Historia de las Redes Neuronales

Historia de las Redes Neuronales

En el año de 1930 Alan Turing, fue el primer en ver el cerebro como una forma de ver el mundo de la computación, sin embargo, existieron 2 teóricos que concibieron en los fundamentos de la computación Neuronal que fueron Warren McCulloch un neurofisiologo y Walter Pitts, un matemático quien, en el año de 1943, crearon una teoría acerca de la forma de trabajar de las neuronas y de esta manera modelaron una red neuronal simple de circuitos electrónicos.

Frank Rosenblatt en 1957 comenzó el desarrollo el perceptrón, la red neuronal más antigua, al día de hoy es utilizada como identificador de patrones, es decir que una vez que aprendía un patrón nuevo era capaz de reconocer otros que sean similares, aunque anteriormente no los haya aprendido por completo.

Pero en el año de 1969 Marvin Minsky y Seymour Papert probaron de forma matemática que el perceptrón no era capaz de resolver problemas relativamente fáciles, como ser las funciones no-lineal, demostrando así que este era débil dando que estas funciones son utilizadas en computación y el mundo real.

Stephen Grossberg en el año de 1977 creo la teoría de resonancia adaptada(TRA) esta teoría es una arquitectura de red que simulas habilidades del cerebro, como ser la memoria a largo y corto plazo.

Luego del año 1986, la investigación sobre redes neuronales fue alentador, actualmente existen numerosos trabajos sobre aplicaciones nuevas basadas en Redes neuronales sobre todo a áreas de control tanto de hardware y software.

Definición de una red neuronal.

Se puede decir que una red neuronal es una forma de computación, inspirada en modelos biológicos, compuesta por un gran número de elementos organizados en diferentes niveles, los cuales procesan información, también se puede decir que son redes interconectadas masivamente en paralelo y que a su vez interactúan con los objetos del mundo real del mismo modo que lo hace el sistema nervioso biológico.

Ventajas que ofrece las redes neuronales.

Debido a su constitución una red neuronal cuenta con características similares al del cerebro humano, ya que son capaces aprender de la experiencia y absorber características esenciales a partir de entradas que representan información irrelevante, haciendo que estas tecnologías se estén aplicando en múltiples Áreas, algunas ventajas son:

Aprendizaje Adaptativo

Se considera una de las características más atractiva de redes neuronales, ya que aprende a llevar a cabo ciertas tareas mediante un entrenamiento con ejemplos ilustrativos.

Ya que pueden aprender a diferenciar patrones y no es necesario elaborar modelos a priori, son sistemas adaptables a la capacidad de autoajuste de los elementos procesales de los sistemas.

Auto-Organización

Tienen la capacidad de aprendizaje adaptativo para auto organizar la información que reciben durante el aprendizaje o la operación.

Esta auto organización crea la facultad de las neuronales de responder apropiadamente cuando se les presentan datos o situaciones a las que no había sido expuesta anteriormente. Esta característica es importante cuando se tiene que solucionar problemas en los cuales la información de entrada no es muy clara, ya que permite que el sistema de una solución incluso cuando la información entrada esta especificada de forma incompleta.

Tolerancia a Fallos

Estas redes fueron los primeros métodos computacionales con la capacitada de tolerancia a fallos, comparado con los sistemas computacionales tradicionales.

Hay 2 aspectos distintos respecto a la tolerancia a fallos:

• Pueden aprender a reconocer patrones con ruido, distorsionados o incompletos, siendo una tolerancia a fallos respecto a los datos.
• Aunque se destruya parte de la red, esta puede seguir realizando su función.

Y el motivo principal por que estas redes son tolerables a fallos es porque su información se encuentra distribuida en las conexiones entre neuronas, existiendo cierto grado de redundancia en este tipo de almacenamiento. La mayoría de ordenadores algorítmicos y sistemas de recuperación datos almacenan cada pieza de información en un espacio único. Por lo tanto, la mayoría de interconexiones entre los nodos de la red tendrá sus valores en función de los estímulos recibidos y generará un patrón de salida que representa la información almacenada.

Fácil inserción dentro de la tecnología existente

Una red de este tipo puede ser rápidamente entrenada, comprobada, verificada y trasladada a una implementación hardware de bajo costo, por lo tanto, no presenta dificultades para la inserción de redes neuronales en aplicaciones específicas, de esta manera las redes neuronales se pueden utilizar para mejorar sistemas en forma incremental y cada paso puede ser evaluado antes de acometer un desarrollo más amplio.

Elemento Básicos que componen una red neuronal.

...