Red neuronal o redes neuronales es un tipo de análisis avanzado de datos o técnica de análisis multivariante. Es una de las técnicas de análisis más compleja, pero a la vez, una de la que mejores resultados puedes esperar. Es comúnmente utilizada para analizar grandes conjuntos de datos en Big data analytics ¿Has oído hablar de Machine Learning?.
Podemos definir una red neuronal como un conjunto de elementos de procesamiento de la información altamente interconectados, que son capaces de aprender, con la información que se les alimenta.
La principal característica de esta nueva tecnología de red neuronal o redes neuronales es que puede aplicarse a gran número de problemas que pueden ir desde problemas complejos reales a modelos teóricos sofisticados, como por ejemplo reconocimiento de imágenes, reconocimiento de voz, análisis y filtrado de señales, clasificación, discriminación, análisis financiero, predicción dinámica, etc…
Las redes neuronales tratan de emular el sistema, nervioso, de forma que son capaces de reproducir algunas de las principales tareas que desarrolla el cerebro humano, al reflejas las características fundamentales de comportamiento del mismo.
Lo que realmente intenta modelizar las redes neuronales es una de las estructuras fisiológicas de soporte del cerebro, la neurona, los grupos estructurados e interconectados de varias de ellas, conocidos como redes de neuronales.
De este modo, construyen sistemas que presentan un cierto grado de inteligencia. No obstante, debemos insistir en el hecho de que los sistemas neuronales artificiales, como cualquier otra herramienta construida por el hombre, tienen limitaciones y solo poseen un parecido superficial con sus contrapartidas biológicas.
Red neuronal artificial y el cerebro humano
Las redes neuronales, en relación con el procesamiento de información, heredan 3 características básicas de las redes de neuronas biológicas: paralelismo masivo, respuesta no lineal de las neuronas frente a las entradas recibidas y procesamiento de información a través de múltiples capas de neuronas.
Una de las principales propiedades de estos modelos es su capacidad de aprender y generalizar a partir de ejemplos reales.
Es decir, la red aprende a reconocer la relación (que no deja de ser equivalente a estimular una dependencia funcional) que existe entre el conjunto de entradas proporcionadas como ejemplos y sus correspondientes salidas, de modo que, finalizado el aprendizaje, cuando a la red se le presenta una nueva entrada (aunque esté incompleta o posea algún error), en base a la relación funcional establecida en el mismo, es capaz de generalizarla ofreciendo una salida.
En consecuencia, podemos definir una red neuronal artificial como un sistema inteligente capaz, no solo de aprender, si no también de generalizar.
Una red neuronal está firmada por unidades de procesamiento que reciben el nombre de neuronas o nodos, estos nodos están organizados en grupos que se llaman “capas”. Generalmente existen tres tipos de capas: una entrada de entrada, una o varias capas ocultas y una capa de salida.
Las conexiones se establecen entre los nodos de cada capa adyacentes. La capa de entrada, mediante la cual se presentan los datos a la red, está formada por nodos de entrada que reciben la información directamente del exterior. La capa de salida representa la respuesta de la red a na entrada dada siendo esta información transferida al exterior. Las capas ocultas o intermedias se encargan de procesar la información y se interponen entre las capas de entrada y salida y son las únicas que no tiene conexión con el exterior.
También te puede interesar: