Elementos de una Red Neuronal

Elementos de una Red Neuronal Artificial

Las redes neuronales artificiales (RNA) son modelos que intentan reproducir el comportamiento del cerebro. Como tal modelo, realiza una simplificación, averiguando cuáles son los elementos relevantes del sistema, bien bien porque la cantidad de información de que se dispone es excesiva o bien porque es redundante. Una elección adecuada de sus características, más una estructura conveniente, es el procedimiento convencional utilizado para construir redes capaces de realizar determinada tarea.
  
1.         Se conoce como capa o nivel a un conjunto de neuronas cuyas entradas provienen de la misma fuente y cuyas salidas se dirigen al mismo destino.
  
2.         Unidad de proceso: La neurona Artificial. Existen tres tipos de unidades en cualquier sistema: entradas, salidas y ocultas. Las unidades de entrada reciben señales desde el entorno; las de salida envían la señal fuera de la red, y las unidades ocultas son aquellas cuyas entradas y salidas se encuentran dentro del sistema.
 
 3.         Estado de Activación. Los estados del sistema en un tiempo t se representan por un vector A(t). Los valores de activación pueden ser continuos o discretos, limitados o ilimitados. Si son discretos, suelen tomar un conjunto discreto de valores binarios, así un estado activo se indicaría con un 1 y un estado pasivo se representaría por un cero. En otros modelos se considera un conjunto de estados de activación, en cuyo valor entre [0,1], o en el intervalo [-1,1], siendo una función sigmoidal.
 
 4.         Función de Salida o de Transferencia. Asociada con cada unidad hay una función de salida, que transforma el estado actual de activación en una señal de salida.

Redes neuronales artificiales e inteligencia artificial.

Las redes neuronales son perfectas para problemas que son muy difíciles de calcular pero que no requieren de respuestas perfectas, sólo respuestas rápidas y buenas. Tal y como acontece con el escenario bursátil en el que se quiere saber ¿compro?, ¿vendo?, ¿mantengo?, o en el reconocimiento cuando se desea saber ¿se parece? ¿es el mismo pero tienen una ligera modificación?
Por otra parte, las redes neuronales son muy malas para cálculos precisos, procesamiento en serie, y no son capaces de reconocer nada que no tenga inherentemente algún tipo de patrón. Es por esto, que no pueden predecir la lotería, ya por definición es un proceso al azar.

En general una Red Neuronal se puede aplicar de forma eficiente a problemas que se encuadran dentro de tres grandes grupos: Optimización, reconocimiento y generalización, esta claro que estos tres tipos engloban un elevado numero de situaciones, lo cual hace que el campo de aplicación de las redes Neuronales sea muy amplio.
Optimización: Esto es principalmente en la gestión empresarial en las cuales son decisiones de optimización encontrar los niveles adecuados de tesorería, de existencias, de producción, construcción de carteras óptimas, etc. Concluyendo, la optimización es encontrar la mejor forma de realizar una tarea en un ambiente con limitaciones.

Reconocimiento: En este tipo de problemas una red Neuronal se entrena con inputs como sonido, letras, números y se procede a la fase de test presentando esos mismos patrones con ruido(es este caso manchas, borrones, etc.) Valga destacar que este es uno de los capos más fructíferos e las redes neuronales y casi todo los modelos han sido aplicacdos con mayor o menor éxito.

      * Redes de Aprendizaje Competitivo
Una red básica de aprendizaje competitivo tiene una capa de neuronas de entrada y una capa de neuronas de salida. Un patrón de entrada x es un simple punto en el espacio real o binario de vectores n-dimensional. Los valores binarios (0 ó 1) de representación local son más usados en los nodos de salida. Esto es, hay tantas neuronas de salida como número de clases y cada nodo de salida representa una categoría de patrones.