El hombre se ha caracterizado por buscar constantemente nuevas vías para poder mejorar su condición de vida. Esto le ha servido para poder simplificar el trabajo en aquellas tareas donde la fuerza está incluida. Los resultados obtenidos han permitido dirigir estos esfuerzos a otros campos, como por ejemplo el diseño y fabricación de máquinas para resolver problemas de matemática, esto lo realizará de una manera rápida y eficiente para ayudar a resolver problemas que pueden resultar tediosos a la hora de hacerlo a mano.
Charles Bobbage intentó construir una máquina que pudiese resolver problemas matemáticos, y posteriormente mucho otros intentaron hacerlo también pero se logró disponer de instrumentos electrónicos ya para la Segunda Guerra Mundial, y fue allí cuando se empezaron a ver los primeros avances.
Figura 1. Red de Hopfield
Quiero agradecer a la iniciativa de #stem-espanol que promueve la ciencia y a las personas que me han apoyado y ayudado en mi crecimiento personal @hogarcosmico @bettino @rchirinos @annyclf @paolasophiat@luisrz28 @jesusrafaelmb @erika89 @rubenanez @natitips @hendrickjub
La inteligencia artificial intenta descubrir y describir aspectos de inteligencia humana para poder ser simulados mediante máquinas. Esta área ha sido desarrollada en los últimos años de una manera muy fuerte, en donde podemos notar su aplicación en estos campos: visión artificial, demostración de teoremas, procesamiento de información expresada mediante lenguajes humanos, entre otras.
Las redes neuronales son una forma de poder emular características que solo poseemos los humanos, como la capacidad de memorizar o de asociar hechos. Si analizamos todos los problemas que no podemos expresar mediante algún algoritmo, notaríamos que todos tienen una característica en común que es la experiencia. El hombre es capaz de resolver este tipo de situaciones usando la experiencia que ha adquirido. Podemos decir que las redes neuronales es un modelo artificial y simplificado del cerebro y su unidad básica de procesamiento está inspirada en la neurona que es la célula fundamental del sistema nervioso. El pensamiento tiene lugar en el cerebro el cual está compuesto por billones de neuronas que se encuentran interconectadas. Sin importar como definamos la inteligencia se dice que esta se encuentra dentro de las neuronas interconectadas y de la interacción que estas tienen entre sí. Los humanos somos capaces de aprender y el aprendizaje lo podemos asociar con aquellos problemas que no podíamos resolver inicialmente, pero pueden ser resueltos después de haber adquirido información acerca del problema. En resumen, las redes neuronales consisten de unidades de procesamiento que intercambian datos o información.
Definiciones de las redes neuronales
Al igual que la IA, las redes neuronales poseen muchas definiciones, las cuales podemos destacar estas 3:
- Una nueva forma de computación, inspirada en modelos biológicos.
- Un modelo matemático compuesto por un gran número de elementos procesales organizados en niveles.
- Redes interconectadas masivamente en paralelo de elementos simples (usualmente adaptativos) y con organización jerárquica, las cuales intentan interactuar con los objetos del mundo real del mismo modo que lo hace el sistema nervioso biológico.
Ventajas
- Aprendizaje: Las redes neuronales tienen la capacidad de aprender a realizar tareas basándose en un entrenamiento o una experiencia inicial.
- Auto organización: Las redes neuronales crean su propia organización o representación de la información en su interior la cual recibe mediante una etapa de aprendizaje.
- Tolerancia a fallos: Debido a que una red neuronal almacena la información de forma redundante, ésta puede seguir respondiendo de forma aceptable, aún así si llegara a sufrir un gran daño.
- Flexibilidad: Una red neuronal puede manejar cambios no importantes en la información de entrada.
- Tiempo real: La estructura de una red neuronal es paralela, por lo cual si se implementan mediante computadoras o con dispositivos electrónicos especiales, se pueden obtener respuestas en tiempo real.
Estructura de las Redes Neuronales
Una neurona es la unidad básica de la red y la podemos describir comparándola con una neurona biológica, ya que el funcionamiento será similar.
En la parte superior de la imagen vemos una neurona biológica, ésta está formada por sinapsis, axón, dentritas y cuerpo. En la parte inferior tenemos una neurona artificial que es una unidad de procesamiento de la información, es un dispositivo simple de cálculo que ante un vector de entradas proporciona una única salida.
Una red neuronal está constituida por neuronas interconectadas y agrupada en 3 capas (las capas pueden variar). Los datos entran a través de la capa de entrada (inputs), las cuales pasan por la capa oculta y salen por la capa de salida (outputs).
Sabiendo que la neurona es la unidad básica de la red, podemos definir una red neuronal como modelos matemáticos inspirados en sistemas biológicos, adaptados y simulados en computadoras convencionales.
Clasificación
1.Según su Arquitectura:
La arquitectura de la red consiste en la conexiones y disposición de las neuronas y podemos distinguir en una red las capas, el tipo de capas que posee ya sea ocultas o visibles, de entrada o salida y la dirección de las conexiones de las neuronas.
Se dividen en:
- Redes Monocapa: Esta compuesta por una capa de de neuronas las cuales intercambian señales con el exterior y constituyen a un tiempo la entrada y salida del sistema. La red de Hopfield es la más representativa de este modelo de red.
- Redes Multicapas: Son aquellas que están compuestas por una o más capas de neuronas conectadas entre ellas. Dependiendo de las conexiones se pueden dividir en:
- Redes con conexiones hacia adelante: Contienen sólo conexiones entre capaz hacia adelante lo cual implica que una capa no podría tener conexión con una que reciba señal antes que ella.
- Redes con conexiones hacia atrás: Contienen conexiones entre capaz hacia atrás, por lo tanto la información puede volver a capas anteriores.
Figura 2. Redes Multicapas
2.Según el Aprendizaje:
El aprendizaje se basa en el entrenamiento de la red mediante patrones y que la red ejecute estos patrones de manera iterativa hasta que se me muestren respuestas satisfactorias, es decir, los pesos sinápticos se ajustan para dar respuestas óptimas para el conjunto de patrones de entrenamiento. Podemos distinguir 3 tipos de aprendizaje:
- Aprendizaje Supervisado: La red dispone de los patrones de entrada y salida que se necesitan para obtener esa entrada y de acuerdo a ellos se modificarán los pesos de la sinopsis para poder ajustar la entrada a la salida.
- Aprendizaje No Supervisado: Este consiste en no proporcionar los patrones de salida a la red, sino sólo los de entrada y dejar que la misma red los califique en función de características comunes que la red encuentre en ellos.
- Aprendizaje Híbrido: En este no se proporcionan los patrones objetivos, sólo se dice si la respuesta es acertada o fallida ante un patrón de entrada.
Aplicaciones
Las redes neuronales pueden utilizarse en una gran variedad de aplicaciones, tanto comerciales como militares. Se pueden desarrollar redes neuronales en un periodo de tiempo razonable, con la capacidad de realizar tareas específicas mejor que otras tecnologías. Cuando se implementan mediante hardware, presentan una alta tolerancia a fallos del sistema y proporcionan un alto grado de paralelismo en el procesamiento de datos. Esto posibilita la inserción de redes neuronales de bajo coste en sistemas existentes y recientemente desarrollados.
- Libro: Inteligencia Artificial un enfoque moderno, segunda edición. Stuart J. Russell & Peter Norvig.
Interesante, bastante.
Waooo aprendí hoy como es prácticamente mi cerebro con tantas neuronas amigo siempre se aprendo algo nuevo, excelente trabajo muy interesante @merlinrosales96. Saludos ; )
Muchas gracias amigo, muy agradable tu comentario. Un saludo