Transcription
En estos últimos años hemos visto diferentes inteligencias artificiales, tanto en ficción como en realidad. Y aunque esto nos parezca un producto de un genio o un grupo de personas, estas varían en dificultad y cada vez son más posibles de realizar desde la comodidad del hogar.
Existen diferentes métodos para crear una Inteligencia artificial. Esta vez veremos una de las más sencillas y usadas en el mundo, que es la red neuronal artificial. Y como puedes imaginar, es simple de nuestras neuronas. Nuestro cerebro contiene millones de neuronas que, por medio de estímulos eléctricos, se comunican entre ellas en un proceso llamado sinapsis. Este proceso es el culpable cada que nosotros pensamos.
Tomando este concepto, se formula la red neuronal artificial, la cual, igual a una biológica, tendrá entradas y salidas que se conectarán a otras neuronas, que en este caso se le llaman nodos. Los cuales se catalogan de la siguiente manera: nodos de entradas, aquellos que reciben información del exterior; nodos de salida, aquellos que transmiten la información al exterior; y por último, están aquellos que no tienen ningún contacto con el exterior y solamente intercambian información con otros nodos de la red. A estos se les llaman nodos ocultos.
En cualquier tipo de red, los nodos ocultos se encuentran fuertemente interconectados entre sí, organizándose por capas, ya sean monocapas si contienen una sola, o multicapas si contienen más de una. Estos adquieren un valor de los nodos de entrada que se va modificando en un proceso llamado aprendizaje. Existen diferentes algoritmos para basar el comportamiento de los nodos ocultos que dictarán qué conexiones serán más o menos significativas. De esta manera, se toma una decisión sobre qué entrada es más importante en base al modelo que se esté aplicando.
Una vez teniendo estructurada nuestra red, se pasa a la fase de aprendizaje y entrenamiento, donde por medio de patrones objetivos, los valores en los nodos se ajustan de forma iterativa hasta que se muestran respuestas satisfactorias. Es decir, en base a ello, la red sabrá cuándo crear, destruir y modificar nodos para dar respuestas óptimas para el conjunto de patrones de entrenamiento.
Para este proceso, podemos distinguir de tres tipos de aprendizaje:
Aprendizaje supervisado: La red dispone de patrones de entrada-salida que queremos obtener para una cierta entrada de información y, en función de ello, se modifican los nodos ocultos para ajustar la entrada a la salida. Será capaz de predecir el valor correspondiente a cualquier objeto de entrada después de haber visto una serie de ejemplos.
Aprendizaje no supervisado: Consiste en no proporcionar a la red los patrones de salida, sino solo los de entrada, y dejar que la red los clasifique en función de características comunes que encuentra entre ellos.
Aprendizaje híbrido: No se proporcionan los patrones de objetivo, sino que solo se le dice si la respuesta acierta o falla ante un patrón de entrada.
Una vez que la red está entrenada, puede utilizarse para hacer predicciones o clasificaciones de diversas cosas. Ahora que sabes los conceptos básicos que forman una red neuronal, ¿no te gustaría ver un ejemplo? Dale click al video para ir al canal de mi compañero Héctor Pulido, quien programará una red neuronal.
Si quieres seguir alimentando tu curiosidad y expandir tu mente, puedes consultar la descripción de abajo para ver las fuentes que hicieron posible este video. Suscríbete si no lo has hecho y activa las notificaciones para el canal para que no te pierdas ningún episodio. No olvides darle like y compartirlo en tu red social favorita. Y como siempre, ¡hasta la próxima!