Tesco Coacalco
Inteligencia Artificial
PRACTICA: RED NEURONAL ARTIFICIAL EN JAVA
OBEJTIVO: “Crear red neuronal artificial para la solución de problema de compuerta AND”
FUNTAMENTO TEÓRICO
Una Red Neuronal Artificial es un modelo matemático inspirado en el comportamiento biológico de
las neuronas y en la estructura del cerebro, y que es utilizada para resolver un amplio rango de
problemas. Debido a su flexibilidad, una ´única red neuronal es capaz de realizar diversas tareas.
La funcionalidad y los componentes de las redes neuronales artificiales son los mismos. Así como
nuestros cerebros usan las redes neuronales para aprender de los errores, las redes neuronales
artificiales también consisten en capas de entrada y salida. Las neuronas contienen una capa oculta
que transmite la entrada a la salida, encontrando el patrón complejo y convirtiéndolo en algo que la
salida pueda utilizar. Cuando una neurona hace una conjetura o una decisión, se transfiere a las otras
neuronas con la información completa para que la neurona pueda corregir la salida del primer
neutrón y aprender nuevas soluciones. En el aprendizaje profundo, las redes neuronales artificiales
consisten en tres a diez capas ocultas que aumentan la precisión.
Los componentes de las redes neuronales artificiales
1. Capa de entrada
La entrada es un nodo que recoge la información del exterior en la neurona. Ayudan a
transmitir la información a la capa oculta para el proceso de aprendizaje.
2. Capa oculta
La capa oculta transforma los datos que entran a través de la capa de entrada y los transmite
a la capa de salida. Sólo hay una capa oculta en una simple red neural artificial. Sin
embargo, el aprendizaje profundo requiere más de tres capas ocultas de aprendizaje
complejo.
3. Capa de salida
Esta capa recibe la información de la capa oculta y calcula la posible salida. Se puede
considerar que la salida es el resultado de la entrada que recibe la neurona.
4. Neuronas
Las neuronas artificiales son funciones matemáticas que el algoritmo utiliza para el proceso
de aprendizaje. Una neurona toma la información como entrada y la calcula multiplicándola
por los pesos. Entonces, los datos se transfieren a las otras neuronas.
5. Peso Espacio
Tesco Coacalco
Inteligencia Artificial
El peso es la conexión entre las unidades. El espacio de peso es un parámetro que convierte
los datos de entrada en el resultado multiplicándolos por el peso. Luego, transfiere los datos
procesados a otras neuronas de las redes neuronales artificiales a través de la capa de salida.
6. Paso adelante y paso atrás
En el paso adelante, el algoritmo propagará las variables en las redes neuronales artificiales.
Sin embargo, en el paso hacia atrás, el algoritmo retropropagará los errores para encontrar
la salida.
7. Backpropagación
La retropagación es el algoritmo que aprende a través del error afinando los pesos. Este
proceso hace que el sistema sea fiable reduciendo los errores.
8. Función de error
La razón principal del algoritmo es minimizar el error. La función que ayuda a minimizar
los errores en la función de error.
Tesco Coacalco
Inteligencia Artificial
DESARROLLO
1.- Crear un proyecto en java llamado Neurona OR y ejecutar el siguiente código
RESULTADOS:
EJERCICIO:
Realizar la solución de la compuerta AND en java con GUI.