V.Aprendizaje del perceptrón. El proceso de aprendizaje del perceptrónconsiste en la presentación al mismo de un conjunto de vectoresde aprendizaje. El perceptrón no aprende cuando su salidaes correcta. Sin embargo, si es incorrecta se reajustan los pesos sinápticosde acuerdo a una regla de aprendizaje.
Se considera que el aprendizaje se ha completadocuando el perceptrón supera una pasada completa de todos los vectoresde entrenamiento, sin cometer ningún error. Rossenblatt desarrolló una regla de aprendizajepara el perceptrón, que consiste en actualizar los pesos de la siguienteforma:
wi = wi + n*(d-y)*xi
donde wi, es el peso asignado a la entradai-ésima,xi; n es un valor denominado tasa de aprendizaje que se sueleajustar entre 0 y 1; d es el valor teóricamente correcto de la salida;e y es el valor de salida que ha producido el perceptrón.La actualización del valor umbral, queda implícita en laecuación anterior si se consideran las entradas y pesos de índice0. De forma explícita:
u = u + n*(d-y)
Siendo u, nuevamente, el umbral de activación. De la tasa de aprendizaje dependerá lavelocidad y la corrección con que el perceptrón aprenderá.A tasa mayores, mayor velocidad en principio, aunque también mayorriesgo de producirse oscilaciones en el ajuste. La neurona del Listado2 (capítulo III), aprende según la regla de aprendizajede Rossenblatt. Rossenblatt también demostró, con su reglade aprendizaje, que si los patrones de entrenamiento se tomaban de dosclases linealmente separables (concepto que se explica en el próximocapítulo), el procedimiento de aprendizaje del perceptrónconvergía en un número finito de pasos. A esto se le llamateoremade convergencia del perceptrón. En lenguaje simple y llano significaque "si el perceptrón puede aprender, con esta regla aprende".
Sin embargo, los patrones de entrenamiento noson siempre linealmente separables y , por tanto, existen categoríasque un perceptrón no es capaz de aprender a clasificar. Esto eslo que Minsky y Papert demostraron, como se explica en el siguiente apartado.
La importanciade tener un buen profesor
Obsérvese que el conocimiento adquirido por una red neuronales subsimbólico, ya que se encuentra en los pesos. Esto es un problemadebido a que, si bien con redes simples es posible saber qué haaprendido la red, con redes complejas apenas se puede obtener másque una compleja expresión matemática de su funciónde transferencia. Esto ha conducido a situaciones problemáticascomo la de hace algunos años en la que el ejército americanoempleó una red neuronal para analizar las fotografías tomadasdesde satélites espía. El objetivo era reconocer la presenciade tanques en las fotografías, pero cometieron la torpeza de emplearun conjunto inapropiado de fotografías de entrenamiento. Asíla red aprendió a distinguir sin ningún error entre todaslas fotografías utilizadas para el entrenamiento, aquellas que presentabantanques de las que no los presentaban. Pero durante la fase posterior deoperación comenzaó a cometer muchos errores. Al final sedescubrió que la red había aprendido a reconocer nubes, notanques, ¡y todas las fotografías de entrenamiento que presntabantanques, también presentaban nubes! Por tanto, la elecciónde los vectores de entrenamiento es un aspecto fundamental en el entrenamientode una red neuronal.
