Una red neuronal puede crear un modelo predictivo.
Una red neuronal es un modelo de inteligencia artificial que imita el procesamiento de información realizado por el sistema nervioso del ser humano. De este modo, se programa a las máquinas para que funcionen de una manera similar a la del cerebro de las personas.
El esquema de red neuronal forma parte del aprendizaje profundo o deep learning, a su vez enmarcado en el aprendizaje automático (machine learning). Consiste en la creación de una estructura con múltiples capas donde los nodos se encuentran interconectados: gracias a las características de este sistema, las computadoras están en condiciones de aprender de sus propios errores y así desarrollar un proceso de mejora continua.
Temas
ResumenHistoria de las redes neuronales
La historia de las redes neuronales artificiales comienza en la década de 1940, cuando Walter Pitts y Warren McCulloch publicaron un estudio sobre cómo el cerebro está en condiciones de generar patrones de gran complejidad mediante la interconexión de neuronas. Estos investigadores compararon a las células cerebrales con la lógica booleana y crearon un modelo informático donde la unidad de procesamiento, basada en algoritmos y matemáticas, busca reproducir el comportamiento de las neuronas.
A partir del trabajo de Pitts y McCulloch, surgieron distintos enfoques de investigación de las redes neuronales: una corriente se orientó a los procesos biológicos y otra, a la aplicación de estas ideas para el desarrollo de inteligencia artificial.
La neurona artificial conocida como perceptrón que Frank Rosenblatt presentó en los años «50, la noción de retropropagación de Paul Werbos en los «70 y el entrenamiento de algoritmos por parte de Yann LeCun a fines de los «80 también permitieron ampliar los conocimientos sobre las redes neuronales.
La optimización de una red neuronal se logra a través del entrenamiento.
Su funcionamiento
Una red neuronal artificial, como ya indicamos, imita el funcionamiento de las redes neuronales humanas. En el cerebro de un individuo, las neuronas (células especializadas) se conectan para enviarse señales eléctricas, formando una red. De igual forma, en una red neuronal artificial hay neuronas o nodos (módulos de software) que trabajan en conjunto para la resolución de problemas.
La interrelación de estos nodos da lugar a las redes neuronales, que son algoritmos o programas informáticos. Lo que hacen estos sistemas básicamente es resolver cálculos.
La arquitectura elemental de una red neuronal contempla una interconexión entre tres capas distintas: capa de entrada, capa oculta y capa de salida. El ingreso de información se realiza en la capa de entrada, donde hay un procesamiento y una clasificación de los contenidos antes de su envío a la siguiente capa: la capa oculta.
En realidad, cada red neuronal puede contar con múltiples capas ocultas, que avanzan con el análisis de los datos. Finalmente la información llega a la capa de salida, que ofrece el resultado final.
Es importante indicar que la capa de salida puede contener varios nodos. Cuando se trabajó con un problema binario, el nodo de salida es un resultado que puede ser 0 o 1 (equivalente a la lógica sí / no).
El reconocimiento de imágenes, la traducción automática y el desarrollo de sistemas de recomendación son algunos de los usos de las redes neuronales artificiales.
Tipos de redes neuronales
A partir del perceptrón surgieron diversos tipos de redes neuronales. Cabe resaltar que un perceptrón es un clasificador lineal que permite generar algoritmos capaces de producir criterios para la selección de subgrupos en el marco de un conjunto mayor.
Las redes neuronales más habituales son los perceptrones multicapa. Estas redes neuronales de propagación hacia delante tienen el esquema ya visto que incluye una capa de entrada, una capa oculta (o varias) y una capa de salida. Más allá de la denominación, al procesar problemas que no son lineales, se necesitan las llamadas neuronas sigmoides. Esta clase de red suele funcionar como base del procesamiento del lenguaje natural (NLP) y de la visión artificial, por ejemplo.
Una red neuronal convolucional (CNN), en tanto, apela a la multiplicación de matriz y a otros principios del álgebra lineal para detectar patrones en una imagen. Por eso sirven, justamente, para el reconocimiento de patrones e imágenes.
La red neuronal recurrente (RNN), en cambio, cuenta con algoritmos de aprendizaje a modo de bucles de retroalimentación. Así puede hacer predicciones sobre próximos resultados, siendo valiosa para anticipar el funcionamiento de un mercado, por mencionar una posibilidad.
El entrenamiento
Para que una red neuronal aprenda a llevar a cabo una tarea, es necesario entrenarla. Dicho entrenamiento se realiza indicando el procesamiento de grandes conjuntos de datos, tanto sin etiquetar como etiquetados. Recurriendo a los ejemplos procesados, la red está en condiciones de ir ganando precisión.
Se habla de aprendizaje supervisado cuando los científicos brindan la respuesta correcta de manera anticipada al introducir los datos en la red neuronal. A partir de ese conjunto de información, la red neuronal va incrementando su conocimiento y luego ya puede predecir resultados analizando datos que nunca había procesado con anterioridad.
El reconocimiento de voz (que hace posible la transcripción automática de audio), el procesamiento del lenguaje natural (que permite la creación de chatbots), la visión artificial (para la extracción de datos de videos y fotografías) y la detección de compuestos químicos son algunas de las tareas que puede ejecutar una red neuronal ya entrenada.
Publicado por 
