Red neuronal

Red neuronal , un programa de computadora que funciona de una manera inspirada en la red neuronal natural del cerebro. El objetivo de tales redes neuronales artificiales es realizar tales cognitivo funciona como resolución de problemas y aprendizaje automático. La base teórica de las redes neuronales fue desarrollada en 1943 por el neurofisiólogo Warren McCulloch de la Universidad de Illinois y el matemático Walter Pitts de la Universidad de Illinois. Universidad de Chicago . En 1954, Belmont Farley y Wesley Clark del Instituto de Tecnología de Massachusetts lograron ejecutar la primera red neuronal simple. El principal atractivo de las redes neuronales es su capacidad para emular las habilidades de reconocimiento de patrones del cerebro. Entre las aplicaciones comerciales de esta capacidad, las redes neuronales se han utilizado para tomar decisiones de inversión, reconocer la escritura a mano e incluso detectar bombas.

Una característica distintiva de las redes neuronales es que el conocimiento de su dominio se distribuye a través de la propia red en lugar de estar escrito explícitamente en el programa. Este conocimiento se modela como las conexiones entre los elementos de procesamiento (neuronas artificiales) y los pesos adaptativos de cada una de estas conexiones. Luego, la red aprende a través de la exposición a diversas situaciones. Las redes neuronales pueden lograr esto ajustando el peso de las conexiones entre las neuronas comunicantes agrupadas en capas, como se muestra en lafigurade una simple red feedforward. La capa de entrada de neuronas artificiales recibe información del ambiente , y la capa de salida comunica la respuesta; entre estas capas puede haber una o más capas ocultas (sin contacto directo con el medio ambiente), donde la mayoría de las procesamiento de información tiene lugar. La salida de una red neuronal depende de los pesos de las conexiones entre neuronas en diferentes capas. Cada peso indica la importancia relativa de una conexión en particular. Si el total de todas las entradas ponderadas recibidas por una neurona en particular supera un cierto umbral valor, la neurona enviará una señal a cada neurona a la que está conectada en la siguiente capa. En el procesamiento de solicitudes de préstamo, por ejemplo, los datos de entrada pueden representar datos del perfil del solicitante de préstamo y el resultado de la concesión de un préstamo.



who was francisco vasquez de coronado
Una red neuronal feedforward simple En una red neuronal feedforward simple, todas las señales fluyen en una dirección, desde la entrada hasta la salida. Las neuronas de entrada reciben señales del entorno y, a su vez, envían señales a las neuronas en la capa oculta. Si una neurona en particular envía una señal o se dispara, depende de la fuerza combinada de las señales recibidas de la capa anterior. Las neuronas de salida comunican el resultado final mediante su patrón de activación.

Una red neuronal feedforward simple En una red neuronal feedforward simple, todas las señales fluyen en una dirección, desde la entrada hasta la salida. Las neuronas de entrada reciben señales del entorno y, a su vez, envían señales a las neuronas en la capa oculta. Si una neurona en particular envía una señal o se dispara, depende de la fuerza combinada de las señales recibidas de la capa anterior. Las neuronas de salida comunican el resultado final mediante su patrón de activación. Encyclopædia Britannica, Inc.



Dos modificaciones de esta simple red neuronal feedforward explican el crecimiento de aplicaciones, como el reconocimiento facial. Primero, una red puede equiparse con un mecanismo de retroalimentación, conocido como algoritmo de retropropagación, que le permite ajustar los pesos de conexión a través de la red, entrenándola en respuesta a ejemplos representativos. En segundo lugar, se pueden desarrollar redes neuronales recurrentes que involucren señales que proceden en ambas direcciones, así como dentro y entre capas, y estas redes son capaces de patrones de asociación mucho más complicados. (De hecho, para redes grandes puede ser extremadamente difícil seguir exactamente cómo se determinó una salida).

El entrenamiento de redes neuronales generalmente implica un aprendizaje supervisado, donde cada ejemplo de entrenamiento contiene los valores tanto de los datos de entrada como de la salida deseada. Tan pronto como la red pueda funcionar lo suficientemente bien en casos de prueba adicionales, se puede aplicar a los nuevos casos. Por ejemplo, los investigadores del Universidad de Columbia Britanica han entrenado una red neuronal de retroalimentación con datos de temperatura y presión de la zona tropical océano Pacífico y de América del Norte para predecir el futuro global tiempo patrones.



¿Cuál es el nombre del famoso escritor Hemingway?

En contraste, ciertas redes neuronales se entrenan a través del aprendizaje no supervisado, en el que se presenta una red con una colección de datos de entrada y se le da el objetivo de descubrir patrones, sin que se le diga qué buscar específicamente. Esta red neuronal podría usarse en la minería de datos, por ejemplo, para descubrir grupos de clientes en un almacén de datos de marketing.

Las redes neuronales están a la vanguardia de la computación cognitiva, cuyo objetivo es que la tecnología de la información realice algunas de las funciones mentales humanas más avanzadas. Los sistemas de aprendizaje profundo se basan en redes neuronales multicapa y potencia, por ejemplo, la capacidad de reconocimiento de voz del asistente móvil de Apple, Siri. Combinado con una potencia informática en crecimiento exponencial y la enorme agregados de big data, las redes neuronales de aprendizaje profundo influyen en la distribución del trabajo entre personas y máquinas.