Resumen
Este trabajo presenta una visión general de las arquitecturas conexionistas
más interesantes estudiadas hasta el momento, especificando sus características
principales, así como sus ventajas y sus inconvenientes. Todas ellas poseen
características similares, pero sus prestaciones son muy diferentes para cada una de
las tareas que se les proponen. Se hace especial mención de una de estas
arquitecturas, la Máquina de Boltzmann, cuya estructura y algoritmo de aprendizaje
se estudian en detalle.
La Máquina de Boltzmann puede considerarse como un tipo particular de
red paralela que es capaz de aprender las restricciones que caracterizan a un dominio
concreto mediante presentación de ejemplos extraídos del mismo. La red modifica los
pesos de sus conexiones para construir un modelo interno que produzca ejemplos con
la misma distribución de probabilidad que los que le han sido mostrados. Una vez
terminado el proceso de aprendizaje, la red es capaz de interpretar correctamente
cualquier entrada que se le presenta, obteniendo la salida correspondiente. Cuando se
le presenta un ejemplo de entrada parcial, la red puede completarlo encontrando los
valores de las variables internas que han generado el ejemplo parcial, y utilizándolos
para generar el resto del ejemplo.
Asimismo, en este trabajo se presentan los fundamentos matemáticos que
justifican el funcionamiento del sistema, así como sus posibilidades de aprendizaje.
