¿Qué es una red neuronal
artificial?
Una red neuronal artificial
es un modelo basado en el complejo sistema nervioso de los animales y en
especial de seres humanos, posee una gran cantidad de interconexiones y
paralelismo, algunas de las capacidades que poseen las redes son las de
aprendizaje, clasificación, almacenaje de información y adaptación a entornos
cambiantes, está constituida por neuronas artificiales, como la neurona
McCulloch_Pitts (MP), para su comunicación usan computación colectiva y
descentralizada, permiten realizar operaciones robustas y son resistentes a
fallos debidos al ruido.
¿Por qué se estudian las
redes neuronales?
Las redes neuronales
artificiales son estudiadas debido a su semejanza con las redes que se
encuentran en el cerebro humano, una cualidad de estas es la capacidad de
aprender de la experiencia (entrenamiento continuo en una tarea), capacidad de
discernir en diferentes casos, además son estudiadas debido a que permiten el
diseño de dispositivos computacionales muy poderosos, permiten que la técnica
de paralelismo masivo sea mucho más eficiente cuando se usa estas, la cualidad
de aprendizaje les permite adaptarse a entornos cambiantes, son tolerables al
ruido lo que las hace más eficientes en el trabajo donde otros dispositivos
presentan fallos, el uso de redes neuronales permite que procesos complejos
sean realizados en menor tiempo que en el que lo harían sistemas
convencionales.
¿En qué consiste el
aprendizaje de las redes neuronales?
El aprendizaje en una red
neuronal es el proceso por el cual la red neuronal se adapta al estímulo dado
en su entrada, modificando los pesos para que las conexiones entre neuronas
puedan otorgar una salida de activación correcta, mediante este proceso la red
neuronal es capaz de discernir entre diferentes estímulos y por ende adaptarse
a entornos cambiantes y realizar tareas eficientes para un estímulo es especial,
al ser capaces de aprender a diferenciar patrones mediante ejemplos o
entrenamientos no es necesario la construcción de modelos específicos o
complejos para su enseñanza. Por último una red neuronal artificial es capaz de
generar su propia distribución de pesos en los enlaces mediante el aprendizaje
lo que permite que pueda resolver un problema sin un algoritmo previo.
¿Qué acontecimientos son
destacables en la historia del desarrollo de las redes neuronales?
1943 McCulloch y Pitts proponen el modelo de neurona de McCulloch-Pitts
1958 Rosenblatt introduce la única capa de red llamada
actualmente Perceptrons
1969 En el libro Perceptrons
de Minsky y Papert se demuestra la limitación de lá única capa perceptron.
1982 Hospfield publica una serie de documentos acerca de redes
Hospfield
1982 Kohonen desarrolla el Mapa de Auto-Organismos
1986 El algoritmo de aprendizaje de Retro-Propagación
para Perceptrons de Multicapa fue descubierto.
1986 Se ve un panorama alentador ante las nuevas
investigaciones y desarrollo de redes neuronales.
1990s El subcampo de Redes de Funciones de Base radial es
desarrollado
2000s El poder de los conjuntos de redes neuronales y
máquinas de soporte vectorial se hace evidente
Actualidad Se realizan numerosos trabajos que se realizan y
publican cada año, las aplicaciones en especial en la ingeniería de control son
amplias, tecnología útil en el campo de las simulaciones tanto de hardware como
software.
Comparación el cerebro humano con un computador
Un cerebro humano es una
estructura compleja que posee 10 billones de neuronas en la corteza humana en
comparación a los 10 mil procesadores que se tienen en la más poderosa de las
computadoras, cada neurona está conectada a varios miles de neuronas al igual
que la conexión en paralelo de las computadoras más potentes, la lactancia de
procesamiento de un cerebro se encuentra en el orden los milisegundos mientras
que en un computador está en orden de los nanosegundos, la eficiencia en cuanto
a consume es mejor en un cerebro humano que consume 10-16 Joules por cada
operación en un segundo, mientras que en un computador se da un consumo de 10-6
Joules volviéndola menos eficiente, por último el cerebro humano se ha
desarrollado por varios millones de años, mientras que las computadoras lo han
hecho desde hace algunas décadas.
Comparación una neurona biológica con una neurona artificial
En una neurona biológica se
tiene señales de conectividad mediante pulsos eléctricos en una neurona
artificial se tiene un grupo de entradas que responden igualmente a estímulos
eléctricos, el cuerpo de una neurona es capaz de procesar señalas de activación
en la entrada y convertirlas en señales de activación a la salida en una
neurona artificial este proceso consiste en asumir pesos para diferentes
estímulos lo que es conocido como aprendizaje y se da en una acción de
sumatoria de todas las entradas multiplicadas por dicho peso y después este
valor es evaluado para una correcta salida, las dendritas son fibras que salen
del cuerpo de la neurona y permiten que esta se conecte con otras neuronas para
una comunicación entre varias de ellas, en una neurona artificial esta conexión
está dada por el proceso de suma y el de comparación conocida como función de
activación en el que interviene un valor de umbral, la conexión entre dendritas
y axones es conocida como sipnapsis.
En un aspecto tecnológico
una neurona puede ser comparada con una unidad de proceso, las conexiones
sinápticas como conexiones pesadas (intervención de pesos en el aprendizaje),
la efectividad sináptica como peso sináptico, los estímulos excitantes o
inhibitorios como pesos positivos o negativos respectivamente, el efecto
combinado de sinapsis como la función suma.
0 comentarios :
Publicar un comentario