Professional Documents
Culture Documents
Electrónica
APRENDIZAJE
Supervisado o No supervisado o
asociativo autoorganizado
• REGLA DE HEBB
• Cuando una neurona i repetida y persistentemente excita a
una neurona j algún proceso de crecimiento o metabólico se
produce en una o ambas neuronas de modo que la eficiencia
de excitación de i sobre j aumenta (cambio de pesos
sinápticos)
𝐖𝐤+𝟏 = 𝐖𝐤 + 𝛂𝐞𝐤 𝐱𝐢
• Donde: Wk+1 = Nuevo peso calculado
Wk = Peso antiguo
= Taza de aprendizaje 0 < 1
ek = Error
xi = Valor de la entrada i
Percerptrón
𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑠𝑎𝑙𝑖𝑑𝑎: 𝑎 = 𝑥1 𝑤1 + 𝑥2 𝑤2 + 𝑏 = 𝜃
Iteración 1)
Nuevos pesos:
𝑤1 = −1 + 0.3 × 1 × 1 = −0.7
𝑤2 = 0.5 + 0.3 × 1 × 1 = 0.8
𝑏 = 0.3 + 0.3 × 1 = 0.6
Iteración 2)
Nuevos pesos:
𝑤1 = −0.7 + 0.3 × 1 × 1 = −0.4
𝑤2 = 0.8 + 0.3 × 1 × 1 = 1.1
𝑏 = 0.6 + 0.3 × 1 = 0.9
Iteración 3)
Nuevos pesos:
𝑤1 = −0.4 + 0.3 × 1 × 0 = −0.4
𝑤2 = 1.1 + 0.3 × 1 × 1 = 1.4
𝑏 = 0.9 + 0.3 × 1 = 1.2
Iteración 4)
Nuevos pesos:
𝑤1 = −0.4 + 0.3 × 1 × 0 = −0.4
𝑤2 = 1.4 + 0.3 × 1 × 1 = 1.7
𝑏 = 1.2 + 0.3 × 1 = 1.5
Iteración 5)
Nuevos pesos:
𝑤1 = −0.4 + 0.3 × 1 × 0 = −0.4
𝑤2 = 1.7 + 0.3 × 1 × 1 = 2
𝑏 = 1.5 + 0.3 × 1 = 1.8
Iteración ?)
Nuevos pesos:
𝑤1 = 2
𝑤2 = 1.5
𝑏 = −2.7
Ejemplo: función AND
En Matlab:
En Matlab:
Ejemplo: función AND
En Matlab:
Ejemplo: función AND
En Matlab:
Ejemplo: función AND
En Matlab:
Ejemplo: función AND
En Matlab:
Ejemplo: función AND
En Matlab:
Ejercicios:
1. Encuentre los pesos adecuados para entrenar una red neuronal tipo perceptrón
que realice una función OR de dos entradas.
(0,2) clase A
(1,2) clase A
(-2,1) clase B
(1,1) clase A
(2,1) clase A
(0,0) clase B
(-2,-1) clase B
(2,-1) clase A
(-1,-2) clase B
(1,-2) clase B
Ejercicios:
4. Entrene una red neuronal tipo perceptrón de tres entradas que resuelva la
siguiente ecuación Booleana
𝐴 𝑂𝑅 𝐵 𝐴𝑁𝐷 𝐶 𝑂𝑅 𝐴 𝐴𝑁𝐷 𝐵