El aprendizaje automático o machine learning es uno de los temas del momento. Es una técnica que se ha implementado mucho últimamente en el sector de la computación y tiene cantidad de aplicaciones como por ejemplo, detección de rostro (que lo vemos en nuestros móviles), Anti-spam (mediante el uso de tags), Anti-virus (detectando software malicioso), Genética (en la clasificación de secuencias de ADN), Astrofísica (en la predicción de distancias cosmológicas).

Una manera de realizar la técnica de machine learning es mediante la implementación de Redes neuronales artificiales (RNA) , estas son un tipo de modelo matemático inspirado en la estructura y funcionamiento del cerebro humano. Consisten en una red de nodos interconectados, llamados neuronas artificiales, que procesan información y la transfieren a través de conexiones ponderadas.

Ejemplos de Redes neuronales artificiales

Un ejemplo de una red neuronal sencilla y bastante utilizada es la predicción en la determinación del precio de las casas como se muestra en la figura 1, donde las entradas serían los metros cuadrados de la casa, las habitaciones que tiene, la distancia a la ciudad o los años desde su construcción. Todo esto multiplicado por los pesos y, modulado por las funciones de activación no lineales, modelaría el precio total de la casa.

El objetivo de una RNA es aprender de un conjunto de datos, para poder realizar una tarea específica, como reconocimiento de voz, clasificación de imágenes o predicción de valores. Durante el proceso de aprendizaje, los pesos de las conexiones entre neuronas se ajustan para mejorar el rendimiento del modelo. Las redes neuronales artificiales han demostrado ser muy efectivas en una amplia gama de aplicaciones, incluyendo reconocimiento de patrones, procesamiento de lenguaje natural, visión por computadora, robótica, entre otros.

Una vez que una red neuronal artificial ha sido entrenada con un conjunto de datos, se puede utilizar para realizar predicciones o clasificar nuevos datos. Esto se conoce como la fase de inferencia, donde la red aplica las conexiones y los pesos aprendidos durante el entrenamiento para producir una salida basada en las entradas proporcionadas.

Partes de una red neuronal artificial

Una neurona artificial típicamente se compone de tres partes principales:

1- Entradas: las entradas son valores numéricos que representan la información que la neurona recibe de otras neuronas o del entorno. Cada entrada se multiplica por un peso sináptico, que indica la importancia relativa de esa entrada para la salida de la neurona.

2- Sumador ponderado: una vez que se han multiplicado las entradas por sus pesos correspondientes, se suman los resultados ponderados para producir una única entrada total. El sumador ponderado es simplemente una operación de suma ponderada que agrega los valores de entrada multiplicados por sus pesos.

3- Función de activación: la salida del sumador ponderado se pasa a través de una función de activación, que introduce una no-linealidad en la salida de la neurona. Esta no-linealidad es importante para que la neurona pueda modelar relaciones complejas entre las entradas y las salidas.

Conclusión

En los últimos años, las redes neuronales artificiales han demostrado ser extremadamente exitosas en una variedad de aplicaciones. Por ejemplo, en el campo del reconocimiento de voz, las RNA se utilizan para convertir el habla en texto. En el campo de la visión por computadora, se utilizan para la detección y clasificación de objetos en imágenes. Además, las RNA también se utilizan en la industria automotriz para el desarrollo de vehículos autónomos y en la medicina para el diagnóstico de enfermedades.

En resumen, las redes neuronales artificiales son modelos matemáticos inspirados en el cerebro humano que se utilizan para realizar tareas de aprendizaje automático. Estas redes están compuestas por neuronas artificiales interconectadas, que procesan información a través de conexiones ponderadas y aplican funciones de activación para modelar relaciones complejas. Las RNA han demostrado ser muy efectivas en una amplia gama de aplicaciones y continúan siendo objeto de investigación y desarrollo en el campo de la inteligencia artificial.

Artículo editado por Equipo de Microbacterium

Bibliografía

Taye, M. M.: 2023, Computation 11(3), 52

Liu, P., Yuan, W., Fu, J., Jiang, Z., Hayashi, H., y Neubig, G.: 2023, ACM
Computing Surveys 55(9), 1

Montaño, F. J.: 2022, Master’s thesis, Valencian International University /
VIU, Valencia, España