1) La regla de Hebb incrementa el peso entre la entrada y salida de una neurona en proporción a su producto, permitiendo el aprendizaje asociativo no supervisado. 2) La regla de Hebb con degradación mejora a la anterior al degradar los pesos para evitar que crezcan sin límite. 3) La regla INSTAR considera la razón de aprendizaje igual a la de degradación, minimizando el olvido y proporcionando vectores de pesos normalizados.

1. Aprendizaje Asociativo

3. Red Asociativa Simple

4. Asociador de Fruta Estimulo No Condicionado Estimulo Condicionado

5. 1.1.1 Regla de Hebb No Supervisada En forma de Vector: Secuencia de Entrenamiento:

6. Ejemplo: Identificador Pesos Iniciales: Secuencia de Entrenamiento: Primera Iteración (Vista No presente):  = 1 a 1   h a r d l i m w 0 p 0 1   w 0   p 1   0.5 – +   h a r d l i m 1 0  0 1  0.5 – +   0 (no response) = = =

7. Ejemplo (nnd13uh) Segunda Iteración (Aspecto presente): Tercera Iteración (Vista No presente): A partir de este momento, la Fruta será detectada si cualquiera de los sensores está presente. a 2   h a r d l i m w 0 p 0 2   w 1   p 2   0.5 – +   h a r d l i m 1 1  0 1  0.5 – +   1 (banana) = = =

9. Regla de Hebb con Degradación Ésta Regla impide que la matriz de pesos crezca sin medida, lo cual se demuestra al igualar a i y p j a 1:

10. Ejemplo: Asociador de Fruta Primera Iteración (No vista): Segunda Iteración (vista presente):  = 0.1  = 1 a 1   h a r d l i m w 0 p 0 1   w 0   p 1   0.5 – +   h a r d l i m 1 0  0 1  0.5 – +   0 (no response) = = = a 2   h a r d l i m w 0 p 0 2   w 1   p 2   0.5 – +   h a r d l i m 1 1  0 1  0.5 – +   1 (banana) = = =

11. Ejemplo (nnd13hd) (nnd13edr) Tercera Iteración (No vista): Regla de Hebb Hebb Con Degradación

13. 1.1.2 REGLA INSTAR

14. Red de Reconocimiento simple Vector de entrada. Instar. Reconoce patrones.

15. Instar (Operación) La instar estará activa cuando Para vectores normalizados, el producto punto mayor ocurre cuando el ángulo entre el vector de pesos y el vector de entradas es cero -- El vector de entrada es igual al vector de pesos. Las filas de una matriz de pesos representa los patrones a ser reconocidos.

16. Reconociendo un Vector Si el umbral es El instar solo será activado cuando   =  0. Si el umbral es el instar estará activo para un determinado rango de ángulos. Si b se incrementa, habrá más patrones (sobre un amplio rango de  ) los cuales activarán el instar. b w 1 p – = b w 1 p – > w 1

19. Regla Instar (nnd13is, nnd13gis) Hebb con Decay Solo ocurrirán modificaciones al aprendizaje y al olvido cuando la neurona este activa - Regla Instar: o si  es igual a  En forma de Vector: w i j q   w i j q 1 –    a i q   p j q    a i q   w q 1 –   – + = i j

20. Representación Gráfica Para el caso donde el instar está activo ( a i = 1): or Para el caso donde el instar está inactivo ( a i = 0):

21. EN RESUMEN

29. EJEMPLO

30. Ejemplo

31. Ejemplo: Reconocedor de naranjas Primera Iteración (  =1):

32. Entrenamiento Ahora la naranja será detectada con cualquier sensores activo. (orange) h a 2   h a r d l i m w 0 p 0 2   W p 2   2 – +   = a r d l i m 3 1  0 0 0 1 1 – 1 – 2 – +           1 = = a 3   h a r d l i m w 0 p 0 3   W p 3   2 – +   = (orange) h a r d l i m 3 0  1 1 – 1 – 1 1 – 1 – 2 – +           1 = =

33. REGLA DE KOHONEN Regla de aprendizaje Asociativo

35. Regla de Kohonen En la regla de Kohonen el aprendizaje no es proporcional a la salida de la neurona, a i (q) . El aprendizaje ocurre cuando el índice i de la neurona es un elemento del conjunto X ( q ). Esta regla es útil para el entrenamiento de redes como los mapas de características auto-organizativas .

36. 1.1.3 REGLA OUTSTAR Redes que recuerdan patrones Asocia estímulos a vectores de salida

37. Redes que Recuerdan La red outstar posee una entrada escalar y un vector de salida.

38. Operación de la Outstar Supongase que se quiere que la outstar recuerde el patrón a * siempre y cuando la entrada p = 1 se presente en la Red. Si Entonces, cuando p = 1 y el patrón será recordado correctamente. Las columnas de una matriz de pesos representan los patrones a recordar.

39. Regla Outstar En la regla instar el termino de degradación de los pesos de la regla Hebb es proporcional a la salida de la red. Mientras que en la regla Outstar el termino de degradación de pesos es proporcional a la entrada de la red. Sí la razón de degradación  es igual a la razón de aprendizaje  , En forma de Vector:

40. Ejemplo - Recordando una Piña

41. Definiciones

42. Primera Iteración  = 1

43. Convergencia a 2   s a t l i n s 1 – 1 – 1 0 0 0 1 +           1 – 1 – 1 (se dan los datos) = = a 3   s a t l i n s 0 0 0 1 – 1 – 1 1 +           1 – 1 – 1 (los datos son recordados) = =