![\"En](\"https:\/\/inform.com.de\/wp-content\/uploads\/2021\/04\/post-190136-607bea3d9471a.jpg\")
<\/a><\/p>\n(Geoffrey Hinton)<\/p>\n
Un poco de historia<\/h3>\n
Por primera vez, el concepto de redes neuronales artificiales (ANN) surgi\u00f3 al intentar simular los procesos del cerebro. El primer gran avance en esta \u00e1rea puede considerarse la creaci\u00f3n del modelo de red neuronal McCulloch-Pitts en 1943. Los cient\u00edficos desarrollaron por primera vez un modelo de neurona artificial. Tambi\u00e9n propusieron la construcci\u00f3n de una red de estos elementos para realizar operaciones l\u00f3gicas. Pero lo m\u00e1s importante es que los cient\u00edficos han demostrado que dicha red es capaz de aprender.<\/p>\n
El siguiente paso importante fue el desarrollo por Donald Hebb del primer algoritmo para computar ANN en 1949, que se convirti\u00f3 en fundamental durante las siguientes d\u00e9cadas. En 1958, Frank Rosenblatt desarroll\u00f3 el parceptron, un sistema que imita los procesos del cerebro. En un momento, la tecnolog\u00eda no ten\u00eda an\u00e1logos y sigue siendo fundamental en las redes neuronales. En 1986, casi simult\u00e1neamente, independientemente unos de otros, los cient\u00edficos estadounidenses y sovi\u00e9ticos mejoraron significativamente el m\u00e9todo fundamental de ense\u00f1ar el perceptr\u00f3n multicapa<\/a>. En 2007, las redes neuronales experimentaron un renacimiento. El cient\u00edfico inform\u00e1tico brit\u00e1nico Jeffrey Hinton<\/a> desarroll\u00f3 por primera vez un algoritmo de aprendizaje profundo para redes neuronales multicapa, que ahora, por ejemplo, se utiliza para operar veh\u00edculos no tripulados.<\/p>\n En el sentido general de la palabra, las redes neuronales son modelos matem\u00e1ticos que funcionan seg\u00fan el principio de redes de c\u00e9lulas nerviosas en un organismo animal. Las ANN se pueden implementar en soluciones tanto programables como de hardware. Para facilitar la percepci\u00f3n, una neurona se puede representar como una determinada c\u00e9lula, que tiene muchos orificios de entrada y un orificio de salida. El n\u00famero de se\u00f1ales entrantes que se transforman en salientes determina el algoritmo de c\u00e1lculo. Los valores efectivos se alimentan a cada entrada de neurona, que luego se propagan a lo largo de las conexiones interneuronales (sinopsis). Las sinapsis tienen un par\u00e1metro: el peso, por lo que la informaci\u00f3n de entrada cambia cuando se pasa de una neurona a otra. La forma m\u00e1s sencilla de imaginar c\u00f3mo funcionan las redes neuronales puede representarse con el ejemplo de la mezcla de colores. Las neuronas azul, verde y roja tienen diferentes pesos.<\/p>\n La red neuronal en s\u00ed misma es un sistema de muchas de estas neuronas (procesadores). Individualmente, estos procesadores son bastante simples (mucho m\u00e1s simples que un procesador de computadora personal), pero cuando se conectan a un sistema grande, las neuronas son capaces de realizar tareas muy complejas.<\/p>\n Dependiendo del \u00e1rea de aplicaci\u00f3n, una red neuronal se puede interpretar de diferentes formas, por ejemplo, desde el punto de vista del aprendizaje autom\u00e1tico, una RNA es un m\u00e9todo de reconocimiento de patrones. Desde un punto de vista matem\u00e1tico, este es un problema de m\u00faltiples par\u00e1metros. Desde el punto de vista de la cibern\u00e9tica, es un modelo de control adaptativo de la rob\u00f3tica. Para la inteligencia artificial, ANN es un componente fundamental para modelar la inteligencia natural utilizando algoritmos computacionales.<\/p>\n La principal ventaja de las redes neuronales sobre los algoritmos de c\u00e1lculo convencionales es su capacidad para aprender. En el sentido general de la palabra, aprender consiste en encontrar los coeficientes de acoplamiento correctos entre neuronas, as\u00ed como en generalizar datos e identificar dependencias complejas entre se\u00f1ales de entrada y salida. De hecho, el entrenamiento exitoso de una red neuronal significa que el sistema podr\u00e1 identificar el resultado correcto bas\u00e1ndose en datos que no est\u00e1n presentes en el conjunto de entrenamiento.<\/p>\n El rango de aplicaci\u00f3n de las redes neuronales es incre\u00edblemente amplio y solo est\u00e1 limitado por nuestra imaginaci\u00f3n. Enumeremos algunos de ellos:<\/p>\n Y no importa cu\u00e1n prometedora sea esta tecnolog\u00eda, hasta ahora las RNA todav\u00eda est\u00e1n muy lejos de las capacidades del cerebro y el pensamiento humanos. Sin embargo, las redes neuronales ya se est\u00e1n utilizando en muchas \u00e1reas de la actividad humana. Hasta ahora, no pueden tomar decisiones altamente intelectuales, pero pueden reemplazar a una persona donde antes se necesitaba. Entre las numerosas \u00e1reas de aplicaci\u00f3n de la ANN, se pueden destacar: la creaci\u00f3n de sistemas de autoaprendizaje de procesos productivos, veh\u00edculos no tripulados, sistemas de reconocimiento de im\u00e1genes, sistemas de seguridad inteligente, rob\u00f3tica, sistemas de monitoreo de calidad, interfaces de interacci\u00f3n de voz, sistemas de anal\u00edtica y mucho m\u00e1s. Este uso generalizado de las redes neuronales, entre otras cosas, se debe a la aparici\u00f3n de diversas formas de acelerar el aprendizaje de las redes neuronales nerviosas.<\/p>\n Hoy en d\u00eda, el mercado de las redes neuronales es enorme: miles de millones y miles de millones de d\u00f3lares. Como muestra la pr\u00e1ctica, la mayor\u00eda de las tecnolog\u00edas de redes neuronales de todo el mundo difieren poco entre s\u00ed. Sin embargo, el uso de redes neuronales es una empresa muy costosa que, en la mayor\u00eda de los casos, solo pueden afrontar las grandes empresas. Para el desarrollo, entrenamiento y prueba de redes neuronales, se requiere una gran potencia inform\u00e1tica, es obvio que los grandes actores del mercado de TI tienen suficiente de esto. Entre las principales empresas que lideran el desarrollo en esta \u00e1rea se encuentran Google DeepMind, Microsoft Research, IBM, Facebook y Baidu.<\/p>\n Por supuesto, todo esto es bueno: las redes neuronales se est\u00e1n desarrollando, el mercado est\u00e1 creciendo, pero hasta ahora la tarea principal no se ha resuelto. La humanidad no ha logrado crear una tecnolog\u00eda que se acerque en capacidades al cerebro humano. Echemos un vistazo a las principales diferencias entre el cerebro humano y las redes neuronales artificiales.<\/p>\n La diferencia m\u00e1s importante, que cambia fundamentalmente el principio y la eficiencia del sistema, es la diferente transmisi\u00f3n de se\u00f1ales en las redes neuronales artificiales y en la red biol\u00f3gica de neuronas. El caso es que en la RNA las neuronas transmiten valores que son valores reales, es decir, n\u00fameros. En el cerebro humano se transmiten impulsos con una amplitud fija, y estos impulsos son casi instant\u00e1neos. Por lo tanto, existen varias ventajas para la red humana de neuronas.<\/p>\n Primero, las l\u00edneas de comunicaci\u00f3n en el cerebro son mucho m\u00e1s eficientes y econ\u00f3micas que en las RNA. En segundo lugar, el circuito de impulsos asegura la simplicidad de la implementaci\u00f3n de la tecnolog\u00eda: basta con utilizar circuitos anal\u00f3gicos en lugar de complejos mecanismos computacionales. En \u00faltima instancia, las redes de impulsos est\u00e1n protegidas de las interferencias ac\u00fasticas. Los n\u00fameros efectivos est\u00e1n sujetos a ruido, lo que aumenta la probabilidad de errores.<\/p>\n El movimiento ludita comenz\u00f3 a principios del siglo XIX. Esta palabra se us\u00f3 para describir a las personas que participaban en protestas contra la urbanizaci\u00f3n. Con la industrializaci\u00f3n de la sociedad, cuando las m\u00e1quinas-herramienta comenzaron a reemplazar gradualmente a los trabajadores, muchas personas se quedaron sin trabajo y extremadamente insatisfechas con su situaci\u00f3n. \u00a1Imag\u00ednense el impacto que habr\u00edan experimentado si supieran que en un par de cientos de a\u00f1os las m\u00e1quinas podr\u00e1n hablar e incluso moverse de forma independiente!<\/p>\n Mientras tanto, estos tiempos han llegado, y hoy tambi\u00e9n hay retrogrados que temen que la rob\u00f3tica y el desarrollo de la tecnolog\u00eda en general puedan jugar una broma cruel con la gente. Despu\u00e9s de todo, si las m\u00e1quinas ya son capaces de realizar tantas tareas en la actualidad, en el futuro ocupar\u00e1n todos los trabajos, lo que har\u00e1 que las personas sean innecesarias. Y esta posici\u00f3n solo la confirman las valoraciones de expertos que de vez en cuando predicen la inminente desaparici\u00f3n de una determinada profesi\u00f3n.<\/p>\n Este puesto tiene derecho a existir, pero no es del todo correcto, ya que con el tiempo no solo desaparecen las profesiones antiguas, sino que tambi\u00e9n aparecen otras nuevas. S\u00ed, hay un orden de magnitud menos pastores y cazadores que antes, pero han aparecido programadores y comercializadores. En momentos decisivos de la historia, la econom\u00eda se reorienta, eliminando lo innecesario y dotando generosamente a los demandados.<\/p>\n La creciente influencia de las redes neuronales artificiales es obvia, y es probable que pronto est\u00e9n literalmente en todas partes, pero tener miedo de esto significa rechazar la propia naturaleza humana, que consiste en el deseo de descubrimiento y logro.<\/p>\n Primero, debe decidir cu\u00e1les son los componentes b\u00e1sicos de una red neuronal, las neuronas<\/strong>. La neurona toma datos de entrada, realiza ciertas operaciones matem\u00e1ticas con ellos<\/strong> y luego genera el resultado. Una neurona con dos entradas se ve as\u00ed:<\/p>\n Aqu\u00ed est\u00e1n pasando tres cosas. Primero, cada entrada se multiplica por el peso (en el diagrama est\u00e1 marcado en rojo<\/strong> ):<\/p>\n Luego, todas las entradas ponderadas se suman junto con el desplazamiento Finalmente, la cantidad se transfiere a trav\u00e9s de la funci\u00f3n de activaci\u00f3n (marcada en amarillo<\/strong> en el diagrama ):<\/p>\n La funci\u00f3n de activaci\u00f3n se utiliza para conectar entradas no relacionadas a una salida que tiene una forma simple y predecible. Como regla general, la funci\u00f3n sigmoidea<\/a> se toma como la funci\u00f3n de activaci\u00f3n utilizada :<\/p>\n La funci\u00f3n sigmoidea<\/strong> solo genera n\u00fameros en un rango Supongamos que tenemos una neurona con dos entradas<\/strong> que usa una funci\u00f3n de activaci\u00f3n sigmoidea<\/strong> y tiene los siguientes par\u00e1metros:<\/p>\n<\/a><\/p>\nBrevemente sobre los principales<\/h3>\n
<\/a><\/p>\nAplicaci\u00f3n de redes neuronales<\/h2>\n
\n
<\/a><\/p>\nSituaci\u00f3n actual<\/h3>\n
\u00bfPor qu\u00e9 las redes neuronales todav\u00eda est\u00e1n lejos del cerebro humano?<\/h3>\n
<\/a><\/p>\nPerspectivas de las redes neuronales<\/h2>\n
Creaci\u00f3n de bloques neuronales.<\/h2>\n
<\/a><\/p>\n<\/a><\/p>\nb<\/code>(indicado en verde<\/strong> en el diagrama ):<\/p>\n<\/a><\/p>\n<\/a><\/p>\n<\/a><\/p>\n(0, 1)<\/code>. Puede pensar en ello como una compresi\u00f3n de (\u2212\u221e, +\u221e)<\/code>a (0, 1)<\/code>. Se vuelven grandes n\u00fameros negativos ~0<\/code>y grandes n\u00fameros positivos ~1<\/code>.<\/p>\nUn ejemplo simple de trabajar con neuronas en Python<\/h2>\n
<\/a><\/p>\nw = [0,1]<\/code>Es solo una forma de escribir w1 = 0, w2 = 1<\/code>en forma vectorial. Asignemos una entrada con un valor a la neurona x = [2, 3]<\/code>. Para una representaci\u00f3n m\u00e1s compacta, se utilizar\u00e1 el producto escalar<\/a>.<\/p>\n