Introducción a las redes neuronales artificiales
El término «red neuronal artificial» indica un subcampo de la inteligencia artificial inspirado en la biología y modelado a partir del cerebro. Una red neuronal artificial es una red computacional basada en las redes neuronales biológicas que construyen la estructura del cerebro humano.
Al igual que un cerebro humano que tiene neuronas interconectadas entre sí, las redes neuronales artificiales también tienen neuronas que se asocian entre sí en varias capas de las redes. Estas neuronas se conocen como nodos.
Entender la red neuronal artificial
-
Una Red Neuronal Artificial en el ámbito de la inteligencia artificial donde se intenta imitar la red de neuronas que compone un cerebro humano para que los ordenadores tengan la opción de aprender cosas y tomar una decisión de forma similar a la humana.
-
Los ordenadores de programación diseñan la red neuronal artificial para que se comporte como células cerebrales interconectadas.
-
Hay casi 1000 mil millones de neuronas en el cerebro humano. Cada neurona tiene un punto de asociación en el rango de 1.000 y 100.000.
-
En el cerebro humano, los datos se almacenan de forma distribuida, y podemos extraer de nuestra memoria más de una pieza de estos datos cuando se necesitan de forma paralela.
Arquitectura de una red neuronal artificial
La red neuronal artificial consta fundamentalmente de tres capas:
– Capa de entrada
– Capa oculta
– Capa de salida
Ventajas de las redes neuronales artificiales
-
Capacidad de procesamiento en paralelo-Las redes neuronales artificiales mantienen un valor numérico que puede realizar más de una tarea a la vez.
-
Almacenamiento de datos en toda la red -Los datos utilizados en la programación tradicional se almacenan en toda la red, no en una base de datos. La eliminación de un par de datos en un lugar no impide que la red funcione.
-
Capacidad para trabajar con conocimientos incompletos -Después del entrenamiento de la RNA, la información puede producir resultados incluso con datos escasos. La pérdida de rendimiento aquí depende de la importancia de los datos que faltan.
-
Tener una distribución de la memoria -Para que la RNA sea capaz de adaptarse, es esencial averiguar los ejemplos y animar a la red de acuerdo con la salida deseada demostrando los ejemplos a la red. Se sabe que la sucesión de la red es directamente proporcional a las instancias elegidas, y si el evento no puede aparecer a la red en todos sus aspectos, puede producir una salida falsa.
-
La tolerancia a los fallos: la distorsión de una o más celdas de la RNA no impide que ésta produzca una salida, y esta característica hace que la red sea tolerante a los fallos.