Las ventajas de las redes neuronales artificiales

Las redes neuronales artificiales se inspiran en ideas tomadas de la neurobiología. En 1836, los científicos se dieron cuenta de que el sistema nervioso de los organismos vivos consistieron en elementos interconectados que funcionan en paralelo (la doctrina de la neurona). Más tarde, en 1949, se observó que la resistencia sinapsis podría ser reducida por la exposición repetida a las señales entrantes (regla de aprendizaje de Hebb). Como adaptativo, sistemas inteligentes, las redes neuronales son robustos y tienen éxito en la resolución de problemas complejos. Las redes neuronales son tan eficientes como su programación, pero los científicos coinciden en que las ventajas del uso de las RNA son mayores que los riesgos.

Tipos de Redes Neuronales

redes artificiales consisten en capas de neuronas binarias (positivos o negativos, dentro o fuera). Las primeras redes se establecieron en las configuraciones de la alimentación de avance y consistían en neuronas llamadas perceptrones. Los datos se movió a través de la red de entrada, a través de capas intermedias, a la salida. Recurrente o de back-propagación, redes intento de corregir errores en la carga de los nodos dentro de la red y - en teoría - mejorar la formación. Limitaciones de retropropagación han llevado al desarrollo de las RNA "restrictivas" o de retroalimentación cerrado. A partir de 2011, estos datos entre las redes del bucle de entrada y una capa de salida hasta que un escenario de ajuste óptimo se alcanza.

La construcción de una Red

A medida que se componen de capas de neuronas que procesan los datos en paralelo, las redes neuronales son inherentemente más eficientes que los programas lineales. La construcción de una red neuronal artificial consiste en dos fases: la formación y el reconocimiento, o ". Clasificación" Durante la fase de entrenamiento, una entrada con una salida conocida se envía a través de la red. La salida se compara con el patrón de control y es ajustado de la red (neuronas son ponderados) hasta que se alcanza el resultado deseado. La red puede ser considerada entrenados y nuevos datos cargados en busca de patrones novedosos.

Aplicaciones y ventajas

Dado que las redes entrenadas pueden revelar información oculta, que sobresalen en la minería de datos y la resolución de problemas complejos. Los fabricantes de automóviles emplean redes neuronales en los vehículos como parte de los sistemas de alerta de copia de seguridad de carril-detección y. redes artificiales avanzados se han desarrollado para el software de reconocimiento facial desplegados en los aeropuertos y en las granjas de los sistemas inteligentes de protección de cultivos. software financiero utiliza redes neuronales para predecir las acciones de precios. Incluso las consolas de juegos con capacidades de reconocimiento, como el Kinect de Microsoft, utilizan redes neuronales para reconocer los jugadores y detectar el movimiento del cuerpo.

Limitaciones y preocupaciones

Limitaciones de las redes artificiales cambiaron como diseños de redes evolucionaron. Uno de los problemas - más difícil de lo que parece - es que las redes necesitan ser entrenados sólo lo que tienen que ser, y no más. Una red neuronal sufre de sobreentrenamiento "fittedness" (o ajuste de curvas) y se vuelve incapaz de detectar patrones únicos en los datos originales.