Índice

Introducción ................................................................................................................................................ 2
Antecedentes ............................................................................................................................................... 4
Arquitectura de la Red ................................................................................................................................ 6
Aprendizaje ................................................................................................................................................. 7
Conclusiones personales ............................................................................................................................. 9
Bibliografía y/o referencias....................................................................................................................... 10
Anexos ...................................................................................................................................................... 11
MANUAL DE USUARIO .................................................................................................................... 12
Introducción
El origen de los Sistemas Neuronales Artificiales empieza con los trabajos de Mc. Culloch y Pitts (1943).
Estos sistemas tratan de explicar la estructura computacional del sistema nervioso humano con el fin de
resolver problemas que no son fáciles de programar en modo algorítmico. Las primeras aplicaciones
fueron la modelización de distintos procesos de la actividad neurobiológica. Más tarde se comienza a
investigar su aplicabilidad al análisis de datos y al control y proceso de señales en tiempo real, que hoy
día pueden considerarse como sus principales campos de aplicación. [1]
La Red Neuronal Artificial es una red compuesta de varios operadores simples –elementos de proceso o
nodos-, dotados de una pequeña cantidad de memoria. Estas unidades están conectadas mediante canales
de comunicación unidireccionales –o axones–, que transportan datos numéricos –no simbólicos–. Los
nodos únicamente operan sobre sus datos locales y sobre las entradas que reciben a través de los axones.
Así, todo modelo neuronal queda caracterizado por ocho componentes básicos: [2]
a) Un conjunto de unidades de procesamiento = {u, u… u}, o conjunto de elementos simples e
1 2… n
interconectados –neuronas– que procesan la información y que suelen disponerse en capas o niveles
estructurados jerárquicamente
b) Un estado de activación, que en cada instante t representa el nivel de activación de cada neurona uj a
través de un valor de activación real
c) Unas salidas de las unidades de activación, que en cada instante determinarán la señal que cada neurona
uj envía a sus vecinas
d) Un patrón de conexión, que establecerá la topología propia de la red, su eventual jerarquización por
capas y la intensidad y el sentido de las distintas interconexiones. El patrón se representa por una matriz
de pesos o ponderaciones sinápticas (W), en la que Wji representa la intensidad y el sentido con el que la
salida de la neurona i-ésima afecta a la activación de la neurona j-ésima.
En todo modelo neuronal es necesario disponer de una regla de propagación que combine las salidas de
cada neurona con las correspondientes ponderaciones establecidas por el patrón de conexión para
especificar como se valoran las entradas que reciba de cada neurona. El efecto global sobre una neurona
uj de todas las demás, puede considerarse aditivo y constituye la entrada neta:

j ji i 
net   w o t   w f ai t
ji
  .
La regla o función de activación, será una función que, a partir del estado actual de activación de una
neurona y de su entrada neta, determinada por el patrón de conexión y por la regla de propagación, evalúe
el estado de activación subsiguiente:

     
a j t  1  F a j t , net j t

Una regla de aprendizaje, procedimiento por el cual se procede a la modificación del patrón de conexión;
y, por último, una representación de ambiente. A partir de lo visto hasta el momento se puede deducir que

2
dependiendo del modelo de neuronal concreto que se utilice, de la arquitectura o topología de conexión
planteada, y del algoritmo de aprendizaje, surgirán multitud de modelos de redes neuronales.
Una clase especialmente importante de modelos de redes es el Perceptrón Multicapa, (MLP). Debido a su
interés histórico, generalidad y al ilustrar una amplia clase de aspectos que aparecen con frecuencia en
todo el campo de las redes neuronales (clasificación, aproximación lineal, etc.), se han convertido en los
modelos más útiles desde el punto de vista de las aplicaciones prácticas. Los orígenes del Perceptrón
Multicapa se remontan a los inicios de los cincuenta. Rosemblatz (1952) introduce el perceptrón simple,
un modelo unidireccional compuesto por dos capas de neuronas, una de entrada y otra de salida. La
importancia del perceptrón simple radicaba en su carácter de dispositivo entrenable pues el algoritmo de
aprendizaje permitía que se determinaran automáticamente los pesos sinápticos que clasificaban un
conjunto de patrones etiquetados. [3]
El perceptrón multicapa unido al algoritmo de aprendizaje propagación hacia atrás es una estructura más
grande y compleja, por lo que sus capacidades operativas son mucho mayores.
Los nodos se agrupan por capas conectándose los nodos de una capa con los de la siguiente, y así
sucesivamente. Se trata de una red feedfoward en la cual, las señales se propagan únicamente hacia
delante. La capa de entrada desempeña una única función: transmitir las señales de entrada al resto de la
red. La capa de salida proporciona el vector salida de la red, i.e., el resultado. Serán las capas intermedias,
capas ocultas, las que procesen información extrayendo los rasgos característicos de las señales de entrada.
Mediante un proceso de entrenamiento (algoritmo de propagación hacia atrás) se obtienen un con- junto
óptimo de pesos sinápticos que permite el acercamiento de la salida deseada.

3
Antecedentes
1936 - Alan Turing. Fue el primero en estudiar el cerebro como una forma de ver el mundo de la
computación. Sin embargo, los primeros teóricos que concibieron los fundamentos de la computación
neuronal fueron Warren McCulloch, un neurofisiólogo, y Walter Pitts, un matemático, quienes, en 1943,
lanzaron una teoría acerca de la forma de trabajar de las neuronas (Un Cálculo Lógico de la Inminente
Idea de la Actividad Nerviosa - Boletín de Matemática Biofísica 5: 115-133). Ellos modelaron una red
neuronal simple mediante circuitos eléctricos.
1949 - Donald Hebb. Escribió un importante libro: La organización del comportamiento, en el que se
establece una conexión entre psicología y fisiología. Fue el primero en explicar los procesos del
aprendizaje (que es el elemento básico de la inteligencia humana) desde un punto de vista psicológico,
desarrollando una regla de como el aprendizaje ocurría. Aun hoy, este es el fundamento de la mayoría de
las funciones de aprendizaje que pueden hallarse en una red neuronal. Su idea fue que el aprendizaje
ocurría cuando ciertos cambios en una neurona eran activados. También intentó encontrar semejanzas
entre el aprendizaje y la actividad nerviosa. Los trabajos de Hebb formaron las bases de la Teoría de las
Redes Neuronales.
1950 - Karl Lashley. En sus series de ensayos, encontró que la información no era almacenada en forma
centralizada en el cerebro, sino que era distribuida encima de él.
1956 - Congreso de Dartmouth. Este Congreso frecuentemente se menciona para indicar el nacimiento
de la inteligencia artificial.
1957 - Frank Rosenblatt. Comenzó el desarrollo del Perceptrón. Esta es la red neuronal más antigua;
utilizándose hoy en día para aplicación como reconocedor de patrones. Este modelo era capaz de
generalizar, es decir, después de haber aprendido una serie de patrones podía reconocer otros similares,
aunque no se le hubiesen presentado anteriormente. Sin embargo, tenía una serie de limitaciones, por
ejemplo, su incapacidad para resolver el problema de la función OR-exclusiva y, en general, era incapaz
de clasificar clases no separables linealmente. En 1959, escribió el libro Principios de Neurodinámica, en
el que confirmó que, bajo ciertas condiciones, el aprendizaje del Perceptrón convergía hacia un estado
finito (Teorema de Convergencia del Perceptrón).
1960 - Bernard Widrow/Marcial Hoff. Desarrollaron el modelo Adaline (ADAptative LINear
Elements). Esta fue la primera red neuronal aplicada a un problema real (filtros adaptativos para eliminar
ecos en las líneas telefónicas) que se ha utilizado comercialmente durante varias décadas.
1961 - Karl Steinbeck: Die Lernmatrix. Red neuronal para simples realizaciones técnicas (memoria
asociativa).
1967 - Stephen Grossberg. A partir de sus conocimientos fisiológicos, ha escrito numerosos libros y
desarrollado modelo de redes neuronales. Realizó una red: Avalancha, que consistía en elementos
discretos con actividad que varía en el tiempo que satisface ecuaciones diferenciales continuas, para
resolver actividades como reconocimiento continuo de habla y aprendizaje de los brazos de un robot.
1969 - Marvin Minsky/Seymour Papert. En este año surgieron críticas que frenaron, hasta 1982, el
crecimiento que estaban experimentando las investigaciones sobre redes neuronales. Minsky y Papera, del

4
Instituto Tecnológico de Massachussets (MIT), publicaron un libro Perceptrons. Probaron
(matemáticamente) que el Perceptrón no era capaz de resolver problemas relativamente fáciles, tales como
el aprendizaje de una función no-lineal. Esto demostró que el Perceptrón era muy débil, dado que las
funciones no-lineales son extensamente empleadas en computación y en los problemas del mundo real. A
pesar del libro, algunos investigadores continuaron su trabajo. Tal fue el caso de James Anderson, que
desarrolló un modelo lineal, llamado Asociador Lineal, que consistía en unos elementos integradores
lineales (neuronas) que sumaban sus entradas. Este modelo se basa en el principio de que las conexiones
entre neuronas son reforzadas cada vez que son activadas. Anderson diseñó una potente extensión del
Asociador Lineal, llamada Brain State in a Box (BSB).
1974 - Paul Werbos. Desarrolló la idea básica del algoritmo de aprendizaje de propagación hacia atrás
(backpropagation); cuyo significado quedó definitivamente aclarado en 1985.
1977 - Stephen Grossberg. Teoría de Resonancia Adaptada (TRA). La Teoría de Resonancia Adaptada
es una arquitectura de red que se diferencia de todas las demás previamente inventadas. La misma simula
otras habilidades del cerebro: memoria a largo y corto plazo.
1977 - Teuvo Kohonen. Ingeniero electrónico de la Universidad de Helsinki, desarrolló un modelo similar
al de Anderson, pero independientemente.
1980 - Kunihiko Fukushima. Desarrolló un modelo neuronal para el reconocimiento de patrones
visuales.

5
Arquitectura de la Red
Es un modelo unidireccional compuesto por dos capas de neuronas, una de entrada y otra de salida. La
operación en un perceptrón simple que consta de n neuronas de entrada y m neuronas de salida se puede
expresar como:

con i = 1, . . . , m.

Puede utilizarse como clasificador, radicando su

importancia histórica en su carácter de dispositivo
entrenable, ya que el algoritmo de aprendizaje del
modelo introducido por Rosenblatt (1962) permite
determinar automáticamente los pesos sinápticos que
clasifican un conjunto de patrones a partir de un
conjunto de ejemplos etiquetados.

Ejemplo del funcionamiento de un Perceptrón simple

Contiene 2 neuronas, una de entrada y una de salida, el perceptrón simple tan sólo puede discriminar entre
dos clases linealmente separables, es decir, clases cuyas regiones de decisión pueden ser separadas
mediante una única condición lineal o hiperplano.
Si denotamos por x1 y x2 a las dos neuronas de entrada, la operación efectuada por el perceptrón simple
consiste en:

Si consideramos x1 y x2 situadas sobre los ejes de abscisas y ordenadas respectivamente, la condición

6
es equivalente a:

Representa una recta que define la región de decisión determinada por el perceptrón simple. Es por ello
por lo que dicho perceptrón simple representa un discriminador lineal, al implementar una condición lineal
que separa dos regiones en el espacio que representan dos clases diferentes de patrones.
El perceptrón simple presenta grandes limitaciones, ya que tan sólo es capaz de representar funciones
linealmente separables. Basándose en este hecho, Minsky y Papert (1969) publicaron un trabajo
exponiendo las limitaciones del perceptrón simple, como consecuencia del cual muchos de los recursos
que se venían dedicando a las redes neuronales se desviaron a otros campos de la inteligencia artificial.

Aprendizaje
El algoritmo de aprendizaje del perceptrón simple pertenece al grupo de los algoritmos que se
fundamentan en la corrección de errores. Los algoritmos de este tipo ajustan los pesos de manera
proporcional a la diferencia existente entre la salida actual de la red neuronal y la salida deseada, con el
objetivo de minimizar el error actual de la red.
A continuación, se explica el funcionamiento del algoritmo de aprendizaje de pesos para el perceptrón
simple propuesto por Rosenblatt (1962).
Denotaciones:
𝑥 𝑟 : conjunto de patrones de entrada
𝑐 𝑟 : salidas respectivas, con r = 1, . . . , N.
Supongamos que tanto las variables de entrada como las de salida toman dos posibles valores: −1
y +1.
Se parte de una arquitectura de red neuronal que es un perceptrón simple y se requiere que clasifique
correctamente todos los patrones de los que partimos, para llevar a cabo el entrenamiento de la red
neuronal. La manera en la que actualizaremos los pesos es la siguiente: si ante la presentación de r-ésimo
patrón la respuesta que proporciona el perceptrón simple es correcta, no actualizaremos los pesos, mientras
que si la respuesta es incorrecta los pesos se modificarán según la regla de Hebb, es decir

La regla anterior se puede reescribir de la siguiente manera:

7
Forma habitual de expresar la regla de actualización de pesos del perceptrón simple, cuando las entradas
y las salidas son discretas y toman valores −1 y +1. Puede comprobarse que en este caso la actualización
de pesos únicamente podrá tomar los valores −2ε, 0 y +2ε. A nivel práctico se debe llegar a un compromiso
para el valor del ritmo de aprendizaje, ε, ya que un valor pequeño del mismo implica un aprendizaje lento,
mientras que uno excesivamente grande puede conducir a oscilaciones excesivas de los pesos no
aconsejables en el proceso de entrenamiento.
Conviene aclarar que el proceso de aprendizaje es iterativo. Se parte de una configuración sináptica inicial
–habitualmente pesos pequeños inicializados aleatoriamente– presentándose los patrones una y otra vez,
con objeto de que los pesos se ajusten iterativamente según la regla anterior,
∆𝑤𝑖𝑗𝑟 (𝑡) = 𝜀(𝑐𝑖𝑟 − 𝑦𝑖𝑟 )𝑥𝑗𝑟

Hasta que todos los patrones queden bien clasificados si es posible-. El hiperplano que establece el límite
entre dos clases se desplaza lentamente hasta conseguir separarlas por completo –si esto fuera posible–.
El ajuste de los pesos en la iteración t debido a todo el conjunto de aprendizaje será:

8
Conclusiones personales
Cuando seleccionamos las redes neuronales, como solución a un problema en particular, antes que nada,
debemos tener un conocimiento sobre las redes neuronales, esto con el fin de tener un mejor entendimiento
sobre estas, lo cual nos facilita la elección de los patrones de entrenamiento que utilizaremos.
Otro beneficio de tener un conocimiento previo es que nos puede ofrecer una idea general sobre la
arquitectura que se debe utilizar en la red, así lo que se espera de ella como. En este caso seleccionamos
el tipo de red Perceptron, debido a que es la más simple de implementar.

El perceptron realiza aproximaciones, estas son combinaciones lineales, con múltiples funciones locales
y no lineales, estas se pueden implementar en la vida cotidiana en ámbitos como procesamiento de
imágenes, reconocimiento automático del habla, procesamiento y diagnósticos médicos, entre muchos
otros. Es una de las redes más utilizadas, pero no es de las mejores, ya que cuenta con limitaciones como
el aprendizaje para problemas complejos
La red tipo Perceptron, puede implementarse con el objetivo de resolver problemas en los que haya que
clasificar patrones que sean separables, entre más sencillos sean los patrones los cuales esta red debe
clasificar habrá una mejor respuesta.

Las redes neuronales, al estar basadas en modelos biológicos del funcionamiento del cerebro humano,
obtienen una gran ventaja en comparación con otros modelos que son muy usados en la solución de
problemas de la ingeniería, el hecho de estar basadas en los modelos biológicos del funcionamiento del
cerebro facilita su estudio gracias al uso de analogías que se pueden introducir para su análisis.

9
Bibliografía y/o referencias
[1] Caridad, J.M. y Ceular, N. (1999). CARIDAD, J.M. y CEULAR, N. (2000b): «Neural networks vs. Hedonic model in the estimation of
real state prices: a case of study

[2] Martínez de Lejarza, I. (1996). MARTÍNEZ DE LEJARZA y ESPARDUCER, I. (1996): «Redes neuronales auto-organizadas y
clustering

[3] Martín del Brío, A. (1997) MARTÍN DEL BRÍO, A. y SANZ DE MOLINA, A. (1997): Redes Neuronales y Sistemas Borrosos.
RaMa

[4] Larrañaga P., Inza I. & Moujahid A.. (2014). Redes Neuronales. 2014, de Universidad del Pa ís Vasco–Euskal Herriko
Unibertsitatea Sitio web: http://www.sc.ehu.es/ccwbayes/docencia/mmcc/docs/t8neuronales.pdf

10
 Anexos
El perceptrón es una herramienta matemática que permite separar grupos "linealmente separables"
El funcionamiento del perceptrón implementado será:

𝑠 = { 1 𝑠𝑠𝑖 ∑ 𝑋𝑖𝑊𝑖
𝑖=1
0 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜

La simulación realizada fue realizada aplicando los conocimientos adquiridos tomando como referencia
el perceptrón, se realizó:

“Neurona que aprende a reconocer números decimales de 7 segmentos de un display”

Softwares utilizados:
Código en C# (Microsoft Visual Studio)
La base de datos utilizada es de SQL Server 2008 (Microsoft SQL Server Management Studio 2008)

x1

x6 x2
1 = encendido
x7
0 = apagado
x5 x3
x4

Resultado deseado = numero - 8 -

En la columna Sd se seleccionará cual es el número que se desea reconocer en este caso el número es 8
Podremos modificar el número que se desea reconocer

11
MANUAL DE USUARIO
a. Instalar Microsoft Visual Studio
Paso 1: Asegurarse de que el equipo está listo para Visual Studio
Antes de comenzar la instalación de Visual Studio:
- Compruebe los requisitos del sistema. Estos requisitos le permiten saber si el equipo es
compatible con Visual Studio 2019.
- Aplique las actualizaciones de Windows más recientes. Estas actualizaciones garantizan que el
equipo tiene las actualizaciones de seguridad más recientes y los componentes del sistema
necesarios para Visual Studio.
- Reinicie el equipo. El reinicio garantiza que cualquier actualización o instalación pendiente no
dificultará la instalación de Visual Studio.
- Libere espacio. Quite los archivos y aplicaciones innecesarios dé %SystemDrive% ejecutando,
por ejemplo, la aplicación Liberar espacio.

Paso 2: Descargar Visual Studio

A continuación, descargue el archivo de programa previo de Visual Studio. Para ello, elija el siguiente
botón, la edición de Visual Studio que quiera instalar, Guardar y, por último, Abrir carpeta.

Paso 3: Desinstalar el Instalador de Visual Studio

Ejecute el archivo de programa previo para instalar el Instalador de Visual Studio. Este nuevo instalador
ligero incluye todo lo necesario para instalar y personalizar Visual Studio.
Desde la carpeta Descargas, haga doble clic en el archivo de programa previo que coincida o sea similar
a uno de los siguientes archivos:
- vs_community.exe para Visual Studio Community
- vs_professional.exe para Visual Studio Professional
- vs_enterprise.exe para Visual Studio Enterprise
Si recibe un aviso de Control de cuentas de usuario, elija Sí.
Le pedirá que acepte los Términos de licencia de Microsoft y la Declaración de privacidad de Microsoft.
Elija Continuar.

12
Paso 4: Elección de las cargas de trabajo
Una vez instalado el Instalador, puede usarlo para personalizar la instalación mediante la selección de
los conjuntos de características, o cargas de trabajo, que desee. Esta es la manera de hacerlo.
Después de que se instalen los nuevos componentes y cargas de trabajo, elija Iniciar.

Por ejemplo, elija la carga de trabajo "Desarrollo de ASP.NET y web". Incluye el editor principal
predeterminado, que contiene compatibilidad de edición de código básica para más de 20 lenguajes, la
capacidad de abrir y editar código desde cualquier carpeta sin necesitar un proyecto y control de código
fuente integrado.
Después de elegir las cargas de trabajo que quiera, haga clic en Instalar.
Después, aparecerán las pantallas de estado que muestran el progreso de su instalación de Visual Studio.

13
Paso 5: Selección de componentes individuales (opcional)
Si no quiere usar la característica Cargas de trabajo para personalizar la instalación de Visual Studio o
quiere agregar más componentes de los que instala una carga de trabajo, puede hacerlo instalando o
agregando componentes individuales desde la pestaña Componentes individuales. Elija los elementos
que quiera y, luego, siga las indicaciones.

Paso 6 - Instalar paquetes de idioma (opcional)

De manera predeterminada, el programa instalador intenta hacer coincidir el idioma del sistema
operativo cuando se ejecuta por primera vez. Para instalar Visual Studio en un idioma de su elección,
elija la pestaña Paquetes de idioma del Instalador de Visual Studio y siga las indicaciones.

Cambio del idioma del instalador en la línea de comandos

Otra manera de cambiar el idioma predeterminado es mediante la ejecución del instalador desde la línea
de comandos. Por ejemplo, puede forzar al instalador a utilizar el inglés utilizando el comando siguiente:
vs_installer.exe --locale en-US. El instalador recordará esta configuración cuando se ejecute la próxima

14
vez. El instalador admite los siguientes tokens de idioma: zh-cn, zh-tw, cs-cz, en-us, es-es, fr-fr, de-de,
it-it, ja-jp, ko-kr, pl-pl, pt-br, ru-ru y tr-tr.

Paso 8: Empezar a desarrollar

- Cuando la instalación de Visual Studio haya finalizado, elija el botón Iniciar para empezar a
desarrollar con Visual Studio.
- En la ventana de inicio, elija Crear un proyecto nuevo.
- En el cuadro de búsqueda, escriba el tipo de aplicación que quiera crear para ver una lista de
plantillas disponibles. La lista de plantillas depende de las cargas de trabajo que eligió durante la
instalación. Para ver diferentes plantillas, elija diferentes cargas de trabajo.
- También puede filtrar la búsqueda de un lenguaje de programación específico mediante la lista
desplegable Lenguaje. Además, puede filtrar mediante la lista Plataforma y la lista Tipo de
proyecto.
- Visual Studio abre el nuevo proyecto y ya se puede empezar programar.

b. Instalar Microsoft SQL Server Management Studio 2008

Paso 1: Descargar los archivos de instalación
Primero que nada usted necesita descargar los archivos de instalación de SQL Server Management
Studio (SQLManagementStudio_x64_ENU.exe / SQLManagementStudio_x86_ENU.exe) desde la
página de descargas de SQL Server dependiendo del tipo de su servidor (x64, x86), y mantenerlos en
una carpeta separada.

15
Paso 2: Ejecutar el archivo
Una vez que ha descargado el archivo respectivo para su tipo de servidor, usted necesita ejecutarlo. Eso
lo llevará a la primera pantalla llamada SQL Server Installation Center, como se muestra a continuación.
Esta es la pantalla primaria de instalación de SQL Server. Otras instalaciones de herramientas de SQL
Server pueden ser lanzadas desde aquí también. Una vez que esté en esta pantalla, usted necesita
seleccionar “New SQL Server stand-alone installation or add features to an existing installation” para
proceder con la instalación.

Paso 3:
Una vez que seleccione la opción “New SQL Server stand-alone installation or add features to an
existing installation”, tal opción seleccionará las reglas de configuración (pre-requisitos) en el servidor y
lo llevará a la pantalla de términos de licencia. Los términos de licencia deben ser leídos y aceptados
como los términos de cualquier otra aplicación. Por favor note que usted debe pasar las reglas de
configuración para proceder con la instalación.

Paso 4:
Una vez que acepta los términos de licencia, es tiempo de escanear todas las actualizaciones disponibles
para el producto. Las actualizaciones requeridas, el tamaño y los detalles serán mostrados. De todas
maneras, si usted necesita más detalles, usted puede seleccionar More Information, lo cual lo llevará a

16
la página de soporte, donde usted encontrará todos los detalles relacionados a las actualizaciones. Usted
puede ignorar estas actualizaciones deseleccionando la opción ‘Include SQL Server product updates’
en este punto.

Paso 5:
El siguiente paso es Install Setup Files, donde la configuración de SQL Server Management Studio
(SSMS) descargará e instalará todos los archivos de configuración necesarios para su servidor.

Paso 6:
Una vez que la configuración de SQL Server Management Studio (SSMS) está termina la instalación de
los archivos de configuración, se verifican las reglas de soporte de configuración para proceder. Luego
lo envía a la pantalla de selección de características. Esta es una pantalla exhaustiva que ha detallado
información acerca de cada característica. Cuando corremos la instalación de SQL Server Management
Studio (SSMS), se selecciona Management Tools por defecto, así que usted no necesita seleccionar
nada aquí. Adicionalmente usted puede seleccionar Management tolos – Basic. Para obtener más

17
información acerca de esta característica usted puede ver la descripción detallada de la característica en
el lado derecho.
Esta pantalla también le da la habilidad de seleccionar y deseleccionar todas las características de una
sola vez. Esto ahorra mucho tiempo cuando usted necesita instalar múltiples características. También
provee información detallada acerca de los pre requisitos, las características seleccionadas, qué pre
requisitos han sido ya instalados y cuáles serán instalados a través de ésta instalación. Usted sólo
necesita hacer clic en el botón Next para continuar.

Paso 7:
En este paso, SQL Management Studio (SSMS) verificará las reglas de instalación (pre requisito para
SSMS). Sólo haga clic en el botón Next para continuar

18
Paso 8:
En este paso la configuración de SQL Server Management Studio (SSMS) verificará el espacio del
disco. Por favor asegúrese de que tiene suficiente espacio de disco disponible. No tener suficiente
espacio de disco puede resultar en fallas en la instalación. Haga clic en el botón Next para continuar.

Paso 9:
En este paso, usted tiene la oportunidad de decidir si mandar o no notificaciones de error a Microsoft.
Esto es altamente recomendado para ayudar a Microsoft a mejorar futuros lanzamientos y para
solucionar errores en el lanzamiento existente.

19
Paso 10:
Una vez que hace clic en el botón Next, se verificarán las reglas de configuración y si pasaron, el
asistente continuará. Este paso tomará tiempo para instalar SQL Server

Management Studio. Usted puede sentarse y relajarse

Paso 11:
Este paso muestra el estado de instalación de SQL Server Management Studio (SSMS) junto con cada
característica, como un resumen. Esta pantalla realmente ayuda a ver qué ha sido instalado y qué no. En
el caso de que una de las características no pueda ser instalada, usted puede volver a correr el mismo
procedimiento de instalación e instalar esa característica particular.

20
 Paso 12:
Para verificar si SQL Server Management Studio (SSMS) se ha instalado exitosamente, usted necesita
seleccionar el menú de inicio de su servidor y después seleccionar el menú SQL Server 2012. Usted
encontrará el enlace a SQL Server Management Studio ahí.

c.- Archivos necesarios

Archivo del codigo fuente (C#) lo abriremos en Microsoft Visual Studio

21
 Back up de la base de datos (SQL)
Esta base de datos la abriremos en Microsoft SQL Server Management Studio 2008

Doble clic

Nos abrira la base de datos

22
Para hacer el Backup donde se guardara la información del perceptrón
Clic Derecho

Clic

Nos abrira la siguiente ventana

1. Seleccionamos esta opción 2. Clic

23
 3. Clic

24
 Nos abrira la siguiente ventana

2. Seleccionamos la carpeta
donde guardamos el archivo
(Inteligencia Artificial)

2. Seleccionamos el
archivo

1. Damos la opción All

Files(*) – esto para
que aparezca el
archivo “Inteligencia
Artificial” -
3. Por último le damos
clic en OK

25
 1. damos clic en OK

1. Nombramos la base de datos

3. Seleccionamos From
device

2. Seleccionamos restore

4. Damos clic en OK

26
 Nos aparecera esta ventana (la base de datos IA ha sido completada satisfactoriamente)

Damos clic en OK

La base de datos aparecerá en Microsoft SQL Server Management Studio 2008

27
d. Codigo del programa SQL

Conexión de las clases a la base de datos

Los datos se guardan en un vector de entradas

28
Clases Perceptron

Solución deseada (Instancia)

Solución obtenida (Instancia)
El digito que nosotros queremos ingresar (Instancia)

En cada uno se guarda el valor correspondiente

29
 Columna deseada

Pesos

Umbral = 0

Numero de errores hasta

obtener la solución deseada

Imagen visual representación del perceptrón Columna obtenida

e. Formula implementada
While(ExistenErrores)
{
for(i=1;i<=n;i++)
if(perceptron equivocado)
if(diceNO) //debedecir SI
W=W+X;
if(diceSI) //debedecir NO
W=W-X;
}

Función que calcula el error

Vector de las entradas

Vector de los pesos (Estos se van

alterando los pesos según se va
obteniendo la solución)

30
f. Simulación del perceptron

Corremos el programa

Al correr el programa nos aparecerá la siguiente ventana en la cual tendremos que darle clic en calcular

31
Como la solución deseada (numero 8) no es igual que la opción solución obtenida entonces marca “Error
del Perceptron” esto pasara hasta que la solución obtenida sea igual a la solución deseada

Le damos clic en OK

Sigue dando error porque son diferentes y aquí ya empieza a calcular los pesos

32
Cada que le damos clic en OK se hace otra vez la operación si vemos en las imágenes las columnas de
Solución deseada y Solución obtenida, van cambiando
Así como los pesos, esto quiere decir que el perceptron tiene errores altos y errores bajos
Seguiremos dando OK hasta que la Solución deseada sea igual a la Solución obtenida

33
34
35
36
Después de 20 errores marcados por fin obtenemos la solución deseada
- Reconoció el numero 8 encendido como vemos en la siguiente imagen la columna de solución deseada
y solución obtenida son iguales y el sistema da por terminada la tarea

Las 2 columnas son iguales

37