| Redes neuronales y escalas multidimensionales |
|
Las redes neuronales operan sobre la base de reconocimiento de patrones y pueden adquirir conocimiento obtenido a partir de ejemplos. Esta forma de adquirir el conocimiento es una de sus características más destacables: no se programa de forma directa, como en los sistemas expertos, sino que se adquiere a partir de ejemplos, por ajuste de parámetros de las neuronas mediante un algoritmo de aprendizaje.
En cuanto al modo interno de trabajo las redes neuronales son modelos matemáticos multivariantes que utilizan procedimientos iterativos, en general para minimizar funciones de error. O sea, que no es cuestión de magia sino de matemáticas.
En primer lugar hay que distinguir entre modelos neuronales -la forma- y algoritmos neuronales -cómo aprenden-.
Los modelos neuronales son similares o incluso en muchos casos idénticos a otros modelos matemáticos bien conocidos. Se suelen representar mediante grafos, llamados en este contexto neuronas artificiales. Cada neurona realiza una función matemática. Las neuronas se agrupan en capas, constituyendo una red neuronal. Una determinada red neuronal está confeccionada y entrenada para llevar a cabo una labor específica. Finalmente, una o varias redes, más los interfaces con el entorno, conforman el sistema global.
Los modelos neuronales se diferencian en la función que incorpora la neurona, su organización y forma de las conexiones. Sarle (1994) compara los modelos neuronales con los modelos estadísticos más convencionales, encontrando que la mayoría de los modelos neuronales tienen un equivalente tradicional, y que frecuentemente los científicos del campo de las redes neuronales reinventan modelos ya existentes.
Los modelos neuronales utilizan varios algoritmos de estimación, aprendizaje o entrenamiento para encontrar los valores de los parámetros del modelo, que en la jerga de las redes neuronales se denominan pesos sinápticos.
El entrenamiento se realiza mediante patrones-ejemplo, siendo dos los tipos de aprendizaje: supervisado y no supervisado.
a) El aprendizaje supervisado
Se asemeja al método de enseñanza tradicional con un profesor que indica y corrige los errores del alumno hasta que éste aprende la lección. Si la red utiliza un tipo de aprendizaje supervisado debemos proporcionarle parejas de patrones entrada-salida y la red neuronal aprende a asociarlos. En terminología estadística equivale a los modelos en los que hay vectores de variables independientes y dependientes: técnicas de regresión, análisis discriminante, análisis lógit, modelos de series temporales, etc.
b) El aprendizaje no supervisado
No hay un profesor que corrija los errores al alumno; recuerda más al autoaprendizaje. El alumno dispone del material de estudio pero nadie lo controla. Si el entrenamiento es no supervisado, únicamente debemos suministrar a la red los datos de entrada para que extraiga los rasgos característicos esenciales. En terminología estadística equivale a los modelos en los que sólo hay vectores de variables independientes y buscan el agrupamiento de los patrones de entrada: análisis de conglomerados o cluster, escalas multidimensionales, etc.
La figura siguiente describe el procedimiento para operar con redes neuronales. Originalmente la red neuronal no dispone de ningún tipo de conocimiento útil almacenado. Para que la red neuronal ejecute una tarea es preciso entrenarla, en terminología estadística diríamos que es necesario estimar los parámetros.
Figura: Modo de trabajo con redes neuronales
En realidad todo el procedimiento que vemos en la figura es estadístico: primero se selecciona un conjunto de datos, o patrones de aprendizaje en jerga neuronal. Después se desarrolla la arquitectura neuronal, número de neuronas, tipo de red. Por decirlo con otras palabras, se selecciona el modelo y el número de variables dependiente e independientes. Se procede a la fase de aprendizaje o estimación del modelo y a continuación se validan los resultados.
|
 |
 |
 |
|---|