 REDES NEURONALES 
 REDES DE HOPFIELD - DISCRETA 
29 
Funcionamiento 
• Una vez entrenada, al recibir un patrón de entrada, la 
 salida de cada neurona se realimenta a todas las otras. 
• Luego, las neuronas realimentadas compiten entre ellas 
 para establecer el estado final (luego de varias iteraciones 
 y hasta estabilizarse). 
• La salida final si –en el caso discreto–, será el vector de 
 entrenamiento que más se asemeje al patrón de entrada. 
 
 
 
 
 g → función de activación 
• Al ingresar patrones desconocidos para la red, el sistema 
 asocia estos al tipo de patrón más próximo y lo clasificacon la salida correspondiente. 
• Puede producir salidas espurias o inestables. 









∑
∑
∑
N
ij j j
j=1
N
i j ij j j
j=1
N
ij j j
j=1
+1 si w . s (t) > θ 
s (t+1) = s (t) si w . s (t) = θ 
-1 si w . s (t) < θ 
 
 
 
∑
N
i ij j j
j=1
s (t+1) = w . s (t) - θ 
 con 1 i N≤ ≤
g
T3-2 REDES NEURONALES 
 REDES DE HOPFIELD - DISCRETA 
30 
Limitaciones 
• Para una operación adecuada de la red, solo es posible 
clasificar M patrones en una red de N neuronas, tal que 
 M = N/(4 × ln N) → recuperación perfecta 
 M = 0,15 N → recuperación aceptable 
 M = N → recuperación mínima 
• Por ejemplo, una red de 10 neuronas, puede almacenar: 
 M = 10/(4 × ln 10) = 1,08 patrón (perfecta) 
 M = 0,15 × 10 = 1,5 patrón (aceptable) 
 M = 10 patrones (mínima) 
• Por ej., una red de 500 neuronas, puede almacenar: 
 M = 500/(4 × ln 500) = 20,1 patrones (perfecta) 
 M = 0,15 × 500 = 75 patrones (aceptable) 
 M = 500 patrones (mínima) 
T3-2 REDES NEURONALES 
 REDES DE HOPFIELD - DISCRETA 
31 
Limitaciones 
• No se puede garantizar una recuperación correcta en 
todos los casos si los patrones almacenados son 
similares. Se requiere que tales patrones sean 
ortogonales, es decir 
 
 ∀∑
N
patron k patron m
i i
i=1
e . e 0 k m≤ ≠
 × × × ×∑ 1 2
4
E E
i i
i=1
e . e = (1) (-1)+(1) (-1)+(-1) (1)+(-1) (1) = - 4
T3-2 REDES NEURONALES 
 REDES DE HOPFIELD - DISCRETA 
⇒ ⊥i j i jP .P =0 P P
• Tampoco se puede garantizar una recuperación 
correcta, si los vectores de entrada a la red, no difieren 
en al menos la mitad de sus componentes, es decir 
Ej. E1 = [1 1 -1 -1] E2 = [-1 -1 1 1] diferentes 
32 
Ejemplo: Red de Hopfield discreta con 4 neuronas y 
 salida +1 / -1. 
• Dos esquemas equivalentes: 
 
T3-2 REDES NEURONALES 
 REDES DE HOPFIELD 
s4s3
s2s1
e1 e2
e4e3
N1 N2
N3 N4
N3
N4
N1
N2
e1
e4
e3
e2
s4
s3
s2
s1
33 
Ejemplo: Red de Hopfield discreta con 4 neuronas y 
 salida +1 / -1. 
• Entradas para entrenamiento: Ek = [e1k e2k e3k e4k] 
 E1=[1 1 -1 -1] E2=[-1 -1 1 1] 
• Cálculo de los pesos 
 
 
 
• Salida para patrón desconocido 
 Ex = [1 -1 -1 -1] 
 
 
 
• Salida: sx = g(Ex.W) = signo((Ex.W)) = [1 1 -1 -1] 
Devuelve el patrón aprendido más cercano. 
2
T
k k
k 1
0 2 2 2
2 0 2 2W (E .E I) 2 2 0 2
2 2 2 0
=
− − 
 − −= − =  − − 
− − 
∑
[ ] [ ]x
0 2 2 2
2 0 2 2E .W 1 1 1 1 . 2 6 2 22 2 0 2
2 2 2 0
− − 
 − −= − − − = − − − − 
− − 
T3-2 REDES NEURONALES 
 REDES DE HOPFIELD 
s4s3
s2s1
e1 e2
e4e3
N1 N2
N3 N4
34 
Estabilidad de la red 
• Función de energía discreta 
 
 
 
 
• Función de energía continua 
 
 
∑∑ ∑
N N N
ij i j i i
i=1 j=1 i=1
i j
1E = - w . s . s + θ . s
2
≠
∑∑ ∑∫
isN N N
-1
ij i j
i=1 j=1 i=1 0
i j
1E = - w . s . s + g (s) ds
2
≠
Puntos 
estables 
(valles) 
T3-2 REDES NEURONALES 
 REDES DE HOPFIELD 
 ΔE =
E(t+1) -E(t)
 < 0
función 
monótona 
decreciente 
35 
Aplicaciones 
• Reconstrucción de imágenes: Las redes de Hopfield 
pueden reconstruir perfectamente imágenes a partir 
de versiones distorsionadas, con ruido o incompletas, 
siempre que no se hayan producido traslaciones o 
rotaciones en el patrón. 
• Reconocimiento óptico de caracteres: Es un proceso 
similar al anterior. 
• Resolución de problemas de optimización: Se basa en 
la idea de minimización de una función objetivo. La 
red de Hopfield opera en forma más eficiente y rápida 
que los algoritmos convencionales. 
• Diseño de circuitos analógico-digitales: Resulta un 
proceso natural para estos sistemas (de tipo 
digitales), ya que una red digital, al recibir una 
entrada analógica la convierte en un patrón discreto. 
T3-2 REDES NEURONALES 
 REDES DE HOPFIELD 
	REDES NEURONALES II
	T3-2 REDES NEURONALES�	ARQUITECTURAS NEURONALES
	T3-2 REDES NEURONALES�	ARQUITECTURAS NEURONALES
	T3-2 REDES NEURONALES�	PERCEPTRÓN
	T3-2 REDES NEURONALES�	PERCEPTRÓN
	T3-2 REDES NEURONALES�	PERCEPTRÓN
	T3-2 REDES NEURONALES�	PERCEPTRÓN
	T3-2 REDES NEURONALES�	PERCEPTRÓN
	T3-2 REDES NEURONALES�	PERCEPTRÓN
	T3-2 REDES NEURONALES�	ADALINE – ADAptive LINear Element
	T3-2 REDES NEURONALES�	ADALINE – ADAptive LINear Element
	T3-2 REDES NEURONALES�	ADALINE – ADAptive LINear Element
	T2-2 REDES NEURONALES�	ADALINE – ADAptive LINear Element
	T2-2 REDES NEURONALES�	ADALINE – ADAptive LINear Element
	T3-2 REDES NEURONALES�	FEEDFORWARD/BACKPROPAGATION
	T3-2 REDES NEURONALES�	FEEDFORWARD/BACKPROPAGATION
	T3-2 REDES NEURONALES�	FEEDFORWARD/BACKPROPAGATION
	T3-2 REDES NEURONALES�	FEEDFORWARD/BACKPROPAGATION
	T3-2 REDES NEURONALES�	FEEDFORWARD/BACKPROPAGATION
	T3-2 REDES NEURONALES�	FEEDFORWARD/BACKPROPAGATION
	T3-2 REDES NEURONALES�	FEEDFORWARD/BACKPROPAGATION
	T3-2 REDES NEURONALES�	FEEDFORWARD/BACKPROPAGATION
	T3-2 REDES NEURONALES�	FEEDFORWARD/BACKPROPAGATION
	T3-2 REDES NEURONALES�	FEEDFORWARD/BACKPROPAGATION
	Red de Hopfield
	T3-2 REDES NEURONALES�	REDES DE HOPFIELD
	T3-2 REDES NEURONALES�	REDES DE HOPFIELD
	T3-2 REDES NEURONALES�	REDES DE HOPFIELD - DISCRETA
	T3-2 REDES NEURONALES�	REDES DE HOPFIELD - DISCRETA
	T3-2 REDES NEURONALES�	REDES DE HOPFIELD - DISCRETA
	T3-2 REDES NEURONALES�	REDES DE HOPFIELD - DISCRETA
	T3-2 REDES NEURONALES�	REDES DE HOPFIELD
	T3-2 REDES NEURONALES�	REDES DE HOPFIELD
	T3-2 REDES NEURONALES�	REDES DE HOPFIELD
	T3-2 REDES NEURONALES�	REDES DE HOPFIELD