Redes Neuronales Artificiales

PANORAMA DE LAS REDES NEURONALES

Para construir una computadora que sea capaz de pensar como el humano, los investigadores han el modelo de trabajo que tienen disponible, el cerebro humano. Sin embargo, el cerebro humano es demasiado complejo de modelar. Las células individuales que conforman el cerebro humano son estudiadas. En su nivel más básico, el cerebro humano está compuesto principalmente de neuronas. Las redes neuronales artificiales intentan simular el comportamiento de estas células.

Una neurona como la de la figura 1, acepta señales de las dendritas. Cuando una neurona acepta una señal, la neurona puede encenderse. Cuando una neurona se enciende, una señal es transmitida sobre el axón de la neurona. En última instancia, la señal abandonará la neurona a medida que viaja a los axones terminales. La señal se transmite a otras neuronas o nervios.

La señal transmitida por la neurona es analógica. Debido a que es analógica, el voltaje de cada señal podría variar. Si el voltaje está dentro de cierto rango, la neurona se enciende. Cuando una neurona se enciende, una nueva señal analógica es transmitida desde la neurona encendida a otras.

Problemas no adecuados para una solución con redes neuronales

• Si el programa consiste en una serie de pasos bien definidos, las técnicas de programación normales son adecuadas.

• Una de las características principales de las redes neuronales es la habilidad de aprender. Si el algoritmo utilizado para resolver un problema de una regla de negocio que no cambia, no hay razón para utilizar una RNA. Podría ser perjudicial para la aplicación si la RNA intenta encontrar una mejor solución y comenzará a desviarse del proceso deseado y producirá resultados inesperados.

• Las RNA no son adecuadas para problemas en los cuales se debe conocer exactamente cómo la solución fue derivada. Una RNA puede ser útil para resolver problemas para los cuales fue entrenado, pero no puede explicar su razonamiento. La red neuronal conoce algo porque fue entrenado para conocerlo.

Problemas adecuados para una solución con redes neuronales

• Las redes neuronales son particularmente útiles para resolver problemas que no pueden ser expresados en una serie de pasos, como el reconocimiento de patrones, clasificación, series de predicción y minería de datos.

Entrenamiento de las RNA

El entrenamiento es el proceso por el cual los pesos de las conexiones son asignados. Los métodos de entrenamiento caen dentro de las categorías de supervisado, no supervisado y varios acercamientos híbridos.

El entrenamiento supervisado, es logrado dando a la RNA una serie de datos de ejemplo con las salidas anticipadas desde cada una de estos ejemplos. El entrenamiento supervisado es la forma más común de entrenamiento de las redes neuronales.

El entrenamiento no supervisado es similar al entrenamiento supervisado excepto que ninguna salida anticipada es proporcionada. El entrenamiento no supervisado usualmente ocurre cuando la red neuronal está siendo usada para clasificar entradas en varios grupos.

Existen muchos métodos híbridos que combinan aspectos de los métodos supervisados y los no supervisados. Uno de estos métodos es llamado entrenamiento por reforzamiento. Con este método, una RNA es prevista con datos de ejemplo que no contienen salidas anticipadas como es hecho con el entrenamiento no supervisado. Sin embargo, por cada salida, a la RN se le dice si fue correcta o incorrecta dada la entrada.

Validación de las RNA

Este es el paso final, es muy importante porque permite determinar si algún entrenamiento adicional es requerido. Para validar correctamente una red neuronal, la validación de los datos debe ser completamente separada de los datos de entrenamiento.

Es muy importante que un grupo separado de los datos siempre

...