¿Qué es una red neuronal artificial?
Sistemas informáticos inspirados en redes neuronales biológicas con nodos interconectados en capas que procesan información a través de conexiones ponderadas
Summary
- Compuesto por una capa de entrada que recibe datos, capas ocultas que transforman las entradas mediante conexiones ponderadas y funciones de activación, y una capa de salida que produce predicciones, con retropropagación que ajusta los pesos durante el entrenamiento.
- Aprende representaciones jerárquicas extrayendo automáticamente características de los datos sin procesar, eliminando la ingeniería manual de características y habilitando aplicaciones en reconocimiento de imágenes, procesamiento del lenguaje natural, reconocimiento de voz y sistemas autónomos.
- Requiere grandes conjuntos de datos para el entrenamiento a fin de evitar el sobreajuste, se beneficia de la aceleración por GPU para operaciones matriciales y utiliza arquitecturas como redes convolucionales para imágenes, redes recurrentes para secuencias y transformadores para lenguaje.
¿Qué es una red neuronal artificial?
Una red neuronal artificial (ANN) es un sistema informático que imita el funcionamiento de las neuronas en el cerebro humano.
¿Cómo funcionan las redes neuronales artificiales?
Las redes neuronales artificiales se pueden ver mejor como gráficos dirigidos ponderados que comúnmente se organizan en capas. Estas capas cuentan con muchos nodos que imitan las neuronas biológicas del cerebro humano que están interconectados y cuentan con una función de activación. La primera capa recibe la señal de entrada sin procesar del mundo exterior y de forma análoga a los nervios ópticos en el procesamiento visual humano. Cada capa sucesiva obtiene la salida de la capa que la precede, de manera similar a la forma en que las neuronas que están situadas más lejos del nervio óptico reciben señales de las más cercanas a ellas. La salida en cada nodo se denomina su activación o valor de nodo. El último nivel produce la salida del sistema. Las redes neuronales artificiales son en realidad modelos matemáticos con la capacidad de aprender. Mediante el uso de estas redes, pudimos mejorar las tecnologías existentes de análisis de datos. Ellas son una de las razones por las que hemos visto un progreso importante en la inteligencia artificial (IA), el aprendizaje automático (ML) y el profundo.
Red neuronal artificial perceptrón
El perceptrón es el tipo más simple de red neuronal artificial. Este tipo de red se utiliza normalmente para hacer predicciones binarias. Un perceptrón solo puede funcionar si los datos son linealmente separables.
Gartner®: Databricks, líder en bases de datos en la nube
Red neuronal artificial multicapa
Una red neuronal multicapa completamente conectada también se conoce como perceptrón multicapa (MLP). Este tipo de red neuronal artificial está compuesto por más de una capa de neuronas o nodos artificiales (p. ej.: la red neuronal convolucional, la red neuronal recurrente, etc.). Una ANN de múltiples capas se utiliza para resolver tareas de clasificación y regresión más complejas. El modelo más común es el modelo de retropropagación totalmente conectado de tres capas. La primera capa consiste en neuronas de entrada, que envían datos a la segunda capa, que a su vez envía las neuronas de salida a la tercera capa.
Además, existen dos topologías de red neuronal artificial: FeedForward y de retroalimentación (feedback).
Red neuronal artificial de alimentación FeedForward
En esta red neuronal artificial, el flujo de información es unidireccional. La información viaja solo en una dirección: hacia adelante, sin crear ningún bucle de retroalimentación. Primero pasa por los nodos de entrada, luego por los nodos ocultos (en caso de que los haya) y, al final, pasa por los nodos de salida.
Red neuronal artificial de retroalimentación
En este caso, existen conexiones de retroalimentación inherentes entre las neuronas de las redes. Aquí se permiten los bucles de retroalimentación.
