Todo el mundo habla de inteligencia artificial hoy en día y si has leído algo al respecto, probablemente hayas notado el término «red neuronal», ya que van de la mano. Entonces, ¿qué es una red neuronal artificial (RNA)? En lugar de profundizar en detalles técnicos complejos, queremos brindarle una introducción fácil de leer a esta asombrosa parte del aprendizaje automático. “Las redes neuronales artificiales (RNA) o sistemas conexionistas son sistemas informáticos vagamente inspirados en las redes neuronales biológicas que constituyen cerebros animales. La red neuronal en sí no es un algoritmo, sino más bien un marco para que muchos algoritmos diferentes de aprendizaje automático trabajen juntos y procesen entradas de datos complejas. Estos sistemas “aprenden” a realizar tareas considerando ejemplos, generalmente sin estar programados con reglas específicas de la tarea. Una ANN se basa en una colección de unidades o nodos conectados llamados neuronas artificiales, que modelan vagamente las neuronas en un cerebro biológico. Cada conexión, como las sinapsis en un cerebro biológico, puede transmitir una señal de una neurona artificial a otra. Una neurona artificial que recibe una señal puede procesarla y luego enviar señales a neuronas artificiales adicionales conectadas a ella”. — Wikipedia Puedes pensar en las redes neuronales como una capa de clasificación y agrupación sobre los datos. Ayudan a clasificar datos no marcados comparándolos con entradas de ejemplo y relacionan datos cuando tienen un conjunto de datos marcado para entrenar. Imagine una línea de fábrica para comprender cómo funciona una red neuronal en un nivel básico. Supongamos que el conjunto de datos es materia prima, son datos de entrada que luego se mueven hacia abajo por la banda transportadora, y en cada paso siguiente se extrae información sobre las características de entrada. Por ejemplo, si ingresamos una imagen y la red tiene que identificar un objeto en ella, la primera capa podría analizar el color de los píxeles. Las siguientes capas pueden identificar campos separados de píxeles del mismo color. Después de esto, otra capa puede identificar formas y texturas, y así sucesivamente. Al final de la «línea transportadora», la red neuronal tendrá varios detectores de características que trabajan juntos y pueden reconocer objetos individuales en la imagen, como «automóvil» o «perro». Después de este proceso de aprendizaje, un desarrollador puede etiquetar el salida y darle a la red neuronal otra entrada para entrenar. En las primeras etapas, un desarrollador observará la red y la modificará si comete errores. Después de algunas iteraciones, la red funcionará sin ninguna interferencia humana y mejorará con cada nueva entrada, ya que recuerda una experiencia anterior. Además, existen varios tipos de aprendizaje, tales como: En cada uno de ellos, la red aprende automáticamente al intentar mejorar su puntuación de éxito.Existen varios tipos principales de redes neuronales, cada una de ellas se utiliza en momentos específicos y tiene diferentes niveles de complejidad:Red neuronal feedforward, el tipo más básico de red neuronal. Aquí la información viaja únicamente de la entrada a la salida. La red neuronal recurrente es un tipo más utilizado, en el que los datos pueden pasar en ambas direcciones. Estas redes neuronales tienen mejores capacidades de aprendizaje. Las redes neuronales convolucionales son como las anteriores pero entienden de antemano un tipo de entrada, por ejemplo, que las entradas son imágenes. Estos reducen enormemente el número de parámetros en la red y hacen que la función directa sea más práctica de implementar. Las redes de Hopfield funcionan como sistemas de memoria asociativa y presentan un modelo para comprender la memoria humana. Las redes de máquinas de Boltzmann son una versión estocástica de las redes de Hopfield, pero rara vez se utilizan en la práctica. usado. También hay una gran variedad de otros tipos. Para elegir la red neuronal adecuada, debe tener en cuenta el momento en el que desea entrenar su red y qué problema debería resolver. A veces es necesario utilizar varios métodos, por ejemplo en casos tan complicados como el reconocimiento de voz. La formación comienza alimentando una red con una gran cantidad de datos. Cuando se proporciona la entrada, se le dice a la red cuál debería ser la salida. Por ejemplo, para construir una red para identificar automóviles, la capacitación inicial podría consistir en un conjunto de imágenes de automóviles, letreros de marcas de automóviles, bicicletas, autos de juguete, etc. Cada entrada se identifica mediante parámetros coincidentes como “nombre de marca de automóvil”, “no un coche”. Dar las respuestas a una red le ayuda a ajustar sus ponderaciones internas para aprender a desempeñarse mejor. Al igual que los humanos, las redes neuronales se vuelven más eficientes con el tiempo y cometen menos errores al repetir la misma tarea una y otra vez y luego pueden detectar fácilmente un modelo específico de Honda en cualquier foto dada. Las redes neuronales artificiales se pueden usar para agrupar datos. clasificar información o predecir resultados. Los casos de uso más populares son: Chatbots Predicción del mercado de valores Procesamiento y traducción del lenguaje natural Planificación y optimización de rutas de conductores Clasificación y análisis de documentos Existe una red neuronal de 30 capas que impulsa a Google Photos y Facebook utiliza redes neuronales artificiales para su algoritmo DeepFace, que puede reconocer caras en las fotos. La traducción en tiempo real de Skype también funciona con la ayuda de ANN. Estos son sólo algunos casos de cómo se puede implementar una red neuronal. Se utiliza principalmente cuando existen patrones o reglas estrictas y grandes cantidades de datos que los humanos no pueden procesar.

Source link