La ANN (Red neuronal artificial) se basa en BNN (Red neuronal biológica) ya que su objetivo principal es imitar completamente el cerebro humano y sus funciones. Al igual que el cerebro tiene neuronas interconectadas entre sí, la ANN también tiene neuronas que están conectadas entre sí en varias capas de las redes que se conocen como Nodes.
![ANN(Artificial Neural Network)](https://media.geeksforgeeks.org/wp-content/uploads/20220319142644/Screenshot27.png)
La ANN aprende a través de varios algoritmos de aprendizaje que se describen como aprendizaje supervisado o no supervisado.
- En los algoritmos de aprendizaje supervisado, los valores objetivo están etiquetados. Su objetivo es tratar de reducir el error entre la salida deseada (objetivo) y la salida real para la optimización. Aquí, un supervisor está presente.
- En los algoritmos de aprendizaje no supervisados, los valores objetivo no están etiquetados y la red aprende por sí misma al identificar los patrones a través de pruebas y experimentos repetidos.
- Pesos: cada neurona está unida a las otras neuronas a través de enlaces de conexión que llevan peso. El peso tiene información y datos sobre la señal de entrada. La salida depende únicamente de los pesos y la señal de entrada. Los pesos se pueden presentar en forma de array que se conoce como array de conexión.
![Weight in ANN](https://media.geeksforgeeks.org/wp-content/uploads/20220317131716/gfgss2Copy.png)
- si hay «n» Nodes y cada Node tiene «m» pesos, entonces se representa como:
![node with “m” weights in ANN](https://media.geeksforgeeks.org/wp-content/uploads/20220319104136/Screenshot25.png)
- Sesgo: el sesgo es una constante que se suma al producto de entradas y pesos para calcular el producto. Se utiliza para cambiar el resultado al lado positivo o negativo. El peso de entrada neto aumenta con un sesgo positivo, mientras que el peso de entrada neto disminuye con un sesgo negativo.
![Bias](https://media.geeksforgeeks.org/wp-content/uploads/20220319111804/Screenshot26.png)
Aquí, {1,x1…xn} son las entradas, y las neuronas de salida (Y) se calcularán mediante la función g(x) que suma todas las entradas y le agrega sesgo.
g(x)=∑xi+b where i=0 to n = x1+........+xn+b
y el papel de la activación es proporcionar la salida en función de los resultados de la función de suma:
Y=1 if g(x)>=0 Y=0 else
- Umbral: un valor de umbral es un valor constante que se compara con la entrada neta para obtener la salida. La función de activación se define en función del valor umbral para calcular la salida.
For Example: Y=1 if net input>=threshold Y=0 else
- Tasa de aprendizaje: La tasa de aprendizaje se denota como α. Va de 0 a 1. Se utiliza para equilibrar pesos durante el aprendizaje de ANN.
- Valor objetivo: los valores objetivo son valores correctos de la variable de salida y también se conocen como solo objetivos.
- Error: es la inexactitud de los valores de salida previstos en comparación con los valores objetivo.
- Delta Learning: fue presentado por Bernard Widrow y Marcian Hoff y también se conoce como método de mínimos cuadrados medios. Reduce el error durante todo el proceso de aprendizaje y formación. Para minimizar el error, sigue el método de descenso de gradiente en el que la función de activación continúa para siempre.
- Outstar Learning: fue propuesto por primera vez por Grossberg en 1976, donde usamos el concepto de que una red neuronal está organizada en capas, y los pesos conectados a través de un Node en particular deben ser iguales a la salida deseada, lo que resulta en neuronas que están conectadas con esos pesos.
- Aprendizaje hebbiano: fue propuesto por Hebb en 1949 para mejorar los pesos de los Nodes en una red. El cambio de peso se basa en la entrada, la salida y la tasa de aprendizaje. la transposición de la salida es necesaria para el ajuste del peso.
- Aprendizaje Competitivo: Es una estrategia ganadora se lo lleva todo. Aquí, cuando se envía un patrón de entrada a la red, todas las neuronas de la capa compiten entre sí para representar el patrón de entrada, la ganadora obtiene la salida como 1 y todas las demás como 0, y solo las neuronas ganadoras tienen ajustes de peso.