using System;class Parametros {

static void Main () {

int a = 2;

int b = 3;

int c = Suma (a, b);

Console.WriteLine (“{0} + {1} = {2}”, a, b, c);

}

static int Suma (int a, int b) {

return a + b; 

}

}

Se escriben el nombre de las variables a la hora de invocar el método, y cuando se define, la precedemos por su tipo. Así, al ejecutar el códi­go obtenemos: 

2 + 3 = 5

Modelos de tipo biológico.

Modelo dirigido a aplicación.

Las Redes Neuronales según su topología

Perceptrón

Hopfield

Kohonen

El aprendizaje, según Redes Neuronales Artificiales, se lleva a cabo de la siguiente manera:“Supongamos que tenemos patrones de entrada n-dimensionales.

1. Aleatorizar los pesos de las conexiones. Normalizar los pesos de las conexiones incidentes de cada   unidad de salida sobre la unidad: dividir cada conexión por la raíz cuadrada de la suma de los cuadrados de las conexiones de cada unidad. Normalizar igualmente los datos de entrada.
2. Aplicar un patrón de entrada.
3. Calcular alguna medida de similitud/disimilitud (producto interno, distancia euclídea o de Mahalanobis, etc.) entre las entradas y los pesos de las conexiones.
4. La unidad de salida con los pesos más parecidos al patrón de entrada es declarada ganadora. El vector de pesos de la unidad ganadora, se convierte en el centro de un grupo de vectores cercanos a él.
5. Modificar los pesos de los vectores de pesos Wj “cercanos” a Wc (distancia menor a D). De esta manera conseguimos que los vectores de pesos de la unidad ganadora y de su “vecindario” se parezcan cada vez más al patrón de entrada que hace ganar a esa unidad.
6. Repetir los pasos 1 a 4 con todos los patrones de entrada”.

Luego de que se lleva a cabo este aprendizaje, se puede usar esta red para clasificar los patrones de entradas en espacios n-dimensional. Una clase de patrones controlará una neurona específica, la cual representará el centro de la esfera n-dimensional, esta será la mas activa frente a los patrones mas parecidos a su vector de pesos.

Estas dan soluciones dinámicas, las cuales en ocasiones no son muy recomendables, sin embargo, Hopfield busca la manera de entregar con una memoria de este tipo que sea capaz de entregar soluciones estables. Permite que el estado de cada neurona sea actualizado un número indefinido de veces, sin importar el resto de las neuronas de la red.

Consiste en un conjunto de N elementos de proceso interconectadas, los operadores de entrada son también salida y los valores de activación son binarios, los cuales determinarán el estado del sistema. Se dice que cuando este valor de activación es constante es estable.

El aprendizaje de las redes de Hopfield se hace en base a la regla de Cooper-Hebb, que depende la conexión de los patrones que se desean aprender. Según Redes Neuronales Artificiales, el entrenamiento se realiza de la siguiente manera:

1. “Elegir un número de neuronas que cumpla el criterio del 15%.
2. Codificar los ítems que queremos memorizar de forma que los patrones para representarlos se parezcan lo menos posible entre sí, para aproximarnos a la condición de pseudo-ortogonalidad.

Calcular los pesos de las conexiones según la regla de Cooper-Hebb”.

En la siguiente figura, tomada de Redes Neuronales Artificiales, se presenta el “modelo de Red de Hopfield de 3 unidades”:

De acuerdo a su similitud con la realidad biológica se tiene:

Modelos de tipo biológico, los cuales tratan de simular los sistemas neuronales biológicos así como las funciones auditivas o de visión.

Modelo dirigido a aplicación, tratan de simular las arquitecturas ligadas a las necesidades o aplicaciones para las cuales son diseñados.

Tomada de Monografias

Como se puede observar, está formada por neuronas que se encuentran conectadas por tres capas o niveles:

·         Capa de entrada: esta es la que recibe la información proveniente de las fuentes externas de la red.

·         Capa(s) oculta(s): es la parte interna de la red y, por lo tanto, no tendrán contacto con el exterior, esta puede estar formada por varias capas o subcapas.

·         Capa de salida: es la que envía la información hacia el exterior.

-       Aprendizaje adaptativo: una red neuronal se adapta al sistema en el que esté, ya que puede modificarse constantemente. Con este principio, no se necesitan establecer funciones probabilísticas.

-       Autoorganización: con este principio, se permite que la red completa se organice con la finalidad de realizar un objetivo específico, permitiéndole responder a informaciones que no habían surgido antes y que será capaz de responder a estas.

-       Tolerancia a fallos: en los sistemas tradicionales, cuando se pierde una parte del programa, el sistema ya no funciona. Las redes neuronales, son capaces de continuar trabajando aunque haya pérdida de información, ruido, etc., e incluso si se pierde alguna parte de la red, esto gracias a que almacenan la información de manera distribuida.

-    Operación en tiempo real: las redes neuronales permiten trabajar de forma paralela realizando la actualización de su información constantemente; esto permite el reconocimiento de patrones en tiempo real.

-    Fácil inserción en la tecnología existente: se han elaborado chips especializados para redes neuronales, los cuales son capaces de hacer mejorar su capacidad para resolver ciertas situaciones, facilitando así la adaptabilidad de estos sistemas a los que existen actualmente.

Como se puede apreciar, las neuronas tienen varias entradas llamadas Dendritas, estas son las que van a dar el estado de su única salida, llamado axón, este va a una dendrita de la otra neurona, mediante la sinapsis.

Cabe destacar que el axón transmite la información por medio de corrientes, que van a depender del potencial de la neurona. La siguiente neurona recoge esta señal por la sinapsis sumando todas las influencias excitadoras e inhibidoras, así, si las excitadoras positivas son mayores la neurona manda una señal positiva y envía dicha salida a las demás neuronas por su sinápsis de salida.

¿Cómo se forma el aprendizaje? En los primeros años, se entrenan las neuronas mediante el éxito o fracaso de una acción por medio de los estímulos sensoriales, como por ejemplo el hambre. Al momento de que cierta acción da como respuesta un éxito (al comer, ya no se tiene hambre) las conexiones sinápticas dentro de la red neuronal se fortalecen, permitiendo que la salida sea la correcta, haciendo que puedan ser utilizadas para acciones mas complicadas.

El cerebro controla el movimiento, sueño, hambre, sed, así como todas las emociones humanas (amor, odio, ira, alegría, tristeza, etc.). Contiene millones de células nerviosas o neuronas, las cuales están conectadas unas con otras y son responsables de las funciones mentales. En fin, el cerebro es el que controla toda la información, tales como los actos, instintos, comportamiento, en pocas palabras, todo lo que hacemos. Así, al conocer todo esto se podrían elaborar software que trabajen tal como lo haría un ser humano.

El cerebro continuamente está recibiendo señales de entrada, que, como se dijo anteriormente, provienen de estímulos externos, estos los procesa para así dar una salida apropiada. Cabe destacar que en numerosas oportunidades esta respuesta la damos según la experiencia o aprendizaje previo que se tenga. 

En nuestro cerebro, existen millones de neuronas que son las células fundamentales del sistema nervioso humano y se interconectan entre sí para generar lo que se conoce como Redes Neuronales, en las cuales se llevan a cabo las millones de instrucciones necesarias para que respondamos a nuestro entorno. Gracias a esto se permite el aprendizaje en el ser humano.