Red neuronal artificial

Una red neural artificial es un grupo interconectado de nodos, similar a la vasta red de neuronas en un cerebro. Aquí, cada nodo circular representa una neurona artificial y una flecha representa una conexión desde la salida de una neurona a la entrada de otro.

Las redes neuronales (también conocidos como   sistemas conexionistas ) son un enfoque computacional, que se basa en una gran colección de unidades neurales (también conocido como  neuronas artificiales ), para modelar libremente la forma en que un cerebro biológico resuelve problemas con grandes grupos de neuronas biológicas conectados por los axones. Cada unidad neuronal está conectado con otros, y los enlaces se pueden aplicar en su efecto sobre el estado de activación de unidades neuronales conectadas. Cada individuo de la unidad neuronal puede tener una función de suma, que combina los valores de todas las entradas juntos. Puede haber una función umbral o función de limitación en cada conexión y en la propia unidad: de tal manera que la señal debe superar el límite antes de la propagación a otras neuronas. Estos sistemas son auto-aprendizaje y  formación, en lugar de programar de forma explícita, sobresalen en las zonas donde la solución o  función de detección es difícil de expresar en un programa de ordenador tradicional.

Las redes neuronales suelen consistir en varias capas o un diseño de cubo, y la ruta de la señal atraviesa de adelante hacia atrás.  es donde se utiliza la estimulación hacia adelante o en el "frente" para restablecer los pesos de las unidades neuronales y esto a veces se realiza en combinación con una formación en la que se conoce el resultado correcto. Más redes modernas son un poco más libre que fluye en términos de estimulación e inhibición con conexiones que interactúan de una manera mucho más caótica y compleja. Redes neuronales dinámicos son los más avanzada- en que puede dinámicamente, formar nuevas conexiones e incluso nuevas unidades neuronales.

El objetivo de la red neuronal es resolver los problemas de la misma manera que el cerebro humano, aunque varias redes neuronales son más abstractos. Proyectos de redes neurales modernas suelen trabajar con unos pocos miles a unos pocos millones de unidades neuronales y millones de conexiones, que sigue siendo varios órdenes de magnitud menos complejo que el cerebro humano y más cercano a la potencia de cálculo de un gusano.

Nueva investigación sobre el cerebro a menudo estimula nuevos patrones en las redes neuronales. Un nuevo enfoque está utilizando conexiones que se extienden mucho más allá y capas de procesamiento de enlace en lugar de estar siempre localizado en las neuronas adyacentes. Otra investigación está estudiando los diferentes tipos de señal en el tiempo que los axones se propagan, como el   , interpola una mayor complejidad que un conjunto de variables booleanas son simplemente encendido o apagado.

Las redes neuronales se basan en los números reales, con el valor del núcleo y del axón siendo típicamente una representación entre 0,0 y 1.

Un aspecto interesante de estos sistemas es que son impredecibles en su éxito con el autoaprendizaje. Después del entrenamiento, algunos se convierten en grandes solucionadores de problemas y otros no funcionan tan bien. Con el fin de capacitar a ellos, varios miles de ciclos de interacción que se producen normalmente.

redes neuronales se han utilizado para resolver una amplia variedad de tareas, como  la visión por computador y  reconocimiento de voz , que son difíciles de resolver usando ordinaria  de programación basado en reglas .

Históricamente, el uso de modelos de redes neuronales marcó un cambio de dirección a finales de los años ochenta de alto nivel, que se caracteriza por  sistemas expertos con conocimiento incorporado en si-entonces las reglas, a bajo nivel de aprendizaje automático , caracterizado por el conocimiento incorporado en los parámetros de un  modelo cognitivo con algún  sistema dinámico .

Historia

Warren McCulloch y  Walter Pitts  (1943) crearon un modelo informático para redes neuronales basados en  las matemáticas y algoritmos denominados  lógica de umbral . Este modelo señalo el camino para la investigación de redes neuronales se divida en dos enfoques distintos. Un enfoque centrado en los procesos biológicos en el cerebro y el otro se centró en la aplicación de redes neuronales para la inteligencia artificial.

Other Languages
Bahasa Indonesia: Jaringan saraf tiruan
íslenska: Gervitauganet
한국어: 인공신경망
norsk bokmål: Nevralt nettverk