Red neuronal artificial

?Qué significa red neuronal artificial?

Una red neuronal artificial (red neural) es un modelo computacional que imita el funcionamiento de las células nerviosas en el cerebro humano.

Las redes neuronales artificiales (RNA) utilizan algoritmos de aprendizaje que pueden realizar ajustes de forma independiente -o aprender, en cierto sentido- a medida que reciben nuevas entradas. Esto las convierte en una herramienta muy eficaz para el modelado estadístico no lineal de datos.

Las RNA de aprendizaje profundo desempe?an un papel importante en el aprendizaje automático (AM) y apoyan el campo más amplio de la tecnología de la inteligencia artificial (IA).

Definición de red neuronal artificial

Una red neuronal artificial tiene tres o más capas interconectadas. La primera capa está formada por neuronas de entrada. Esas neuronas envían datos a las capas más profundas, que a su vez enviarán los datos finales de salida a la última capa de salida.

Todas las capas internas están ocultas y están formadas por unidades que cambian adaptativamente la información recibida de capa a capa mediante una serie de transformaciones. Cada capa actúa a la vez como capa de entrada y de salida, lo que permite a la RNA comprender objetos más complejos. Colectivamente, estas capas internas se denominan capa neuronal.

Las unidades de la capa neuronal intentan aprender sobre la información recogida ponderándola según el sistema interno de la RNA. Estas pautas permiten a las unidades generar un resultado transformado, que se proporciona como salida a la capa siguiente.

Un conjunto adicional de reglas de aprendizaje hace uso de la retropropagación, un proceso mediante el cual la RNA puede ajustar sus resultados de salida teniendo en cuenta los errores.

Mediante la retropropagación, cada vez que la salida se etiqueta como error durante la fase de entrenamiento supervisado, la información se envía hacia atrás. Cada peso se actualiza proporcionalmente a su grado de responsabilidad en el error.

Por tanto, el error se utiliza para recalibrar el peso de las conexiones unitarias de la RNA para tener en cuenta la diferencia entre el resultado deseado y el real. A su debido tiempo, la RNA ?aprenderá? a minimizar la posibilidad de errores y resultados no deseados.

Entrenar una red neuronal artificial implica elegir entre modelos permitidos para los que existen varios algoritmos asociados.

Una RNA tiene varias ventajas, pero una de las más reconocidas es el hecho de que puede aprender realmente a partir de la observación de conjuntos de datos.

De este modo, la RNA se utiliza como herramienta de aproximación de funciones aleatorias. Este tipo de herramientas ayudan a estimar los métodos más rentables e idóneos para llegar a soluciones al definir funciones o distribuciones de cálculo.

La RNA toma muestras de datos en lugar de conjuntos enteros de datos para llegar a las soluciones, lo que ahorra tiempo y dinero. Las RNA se consideran modelos matemáticos bastante sencillos para mejorar las tecnologías existentes de análisis de datos.

Pueden utilizarse para muchas aplicaciones prácticas, como el análisis predictivo en inteligencia empresarial, la detección de correo basura, el procesamiento del lenguaje natural en chatbots, y muchas más.