Redes neuronales inteligencia artificial

Redes neuronales inteligencia artificial

Redes neuronales inteligencia artificial en línea

Una red neuronal artificial es un grupo interconectado de nodos, inspirado en una simplificación de las neuronas de un cerebro. Aquí, cada nodo circular representa una neurona artificial y una flecha representa una conexión desde la salida de una neurona artificial a la entrada de otra.
Una RNA se basa en un conjunto de unidades conectadas o nodos denominados neuronas artificiales, que modelan vagamente las neuronas de un cerebro biológico. Cada conexión, como las sinapsis de un cerebro biológico, puede transmitir una señal a otras neuronas. Una neurona artificial recibe una señal, la procesa y puede enviar señales a las neuronas conectadas a ella. La «señal» en una conexión es un número real, y la salida de cada neurona se calcula mediante una función no lineal de la suma de sus entradas. Las conexiones se denominan aristas. Las neuronas y los bordes suelen tener un peso que se ajusta a medida que avanza el aprendizaje. El peso aumenta o disminuye la fuerza de la señal en una conexión. Las neuronas pueden tener un umbral, de manera que sólo se envía una señal si la señal agregada cruza ese umbral. Normalmente, las neuronas se agrupan en capas. Las diferentes capas pueden realizar diferentes transformaciones en sus entradas. Las señales viajan desde la primera capa (la capa de entrada) hasta la última capa (la capa de salida), posiblemente después de atravesar las capas varias veces.

aprendizaje automático

Una neurona artificial es una función matemática concebida como un modelo de neuronas biológicas, una red neuronal. Las neuronas artificiales son unidades elementales de una red neuronal artificial[1]. La neurona artificial recibe una o varias entradas (que representan potenciales postsinápticos excitatorios y potenciales postsinápticos inhibitorios en las dendritas neuronales) y las suma para producir una salida (o activación, que representa un potencial de acción de la neurona que se transmite a lo largo de su axón). Por lo general, cada entrada se pondera por separado y la suma se hace pasar por una función no lineal conocida como función de activación o función de transferencia [aclaración necesaria]. Las funciones de transferencia suelen tener una forma sigmoidea, pero también pueden adoptar la forma de otras funciones no lineales, funciones lineales a trozos o funciones escalonadas. También suelen ser monótonamente crecientes, continuas, diferenciables y acotadas. La función de umbralización ha inspirado la construcción de puertas lógicas denominadas de umbralización, aplicables a la construcción de circuitos lógicos que se asemejan al procesamiento cerebral. Por ejemplo, en los últimos tiempos se han utilizado ampliamente nuevos dispositivos como los memristores para desarrollar este tipo de lógica[2].

modelo de red neuronal

Las redes neuronales artificiales son modelos computacionales inspirados en las redes neuronales biológicas, y se utilizan para aproximar funciones generalmente desconocidas. En particular, se inspiran en el comportamiento de las neuronas y las señales eléctricas que transmiten entre la entrada (como la de los ojos o las terminaciones nerviosas de la mano), el procesamiento y la salida del cerebro (como la reacción a la luz, el tacto o el calor). La forma en que las neuronas se comunican semánticamente es un área de investigación en curso.[1][2][3][4] La mayoría de las redes neuronales artificiales sólo tienen un cierto parecido con sus homólogas biológicas más complejas, pero son muy eficaces en las tareas que se proponen (por ejemplo, clasificación o segmentación).
La red neuronal feedforward fue el primer tipo y el más sencillo. En esta red la información se mueve sólo desde la capa de entrada directamente a través de las capas ocultas hasta la capa de salida sin ciclos/ bucles. Las redes feedforward pueden construirse con varios tipos de unidades, como las neuronas binarias McCulloch-Pitts, la más sencilla de las cuales es el perceptrón. Las neuronas continuas, a menudo con activación sigmoidal, se utilizan en el contexto de la retropropagación.

diseño de redes neuronales

La tecnología está cada vez más incrustada en nuestra vida cotidiana y, para seguir el ritmo de las expectativas de los consumidores, las empresas confían más en los algoritmos de aprendizaje para facilitar las cosas. Se puede ver su aplicación en las redes sociales (mediante el reconocimiento de objetos en las fotos) o en la conversación directa con los dispositivos (como Alexa o Siri).
Estas tecnologías se asocian comúnmente con la inteligencia artificial, el aprendizaje automático, el aprendizaje profundo y las redes neuronales, y si bien todos juegan un papel, estos términos tienden a usarse indistintamente en la conversación, lo que lleva a cierta confusión en torno a los matices entre ellos. Esperemos que esta entrada del blog sirva para aclarar parte de la ambigüedad.
Tal vez la forma más fácil de pensar en la inteligencia artificial, el aprendizaje automático, las redes neuronales y el aprendizaje profundo sea considerarlos como muñecas rusas. Cada uno es esencialmente un componente del término anterior.
Es decir, el aprendizaje automático es un subcampo de la inteligencia artificial. El aprendizaje profundo es un subcampo del aprendizaje automático, y las redes neuronales constituyen la columna vertebral de los algoritmos de aprendizaje profundo. De hecho, es el número de capas de nodos, o la profundidad, de las redes neuronales lo que distingue una red neuronal simple de un algoritmo de aprendizaje profundo, que debe tener más de tres.

Usamos cookies para asegurar que le damos la mejor experiencia en nuestra web. Si continúa usando este sitio, asumiremos que está de acuerdo con ello. Nuestros socios (incluye a Google) podrán compartir, almacenar y gestionar sus datos para ofrecerle anuncios personalizados    Más información
Privacidad