Ventajas de las redes neuronales artificiales

Escrito por christopher rogers | Traducido por mayra cabrera
  • Comparte
  • Twittea
  • Comparte
  • Pin
  • E-mail
Ventajas de las redes neuronales artificiales
Las redes neuronales revelan conexiones ocultas en series de datos. (Chad Baker/Photodisc/Getty Images)

Las redes neuronales artificiales se inspiran en ideas tomadas de la neurobiología. En 1836, los científicos descubrieron que el sistema nervioso de los seres vivos consiste de elementos interconectados que trabajan en paralelo (la doctrina de la neurona). Más tarde, en 1949, se observó que la resistencia a la sinapsis podría reducirse por la exposición repetida a las señales entrantes (regla de aprendizaje de Hebb). Como sistemas adaptativos e inteligentes, las redes neuronales son robustas y sobresalen en la solución de problemas complejos. Las redes neuronales son tan eficientes como su programación, pero los científicos coinciden en que las ventajas del uso de las RNA son mayores que los riesgos.

Otras personas están leyendo

Tipos de redes neuronales

Las redes artificiales consisten en capas de neuronas binarias (positivas o negativas, encendido o apagado). Las primeras redes se establecieron en configuraciones de control anticipado y consistieron en neuronas llamadas perceptrones. Los datos se movieron a través de la red de entrada, a través de las capas intermedias, hacia la salida. Las redes recurrentes o de propagación hacia atrás, tratan de corregir los errores en la ponderación de los nodos de la red y en teoría, mejorar la formación. Las limitaciones de propagación hacia atrás han llevado al desarrollo de RNA de retroalimentación cerrada o "restrictiva". A partir de 2011, estos datos de bucle de redes entre la capa de entrada y de salida hasta alcanzar un escenario de mejor ajuste.

Construcción de una red

Ya que consisten de capas de neuronas que procesan datos en paralelo, las redes neurales son inherentemente más eficientes que los programas lineales. Construir una red neuronal artificial consta de dos fases: entrenamiento y reconocimiento, o "clasificación". Durante la fase de entrenamiento, una entrada con una salida conocida es enviada a través de la red. La salida se compara con el patrón de control y la red es ajustada (las neuronas están ponderadas) hasta obtener el resultado deseado. La red puede considerar datos entrenados y frescos cargados en busca de nuevos patrones.

Aplicaciones y ventajas

Dado que las redes entrenadas pueden descubrir información oculta, sobresalen en la minería de datos y la solución de problemas complejos. Los fabricantes de automóviles emplean redes neuronales en los vehículos como parte de la detección del carril y sistemas de advertencia de respaldo. Se han desarrollado redes artificiales avanzadas para el software de reconocimiento facial desplegadas en los aeropuertos y en las granjas de sistemas inteligentes de protección de cultivos. El software financiero utiliza redes neuronales para predecir las acciones de precios. Incluso las consolas de juegos con capacidades de reconocimiento, como el Microsoft Kinect, utiliza redes neuronales para reconocer los jugadores y detectar el movimiento del cuerpo.

Limitaciones y preocupaciones

Las limitaciones de las redes artificiales cambiaron conforme evolucionaron los diseños de red. Un problema, más difícil de lo que parece, es que las redes necesitan ser entrenadas conforme lo que necesitan ser y nada más. Una red neural sobreentrenada sufre de "acoplamiento" (o ajuste de curvas) y se vuelve incapaz de detectar patrones únicos en los datos originales.

No dejes de ver

Filtrar por:
  • Mostrar todos
  • Artículos
  • Galerías de fotos
  • Videos
Ordenar:
  • Más relevante
  • Más popular
  • Más reciente

No se encuentran artículos disponibles

No se encuentran slideshows disponibles

No se encuentran videos disponibles