Redes Neuronales Artificiales

Red Neuronal Artificial

• Las redes neuronales artificiales (RNA) son modelos computacionales inspirados en las redes neuronales biológicas del cerebro humano.
• Están diseñadas para aprender y reconocer patrones en los datos.
• Son útiles en clasificación, regresión, reconocimiento de patrones y toma de decisiones.

Componentes básicos de una RNA

• Las neuronas (nodos) son las unidades básicas de procesamiento.
• Cada neurona recibe entradas, realiza un procesamiento y produce una salida.
• Las neuronas están conectadas a través de conexiones ponderadas, cuyo peso determina la fuerza de la señal transmitida.
• Cada neurona aplica una función de activación a la suma ponderada de sus entradas para producir una salida.
• Las funciones de activación comunes incluyen la función sigmoide, ReLU y tangente hiperbólica (tanh).
• Las neuronas se organizan en capas: entrada, ocultas y salida.
  • La capa de entrada recibe los datos.
  • Las capas ocultas realizan el procesamiento intermedio.
  • La capa de salida produce el resultado final.

Arquitectura de una RNA

• La arquitectura define cómo están organizadas y conectadas las neuronas.
• Las redes feedforward tienen conexiones que fluyen en una sola dirección, sin ciclos ni retroalimentación.
• Las redes recurrentes contienen conexiones que forman ciclos, lo que permite mantener un estado interno y procesar secuencias de datos.

Proceso de aprendizaje

• El aprendizaje implica ajustar los pesos de las conexiones para realizar una tarea específica.
• Se utilizan algoritmos de optimización, como el descenso de gradiente, para ajustar iterativamente los pesos y minimizar una función de pérdida.
• La función de pérdida mide la diferencia entre las salidas de la red y las salidas deseadas.

Ejemplo de una RNA simple

• Ejemplo de red neuronal feedforward con una capa oculta:
  • Capa de entrada: $x_1, x_2,..., x_n$ (n entradas)
  • Capa oculta:
    • $h_1 = f(\sum_{i=1}^{n} w_{i1}x_i + b_1)$
    • $h_2 = f(\sum_{i=1}^{n} w_{i2}x_i + b_2)$
    • $h_m = f(\sum_{i=1}^{n} w_{im}x_i + b_m)$
    • $w_{ij}$ son los pesos de las conexiones entre la capa de entrada y la capa oculta.
    • $b_j$ son los sesgos (biases) de las neuronas en la capa oculta.
    • $f$ es la función de activación.
  • Capa de salida:
    • $y = g(\sum_{j=1}^{m} v_jh_j + c)$
    • $v_j$ son los pesos de las conexiones entre la capa oculta y la capa de salida.
    • $c$ es el sesgo de la neurona en la capa de salida.
    • $g$ es la función de activación.

Resumen

• Las RNA son modelos poderosos para el aprendizaje automático, basados en la estructura del cerebro humano.
• Su capacidad para aprender de los datos las hace valiosas en una amplia gama de aplicaciones.