Algoritmos neuronales 101

Algoritmos neuronales

Una red neuronal biológica (donde se originan los algoritmos neuronales) se refiere a los elementos de procesamiento de información del sistema nervioso, organizados como una colección de células neuronales, llamadas neuronas, que están interconectadas en redes e interactúan entre sí mediante señales electroquímicas. Una neurona biológica generalmente se compone de un axón que proporciona las señales de entrada y está conectado a otras neuronas a través de sinapsis. La neurona reacciona a las señales de entrada y puede producir una señal de salida en su conexión de salida llamada dendrita.

El campo de las redes neuronales artificiales o algoritmos (ANN) se ocupa del estudio de modelos informáticos inspirados en teorías y la observación de la estructura y función de redes biológicas de células neuronales en el cerebro. Suelen estar diseñados como modelos para resolver problemas. Matemáticas, informática e ingeniería. Como tal, hay mucha investigación interdisciplinaria en matemáticas, neurobiología e informática.

Una red neuronal artificial generalmente se compone de una colección de neuronas artificiales que están interconectadas para realizar ciertos cálculos en modelos de entrada y crear modelos de salida. Son sistemas adaptativos capaces de modificar su estructura interna, generalmente los pesos entre nodos de la red, lo que les permite ser utilizados para una variedad de problemas de aproximación de funciones como clasificación, regresión, extracción de características.

Hay muchos tipos de redes neuronales, muchas de las cuales se dividen en dos categorías:

• Redes de acción directa: donde la entrada se proporciona en un lado de la red y las señales se propagan hacia adelante (en una dirección) a través de la estructura de la red en el otro lado donde se leen las señales de salida. Estas redes pueden estar formadas por una célula, una capa o varias capas de neuronas. Algunos ejemplos incluyen el perceptrón, las matrices de funciones de base radial y las matrices de perceptrones multicapa.
• Redes recurrentes: donde se permiten ciclos en la red y la estructura puede estar completamente interconectada. Los ejemplos incluyen red Hopfield y memoria asociativa bidireccional.

Las estructuras artificiales de la red neuronal están formadas por nodos y pesos que generalmente requieren entrenamiento basado en modelos de muestra de un área problemática. A continuación se muestran algunos ejemplos de estrategias de aprendizaje:

• Aprendizaje supervisado: la red tiene una respuesta esperada conocida. El estado interno de la red se modifica para que coincida mejor con el resultado esperado. Ejemplos de este método de aprendizaje incluyen el algoritmo de propagación hacia atrás y la regla de Hebb.
• Aprendizaje no supervisado: la red está expuesta a patrones de entrada de los que debe discernir significado y extraer funcionalidad. El tipo más común de aprendizaje no supervisado es el aprendizaje competitivo en el que las neuronas compiten entre sí según el patrón de entrada para producir un patrón de salida. Los ejemplos incluyen gas neural, cuantificación vectorial del aprendizaje y el mapa autoorganizativo.

Las redes neuronales artificiales o los algoritmos son generalmente difíciles de configurar y lentos de entrenar, pero una vez preparados son muy rápidos de aplicar. Generalmente se utilizan para áreas problemáticas basadas en la aproximación de funciones y se valoran por sus capacidades de generalización y tolerancia al ruido. Se sabe que son una caja negra, lo que significa que es difícil explicar las decisiones que toma la red.