Sem título

REDES NEURONALES ARTIFICIALES

CONCEPTO

Las redes neuronales artificiales (RNA) son modelos de la inteligencia artificial que se inspiran en el comportamiento de las neuronas y las conexiones cerebrales para resolver problemas.

TIPOS DE REDES NEURONALES

Red neuronal Monocapa

(Perceptrón simple)

La red neuronal monocapa se corresponde con la red neuronal más simple, está compuesta por una capa de neuronas que proyectan las entradas a una capa de neuronas de salida donde se realizan los diferentes cálculos.

Red neuronal Multicapa

(Perceptrón multicapa)

La red neuronal multicapa es una generalización de la red neuronal monocapa, la diferencia reside en que mientras la red neuronal monocapa está compuesta por una capa de neuronas de entrada y una capa de neuronas de salida, esta dispone de un conjunto de capas intermedias (capas ocultas) entre la capa de entrada y la de salida.

Red neuronal Convolucional

(CNN)

La principal diferencia de la red neuronal convolucional con el perceptrón multicapa viene en que cada neurona no se une con todas y cada una de las capas siguientes sino que solo con un subgrupo de ellas (se especializa), con esto se consigue reducir el número de neuronas necesarias y la complejidad computacional necesaria para su ejecución.

Red neuronal recurrente

(RNN)

Las redes neuronales recurrentes no tienen una estructura de capas, sino que permiten conexiones arbitrarias entre las neuronas, incluso pudiendo crear ciclos, con esto se consigue crear la temporalidad, permitiendo que la red tenga memoria.

Redes de base radial

(RBF)

Las redes de base radial calculan la salida de la función en función de la distancia a un punto denominado centro. La salida es una combinación lineal de las funciones de activación radiales utilizadas por las neuronas individuales.

CLASIFICACIÓN DE REDES SEGÚN EL MÉTODO DE APRENDIZAJE

Aprendizaje supervisado.

Se caracteriza porque el proceso de aprendizaje se realiza mediante un entrenamiento controlado por un supervisor que determina la respuesta que se debe generar para cada entrada.

APRENDIZAJE POR CORRECCIÓN DE ERROR.

Ajusta los pesos de las conexiones de la red en función del error cometido, es decir la diferencia entre los valores esperados y los obtenidos.

APRENDIZAJE ESTOCÁSTICO.

Realiza cambios aleatorios sobre los pesos va calculando se la predicción va mejorando o empeorando con cada uno de los cambios, quedándose evidentemente con los cambios que mejoren los resultados.

APRENDIZAJE NO SUPERVISADO O AUTOSUPERVISADO.

Se caracteriza porque no requieren influencia externa para ajustar los pesos, este tipo de aprendizaje busca encontrar las características, regularidades, correlaciones o categorías que se puedan establecer entre los datos que se presenten como entrada.

A su vez el aprendizaje no supervisado se puede subdividir en:

APRENDIZAJE HEBBIANO.

Permite medir la familiaridad o extraer las características de los datos de entrada.

APRENDIZAJE COMPETITIVO Y COMPARATIVO.

Permite realizar clasificaciones de los datos de entrada, la forma de actuación consiste en ir añadiendo elementos a una clase, si este nuevo elemento se determina que es de esta clase matiza los pesos, en caso contrario se puede crear una nueva clase con el elemento asociando a una serie de pesos propios.

APRENDIZAJE POR REFUERZO

Se considera un aprendizaje más lento que el aprendizaje por corrección de errores, en este caso no se dispone de un conjunto completo de los datos exactos de salida sino que se le indica solamente si el dato es aceptable o no, con esto el algoritmo ajusta los pesos basándose en un mecanismo de probabilidades.

TIPOS DE ALGORITMOS DEL MACHINE LEARNING

ALGORITMOS DE REGRESIÓN

En las tareas de regresión, el programa de aprendizaje automático debe estimar y comprender las relaciones entre las variables. El análisis de regresión se enfoca en una variable dependiente y una serie de otras variables cambiantes, lo que lo hace particularmente útil para la predicción y el pronóstico.

ALGORITMOS BAYESIANOS

Este tipo de algoritmos por clasificación están basados en el teorema de Bayes y clasifican cada valor como independiente de cualquier otro. Lo que permite predecir una clase o categoría en función de un conjunto dado de características, utilizando la probabilidad.