Redes neuronales artificiales

• Detección de fraudes con tarjetas de crédito y Medicare.
• Optimización de la logística de las redes de transporte.
• Reconocimiento de caracteres y voz, también conocido como procesamiento del lenguaje natural.
• Diagnóstico médico y de enfermedades.
• Marketing objetivo.
• Predicciones financieras sobre cotizaciones bursátiles, divisas, opciones, futuros, quiebras y calificaciones de bonos.
• Sistemas de control robótico.

• Pronóstico de la carga eléctrica y de la demanda de energía.
• Control de procesos y calidad.
• Identificación de compuestos químicos.
• Evaluación de ecosistemas.
• Visión para interpretar fotos y vídeos sin procesar (por ejemplo, en imágenes médicas y robótica y reconocimiento facial).

Una red neuronal sencilla incluye una capa de entrada, una capa de salida (u objetivo) y, entre ambas, una capa oculta. Las capas están conectadas mediante nodos, y estas conexiones forman una "red" –la red neuronal – de nodos interconectados.

Un nodo sigue el modelo de una neurona del cerebro humano. Con un comportamiento similar al de las neuronas, los nodos se activan cuando hay estímulos o entradas suficientes. Esta activación se propaga por toda la red, creando una respuesta a los estímulos (salida). Las conexiones entre estas neuronas artificiales actúan como simples sinapsis que permiten transmitir señales de una a otra. Las señales atraviesan las capas mientras viajan desde la primera entrada hasta la última capa de salida, y se procesan por el camino.

Cuando se les plantea una petición o un problema que resolver, las neuronas realizan cálculos matemáticos para averiguar si hay suficiente información para transmitirla a la neurona siguiente. Dicho de forma más sencilla, leen todos los datos y averiguan dónde existen las relaciones más fuertes. En el tipo más sencillo de red, las entradas de datos recibidas se suman y, si la suma es superior a un determinado valor umbral, la neurona se "dispara" y activa las neuronas a las que está conectada.

A medida que aumenta el número de capas ocultas de una red neuronal, se forman redes neuronales profundas. Los modelos de deep learning llevan las redes neuronales al siguiente nivel. Utilizando estas capas, los científicos de datos pueden construir sus propias redes de deep learning que permiten el machine learning, que puede entrenar a un ordenador para emular con precisión tareas humanas, como reconocer el habla, identificar imágenes o hacer predicciones. Y lo que es igual de importante, la computadora puede aprender por sí solo reconociendo patrones en muchas capas de procesamiento.

Pongamos en práctica esta definición. Los datos se introducen en una red neuronal a través de la capa de entrada, que se comunica con las capas ocultas. El procesamiento tiene lugar en las capas ocultas a través de un sistema de conexiones ponderadas. Los nodos de la capa oculta combinan los datos de la capa de entrada con un conjunto de coeficientes y asignan los pesos adecuados a las entradas. Seguidamente, se suman estos productos. La suma pasa por la función de activación de un nodo, que determina en qué medida una señal debe avanzar por la red para afectar a la salida final. Por último, las capas ocultas enlazan con la capa de salida, donde se obtienen los resultados.