Introducción a las redes neuronales

Originalmente se pensó que la Inteligencia Artificial (IA) era un sueño lejano, una tecnología para el futuro, pero ese ya no es el caso.

Lo que una vez fue un tema de investigación ahora está explotando en el mundo real. AI ahora se encuentra en una variedad de lugares, incluido su lugar de trabajo, escuela, banco, hospitales e incluso su teléfono.

Son los ojos de los vehículos autónomos, las voces de Siri y Alexa, las mentes detrás del pronóstico del tiempo, las manos detrás de la cirugía asistida por robot y más.

Inteligencia artificial (AI) se está convirtiendo en una característica común de la vida moderna. En los últimos años, la IA se ha convertido en un actor importante en una amplia gama de tecnologías de TI.

Finalmente, la IA utiliza la red neuronal para aprender cosas nuevas.

Así que hoy aprenderemos sobre Redes Neuronales, cómo funcionan, sus tipos, aplicaciones y mucho más.

¿Qué es la red neuronal?

In aprendizaje automático, una red neuronal es una red de neuronas artificiales programada por software. Intenta imitar el cerebro humano al tener numerosas capas de "neuronas", que son similares a las neuronas de nuestro cerebro.

La primera capa de neuronas aceptará fotos, video, sonido, texto y otras entradas. Estos datos fluyen a través de todos los niveles, con la salida de una capa fluyendo hacia la siguiente. Esto es fundamental para las tareas más difíciles, como el procesamiento del lenguaje natural para el aprendizaje automático.

Sin embargo, en otros casos, es preferible apuntar a la compresión del sistema para reducir el tamaño del modelo mientras se mantiene la precisión y la eficiencia. La poda de una red neuronal es un método de compresión que incluye la eliminación de pesos de un modelo aprendido. Considere una red neuronal de inteligencia artificial que ha sido entrenada para distinguir a las personas de los animales.

La imagen se dividirá en partes claras y oscuras por la primera capa de neuronas. Estos datos se pasarán a la siguiente capa, que determinará dónde están los bordes.

La siguiente capa intentará reconocer las formas que ha generado la combinación de los bordes. De acuerdo con los datos con los que se entrenó, los datos pasarán a través de numerosas capas de manera similar para determinar si la imagen que presentó es de un ser humano o un animal.

Cuando los datos se ingresan en una red neuronal, comienza a procesarlos. Luego, los datos se procesan a través de sus niveles para obtener el resultado deseado. Una red neuronal es una máquina que aprende a partir de entradas estructuradas y muestra los resultados. Hay tres tipos de aprendizaje que pueden tener lugar en las redes neuronales:

• Aprendizaje supervisado: las entradas y salidas se dan a los algoritmos utilizando datos etiquetados. Después de aprender a analizar datos, pronostican el resultado esperado.
• Aprendizaje no supervisado: una ANN aprende sin la ayuda de un ser humano. No hay datos etiquetados y la salida se decide según los patrones que se encuentran en los datos de salida.
• Aprendizaje reforzado es cuando una red aprende de la retroalimentación que recibe.

¿Cómo funcionan las redes neuronales?

Las neuronas artificiales se utilizan en redes neuronales, que son sistemas sofisticados. Las neuronas artificiales, también conocidas como perceptrones, están formadas por los siguientes componentes:

• Entrada
• Peso
• Parcialidad
• Función de activación
• Salida

Las capas de neuronas que forman las redes neuronales. Una red neuronal consta de tres capas:

1. Capa de entrada
2. Capa oculta
3. Capa de salida

Los datos en forma de valor numérico se envían a la capa de entrada. Las capas ocultas de la red son las que más cálculos hacen. La capa de salida, por último pero no menos importante, pronostica el resultado. Las neuronas se dominan unas a otras en una red neuronal. Las neuronas se utilizan para construir cada capa. Los datos se enrutan a la capa oculta después de que la capa de entrada los obtiene.

Se aplican pesos a cada entrada. Dentro de las capas ocultas de una red neuronal, el peso es un valor que traduce los datos entrantes. Los pesos funcionan multiplicando los datos de entrada por el valor de peso en la capa de entrada.

Luego comienza el valor de la primera capa oculta. Los datos de entrada se transforman y pasan a la otra capa a través de las capas ocultas. La capa de salida es responsable de generar el resultado final. Las entradas y los pesos se multiplican y el resultado se entrega a las neuronas de la capa oculta como una suma. A cada neurona se le asigna un sesgo. Para calcular el total, cada neurona suma las entradas que recibe.

Después de eso, el valor pasa a través de la función de activación. El resultado de la función de activación determina si una neurona se activa o no. Cuando una neurona está activa, envía información a las otras capas. Los datos se crean en la red hasta que la neurona llega a la capa de salida utilizando este método. La propagación directa es otro término para esto.

La técnica de alimentar datos en un nodo de entrada y obtener la salida a través de un nodo de salida se conoce como propagación de avance. Cuando los datos de entrada son aceptados por la capa oculta, se produce la propagación de avance. Se procesa de acuerdo con la función de activación y luego se pasa a la salida.

El resultado es proyectado por la neurona en la capa de salida con la mayor probabilidad. La retropropagación se produce cuando la salida es incorrecta. Los pesos se inicializan en cada entrada mientras se crea una red neuronal. La retropropagación es el proceso de reajustar los pesos de cada entrada para reducir los errores y proporcionar una salida más precisa.

Tipos de red neuronal

1. Perceptrón

El modelo de perceptrón de Minsky-Papert es uno de los modelos de neuronas más simples y antiguos. Es la unidad más pequeña de una red neuronal que realiza ciertos cálculos para descubrir características o inteligencia comercial en los datos entrantes. Toma entradas ponderadas y aplica la función de activación para obtener el resultado final. TLU (unidad lógica de umbral) es otro nombre para perceptrón.

Perceptron es un clasificador binario que es un sistema de aprendizaje supervisado que divide los datos en dos grupos. Puertas lógicas como AND, OR y NAND se pueden implementar con perceptrones.

2. Red neuronal de avance

La versión más básica de las redes neuronales, en la que los datos de entrada fluyen exclusivamente en una dirección, pasan por nodos neuronales artificiales y salen por nodos de salida. Las capas de entrada y salida están presentes en lugares donde las capas ocultas pueden o no estar presentes. Se pueden caracterizar como una red neuronal de alimentación hacia adelante de una sola capa o de varias capas en función de esto.

El número de capas utilizadas está determinado por la complejidad de la función. Solo se propaga hacia adelante en una dirección y no se propaga hacia atrás. Aquí, los pesos permanecen constantes. Las entradas se multiplican por pesos para alimentar una función de activación. Para ello se utiliza una función de activación de clasificación o una función de activación de pasos.

3. Perceptrón multicapa

Una introducción a lo sofisticado redes neuronales, en el que los datos de entrada se enrutan a través de muchas capas de neuronas artificiales. Es una red neuronal completamente enlazada, ya que cada nodo está conectado a todas las neuronas de la siguiente capa. Múltiples capas ocultas, es decir, al menos tres o más capas, están presentes en las capas de entrada y salida.

Posee propagación bidireccional, lo que significa que puede propagarse tanto hacia adelante como hacia atrás. Las entradas se multiplican por pesos y se envían a la función de activación, donde se cambian mediante retropropagación para minimizar la pérdida.

Los pesos son valores aprendidos por máquina de Neural Networks, en pocas palabras. Dependiendo de la disparidad entre los resultados esperados y los insumos de capacitación, se autoajustan. Softmax se utiliza como una función de activación de la capa de salida después de las funciones de activación no lineales.

4. Red neuronal convolucional

A diferencia de la matriz bidimensional tradicional, una red neuronal de convolución tiene una configuración tridimensional de neuronas. La primera capa se conoce como capa convolucional. Cada neurona en la capa convolucional solo procesa información de una porción limitada del campo visual. Como un filtro, las entidades de entrada se toman en modo por lotes.

La red entiende las imágenes en secciones y puede realizar estas acciones varias veces para finalizar todo el procesamiento de la imagen.

La imagen se convierte de RGB o HSI a escala de grises durante el procesamiento. Otras variaciones en el valor de los píxeles ayudarán a detectar los bordes, y las imágenes se pueden clasificar en varios grupos. La propagación unidireccional ocurre cuando una CNN contiene una o más capas convolucionales seguidas de agrupación, y la propagación bidireccional ocurre cuando la salida de la capa convolucional se envía a una red neuronal completamente conectada para la clasificación de imágenes.

Para extraer ciertos elementos de una imagen, se utilizan filtros. En MLP, las entradas se ponderan y se suministran a la función de activación. RELU se usa en convolución, mientras que MLP emplea una función de activación no lineal seguida de softmax. En reconocimiento de imágenes y videos, análisis semántico y detección de paráfrasis, las redes neuronales convolucionales producen excelentes resultados.

5. Red de polarización radial

Un vector de entrada es seguido por una capa de neuronas RBF y una capa de salida con un nodo para cada categoría en una red de función de base radial. La entrada se clasifica comparándola con puntos de datos del conjunto de entrenamiento, donde cada neurona mantiene un prototipo. Este es uno de los ejemplos del conjunto de entrenamiento.

Cada neurona calcula la distancia euclidiana entre la entrada y su prototipo cuando se debe clasificar un nuevo vector de entrada [el vector n-dimensional que está tratando de categorizar]. Si tenemos dos clases, Clase A y Clase B, la nueva entrada a categorizar es más similar a los prototipos de clase A que a los prototipos de clase B.

Como resultado, podría etiquetarse o categorizarse como clase A.

6. Red neuronal recurrente

Las redes neuronales recurrentes están diseñadas para guardar la salida de una capa y luego retroalimentarla a la entrada para ayudar a pronosticar el resultado de la capa. un avance red neural suele ser la capa inicial, seguida de una capa de red neuronal recurrente, donde una función de memoria recuerda parte de la información que tenía en el paso de tiempo anterior.

Este escenario utiliza la propagación directa. Guarda los datos que serán necesarios en el futuro. En el caso de que la predicción sea incorrecta, la tasa de aprendizaje se utiliza para realizar ajustes menores. Como resultado, a medida que avanza la retropropagación, será cada vez más precisa.

Aplicaciones

Las redes neuronales se utilizan para manejar problemas de datos en una variedad de disciplinas; Algunos ejemplos se muestran a continuación.

1. Reconocimiento facial: las soluciones de reconocimiento facial sirven como sistemas de vigilancia efectivos. Los sistemas de reconocimiento relacionan fotos digitales con rostros humanos. Se utilizan en oficinas para entrada selectiva. Por lo tanto, los sistemas verifican un rostro humano y lo comparan con una lista de identificaciones almacenadas en su base de datos.
2. Predicción de acciones: las inversiones están expuestas a riesgos de mercado. Es prácticamente difícil prever la evolución futura en el mercado de valores extremadamente volátil. Antes de las redes neuronales, las fases alcista y bajista en constante cambio eran impredecibles. Pero, ¿qué alteró todo? Por supuesto, estamos hablando de redes neuronales... Se utiliza un Perceptron MLP multicapa (un tipo de sistema de inteligencia artificial feedforward) para crear un pronóstico de existencias exitoso en tiempo real.
3. Redes sociales – Independientemente de lo cursi que pueda parecer, las redes sociales han cambiado el camino mundano de la existencia. Se estudia el comportamiento de los usuarios de las redes sociales mediante Redes Neuronales Artificiales. Para el análisis competitivo, los datos suministrados diariamente a través de interacciones virtuales se acumulan y examinan. Las acciones de los usuarios de las redes sociales son replicadas por redes neuronales. Los comportamientos de las personas se pueden conectar con los patrones de gasto de las personas una vez que se analizan los datos a través de las redes sociales. Los datos de las aplicaciones de redes sociales se extraen utilizando Multilayer Perceptron ANN.
4. Atención médica: las personas en el mundo de hoy están haciendo uso de los beneficios de la tecnología en la industria de la atención médica. En el negocio de la salud, las redes neuronales convolucionales se utilizan para la detección de rayos X, tomografías computarizadas y ultrasonido. Los datos de imágenes médicas recibidos de las pruebas antes mencionadas se evalúan y valoran utilizando modelos de redes neuronales, ya que CNN se usa en el procesamiento de imágenes. En el desarrollo de sistemas de reconocimiento de voz también se utiliza la red neuronal recurrente (RNN).
5. Weather Report: antes de la implementación de la inteligencia artificial, las proyecciones del departamento meteorológico nunca eran precisas. El pronóstico del tiempo se realiza en gran parte para predecir las condiciones climáticas que ocurrirán en el futuro. Las predicciones meteorológicas se están utilizando para anticipar la probabilidad de desastres naturales en el período moderno. El pronóstico del tiempo se realiza utilizando perceptrón multicapa (MLP), redes neuronales convolucionales (CNN) y redes neuronales recurrentes (RNN).
6. Defensa: la logística, el análisis de ataques armados y la ubicación de elementos emplean redes neuronales. También se emplean en patrullas aéreas y marítimas, así como para gestionar drones autónomos. La inteligencia artificial le está dando a la industria de la defensa el impulso que tanto necesita para ampliar su tecnología. Para detectar la existencia de minas submarinas se utilizan Redes Neuronales Convolucionales (CNN).

Ventajas 

• Incluso si algunas neuronas en una red neuronal no funcionan correctamente, las redes neuronales seguirán generando resultados.
• Las redes neuronales tienen la capacidad de aprender en tiempo real y adaptarse a sus entornos cambiantes.
• Las redes neuronales pueden aprender a realizar una variedad de tareas. Para proporcionar el resultado correcto basado en los datos proporcionados.
• Las redes neuronales tienen la fuerza y ​​la capacidad para manejar varias tareas al mismo tiempo.

Desventajas 

• Las redes neuronales se utilizan para resolver problemas. No revela la explicación detrás de "por qué y cómo" hizo los juicios que hizo debido a la complejidad de las redes. Como resultado, la confianza en la red puede verse erosionada. 
• Los componentes de una red neuronal son interdependientes entre sí. Es decir, las redes neuronales exigen (o son extremadamente dependientes) computadoras con suficiente poder de cómputo.
• Un proceso de red neuronal no tiene una regla específica (o regla general). En una técnica de prueba y error, se establece una estructura de red correcta intentando la red óptima. Es un procedimiento que requiere muchos ajustes.

Conclusión

El campo de redes neuronales se está expandiendo rápidamente. Es fundamental aprender y comprender los conceptos de este sector para poder manejarlos.

Los muchos tipos de redes neuronales se han cubierto en este artículo. Puede usar redes neuronales para abordar problemas de datos en otros campos si aprende más sobre esta disciplina.