Red neuronal artificial

Las redes neuronales (también conocidas como sistemas

conexionistas) son un modelo computacional basado en un gran
conjunto de unidades neuronales simples (neuronas artificiales) de
forma aproximadamente análoga al comportamiento observado en
los axones de las neuronas en los cerebros biológicos1 . La
información de entrada atraviesa la red neuronal (donde se somete a
diversas operaciones) produciendo unos valores de salida.

Cada neurona está conectada con otras a través de unos enlaces. En

estos enlaces el valor de salida de la neurona anterior es multiplicado
por un valor de peso. Estos pesos en los enlaces pueden incrementar
o inhibir el estado de activación de las neuronas adyacentes. Del
mismo modo, a la salida de la neurona, puede existir una función
limitadora o umbral, que modifica el valor resultado o impone un
límite que se debe sobrepasar antes de propagarse a otra neurona.
Esta función se conoce comofunción de activación.

Estos sistemas aprenden y se forman a sí mismos, en lugar de ser

programados de forma explícita, y sobresalen en áreas donde la
Una red neuronal artificial es un grupo
detección de soluciones o características es difícil de expresar con la
interconectado de nodos similar a la vasta red de
programación convencional. Para realizar este aprendizaje neuronas en un cerebro biológico. Cada nodo
automático, normalmente, se intenta minimizar una función de circular representa una neurona artificial y cada
pérdida que evalúa la red en su total. Los valores de los pesos de las flecha representa una conexión desde la salida de
neuronas se van actualizando buscando reducir el valor de la función una neurona a la entrada de otra.
de pérdida. Este proceso se realiza mediante la propagación hacia
atrás.

El objetivo de la red neuronal es resolver los problemas de la misma manera que el cerebro humano, aunque las redes neuronales son
más abstractas. Los proyectos de redes neuronales modernos suelen trabajar desde unos miles a unos pocos millones de unidades
neuronales y millones de conexiones que, si bien son muchas órdenes, siguen siendo de una magnitud menos compleja que la del
cerebro humano, más bien cercana a la potencia de cálculo de un gusano.

Nuevas investigaciones sobre el cerebro a menudo estimulan la creación de nuevos patrones en las redes neuronales. Un nuevo
enfoque está utilizando conexiones que se extienden mucho más allá y capas de procesamiento de enlace en lugar de estar siempre
localizado en las neuronas adyacentes. Otra investigación está estudiando los diferentes tipos de señal en el tiempo que los axones se
propagan, como el aprendizaje profundo, interpola una mayor complejidad que un conjunto de variables booleanas que son
simplemente encendido o apagado.

Las redes neuronales se han utilizado para resolver una amplia variedad de tareas, como la visión por computador y el
reconocimiento de voz, que son difíciles de resolver usando la ordinaria programación basado en reglas. Históricamente, el uso de
modelos de redes neuronales marcó un cambio de dirección a finales de los años ochenta de alto nivel, que se caracteriza por
sistemas
expertos con conocimiento incorporado en si-entonces las reglas, a bajo nivel de aprendizaje automático, caracterizado por el
conocimiento incorporado en los parámetros de unmodelo cognitivo con algún sistema dinámico.

Índice
 Historia
Aprendizaje de Hebb
Propagación hacia atrás y el resurgimiento
Diseños basados en Hardware
Mejoras desde 2006
Modelos
Función de red
El aprendizaje
La elección de una función de coste
Paradigmas de aprendizaje
El aprendizaje supervisado
Aprendizaje no supervisado
Aprendizaje por refuerzo
Tipo de entrada
Algoritmos de aprendizaje
Algoritmo recursivo convergente de aprendizaje
El empleo de redes neuronales artificiales
Aplicaciones
Aplicaciones de la vida real
Las redes neuronales y la neurociencia
Potencia del cálculo
La crítica
Cuestiones de capacitación
Cuestiones teóricas
Las clases y tipos de RNAs
Ejemplos
Quake II Neuralbot
Clasificador No Sesgado de Proteínas
Galería
Herramientas de software
Véase también
Referencias
Enlaces externos

Historia
Warren McCulloch y Walter Pitts 2 (1943) crearon un modelo informático para redes neuronales, que se llama lógica umbral, que se
base en las matemáticas y los algoritmos. Este modelo señaló el camino para que la investigación de redes neuronales se divida en
dos enfoques distintos. Un enfoque se centró en los procesos biológicos en el cerebro y el otro se centró en la aplicación de redes
neuronales para la inteligencia artificial.

Aprendizaje de Hebb
A finales de la década de 1940 el psicólogo Donald Hebb3 4 creó una hipótesis de aprendizaje basado en el mecanismo de
plasticidad neuronal que ahora se conoce como aprendizaje de Hebb. Aprendizaje de Hebb se considera que es un "típico" de
aprendizaje no supervisado y sus variantes posteriores fueron los primeros modelos de la potenciación a largo plazo. Los
investigadores empezaron a aplicar estas ideas a los modelos computacionales en 1948 con la sugerencia de Turing, que el córtex
ganizada" (también conocido como "máqina Turing Tipo B").5 6
humano infantil es lo que llamaba "máquina desor
Farley y Wesley A. Clark7 (1954) al principio utilizaron máquinas computacionales, las cuales entonces se llamaban "calculadoras",
para simular una red de Hebb en el MIT. Otras simulaciones de redes neuronales por computadora han sido creadas por Rochester,
Holanda, Hábito y Duda (1956).8

Frank Rosenblatt9 10 (1958) creó el perceptrón, un algoritmo de reconocimiento de patrones basado en una red de aprendizaje de
computadora de dos capas, que utilizaba adición y sustracción simples. Con la notación matemática, Rosenblatt también describe
circuitería que no está en el perceptrón básico, tal como el circuito de o-exclusiva, un circuito que no se pudo procesar por redes
neuronales antes de la creación del algoritmo depropagación hacia atraspor Paul Werbos (1975).11

En 1959, un modelo biológico propuesto por dos laureados de losPremios Nobel, David H. Hubel y Torsten Wiesel, estaba basado en
su descubrimiento de dos tipos de células en lacorteza visual primaria: células simples y células complejas.12

El primer reporte sobre redes funcionales multicapas fue publicado en 1965 por Ivakhnenko y Lapa, cual metodo ahora se llama el
método de agrupamiento para el manejo de datos.13 14 15

La investigación de redes neuronales se estancó después de la publicación de la investigación de aprendizaje automático por Marvin
Minsky y Seymour Papert (1969)16 , que descubrió dos cuestiones fundamentales con las máquinas computacionales que procesan
las redes neuronales. La primera fue que los perceptrones básicos eran incapaces de procesar la circuito de o-exclusivo. La segunda
cuestión importante era que los ordenadores no tenían suficiente poder de procesamiento para manejar eficazmente el gran tiempo de
ejecución requerido por las grandes redes neuronales.

Propagación hacia atrás y el resurgimiento

Un avance clave que vino después fue el algoritmo de propagación hacia atrás que resuelve eficazmente el problema de o-exclusivo,
y en general el problema del entrenamiento rápido de redes neuronales de múltiples capas (Werbos 1975). El proceso de propagación
hacia atrás utilice la diferencia entre el resultado producido y el resultado deseado para cambiar los "pesos" de las conexiones entre
las neuronas artificiales.11

A mediados de la década de 1980, el procesamiento distribuido en paralelo se hizo popular con el nombre conexionismo. El libro de
David E. Rumelhart y James McClelland (1986) proporcionan una exposición completa de la utilización de conexionismo en los
ordenadores para simular procesos neuronales.17

Las redes neuronales, tal como se utiliza en la inteligencia artificial, que tradicionalmente han sido considerados como modelos
simplificados de procesamiento neural en el cerebro, a pesar de que la relación entre este modelo y la arquitectura biológica del
cerebro se debate; no está claro en qué medida las redes neuronales artificiales reflejan la función cerebral.

Máquinas de soporte vectorial y otros métodos mucho más simples, tales como los clasificadores lineales, alcanzaron gradualmente
las redes neuronales en popularidad en aprendizaje automático.No obstante, el uso de redes neuronales ha cambiado algunos campos,
18 19
tales como la predicción de las estructuras de las proteinas.

En 1992, max-pooling (una forma de submuestreo, en la que se divide los datos en grupos de tamaños iguales, que no tienen
elementos en común, y se transmite solamente el valor máximo de cada grupo) fue introducido para ayudar con el reconocimiento de
objetos tri-dimensionales.20 21 22

En 2010, el uso de max-pooling en el entrenamiento por propagación hacia atrás fue acelerado por los GPUs, y fue demostrado que
23
este ofrece mejor rendimiento que otros tipos de agrupamiento.

El problema del desvanecimiento del gradiente afecta las redes neuronales prealimentadas de múltiples capas, que usan la
propagación hacia atrás, y tambiénlos redes neuronales recurrentes(RNNs).24 25 Mientras que los errores se propagan de una capa a
otra, disminuyen exponencialmente con el número de capas, y eso impide el arreglamiento de los pesos de las neuronas, la cual se
base en esos errores. Redes profundas están particularmente afectadas.
Para vencer este problema, Schmidhuber adoptaba una jerarquía multicapa de redes (1992) pre entrenados, una capa a la vez, por
aprendizaje no supervisado, y refinado por propagación hacia atrás.26 Behnke (2003) contaba solamente con el signo del gradiente
(Rprop)27 tratándose de problemas tales como la reconstrucción de imágenes y la localización de caras.

Como retos anteriores en redes neuronales profundas de capacitación se abordaron con éxito con métodos como pre entrenamiento no
supervisado y la potencia de cálculo incrementado a través del uso de las GPU y la computación distribuida, las redes neuronales se
desplegaron de nuevo a gran escala, sobre todo en problemas del procesamiento de imágenes y del reconocimiento visual. Esto se
conoció como "aprendizaje profundo", aunque el aprendizaje profundo no es estrictamente sinónimo de redes neuronales profundas.

Diseños basados en Hardware

Dispositivos de cómputo fueron creados en CMOS, para la simulación biofísica al igual que para la cómputo neuromórfico.
Nanodispositivos28 para análisis de componentes principales de escala muy grande, y convolución puedan crear una clase nueva de
cómputo neuronal, porque son fundamentalmente analógicas en vez de digitales (aunque las implementaciones primeras puedan
utilizar dispositivos digitales).29 Ciresan y sus cólegos (2010)30 en el grupo de Schmidhuber mostraron que, a pesar del problema
del desvanecimiento del gradiente, los GPUs hacen factible la propagación hacia atrás para las redes neuronales prealimentadas con
múltiples capas.

Mejoras desde 2006

Dispositivos computacionales se han creado en el CMOS, tanto para la simulación biofísica y computación neuromórfico. Los
esfuerzos más recientes se muestran prometedores para la creación de nanodispositivos31 para análisis de componentes principales
de gran escala. Si tiene éxito, se crearía una nueva clase de computación neuronal, ya que depende de aprendizaje automático en
lugar de la programación y porque es fundamentalmente analógico en lugar de digital a pesar de que las primeras instancias pueden
ser de hecho con los dispositivos digitales CMOS.32

Entre 2009 y 2012, las redes neuronales recurrentes y redes neuronales feedforward profundos desarrollados en el grupo de
investigación de Jürgen Schmidhuber en el suizo laboratorio de IA IDSIA han ganado ocho concursos internacionales de
reconocimiento de patrones y aprendizaje automático. Por ejemplo, la memoria bi-direccional y multidimensional de largo a corto
plazo (LSTM) de Alex Graves ha ganado tres competiciones en el reconocimiento de escritura conectado en el 2009 Conferencia
Internacional sobre Análisis de documentos y Reconocimiento (ICDAR), sin ningún conocimiento previo acerca de los tres idiomas
diferentes que se pueden aprender.

Implementaciones de este método basadas en unidades de procesamiento gráfico rápidas, hechos por Dan Ciresan y sus colegas de
IDSIA han ganado varios concursos de reconocimiento de patrones, incluyendo el IJCNN 2011 Competición de Reconocimiento de
Señales de Tráfico,33 el desafío de ISBI 2012 de segmentación de estructuras neuronales en series de imágenes de Microscopía
Electrónica,34 y otros. Sus redes neurales también fueron los primeros reconocedores de patrones artificiales para lograr un
rendimiento aún sobrehumana competitivo o en los puntos de referencia importantes, tales como el reconocimiento de señales de
tráfico (IJCNN 2012), o el problema de clasificación dígitos escritos a mano.

Arquitecturas profundos, altamente no lineales neuronales similares a los del 1980 Neocognitrón por Kunihiko Fukushima y la
"arquitectura estándar de la visión", inspirados en las células simples y complejas identificadas por David H. Hubel y Torsten Wiesel
en las primarias de la corteza visual , puede también ser pre-formados por métodos no supervisados de Geoff Hinton laboratorio en la
Universidad de Toronto .Un equipo de este laboratorio ganaron un concurso de 2012 patrocinado por Merck para el diseño de
software para ayudar a encontrar moléculas que podrían conducir a nuevos medicamentos.

Modelos
Modelos de redes neuronales en la inteligencia artificial se refieren generalmente a las redes neuronales artificiales (RNA); estos son
modelos matemáticos esencialmente simples que definen una función f:X→Y o una distribución más X o ambos X e Y. Pero a veces
los modelos también están íntimamente asociadas con un algoritmo de aprendizaje en particular o regla de aprendizaje. Un uso
común de la frase "modelo ANN" es en realidad la definición de una clase de tales funciones (donde los miembros de la clase se
obtiene variando parámetros, los pesos de conexión, o específicos de la arquitectura, tales como el número de neuronas o su
conectividad).

Función de red
La palabra red en el término "red neuronal artificial" se refiere a las interconexiones entre las neuronas en las diferentes capas de cada
sistema. Un sistema ejemplar tiene tres capas. La primera capa tiene neuronas de entrada que envían datos a través de las sinapsis a la
segunda capa de neuronas, y luego a través de más sinapsis a la tercera capa de neuronas de salida. Los sistemas más complejos
tendrán más capas de neuronas, algunos habiendo aumentado capas de neuronas de entrada y de salida de las neuronas. Las sinapsis
almacenan parámetros llamados "pesos" que manipulan los datos en los cálculos.

Un RNA se define típicamente por tres tipos de parámetros:

1. El patrón de interconexión entre las diferentes capas de neuronas

2. El proceso de aprendizaje para la actualización de los pesos de las interconexiones

3. La función de activación que convierte las entradas ponderadas de una neurona a su activación a la salida.

Matemáticamente, la función de red de una neurona se define como una composición de otras funciones . Este se
representa como una estructura de red, con flechas que representan las dependencias entre variables.Un tipo ampliamente utilizado de
la composición es la suma ponderada no lineal , donde , dónde k (denominado comúnmente como la
función de activación35 ) es una función predefinida, como la tangente hiperbólica o función sigmoide . La característica importante
de la función de activación es que proporciona una transición suave como valores de entrada de cambio, es decir, un pequeño cambio
en la entrada produce un pequeño cambio en la producción. Será conveniente para la siguiente para referirse a una colección de
funciones simplemente como un vector .

Esta cifra representa una descomposición de tales , Con las dependencias entre las variables indicadas por las flechas. Estos pueden
ser interpretados de dos maneras.

La primera vista es la vista funcional: la entrada se transforma en un vector de 3 dimensiones , Que se transforma a continuación
en un vector de 2 dimensiones , Que es finalmente transformado en . Este punto de vista se encuentra más comúnmente en el
contexto de la optimización.

El segundo punto de vista es la vista probabilístico: lavariable aleatoria depende de la variable aleatoria , Que
depende de , Que depende de la variable aleatoria . Este punto de vista se encuentra más comúnmente en el contexto de
modelos gráficos .

Los dos puntos de vista son en gran medida equivalente. En cualquier caso, para esta arquitectura de red en particular, los
componentes de las capas individuales son independientes entre sí (por ejemplo, los componentes de son independientes entre sí,
dada su aportación ). Esto permite, naturalmente, un grado de paralelismo en la ejecución.

Las redes como la anterior se llaman comúnmente alimentación hacia delante , porque su gráfica es un grafo dirigido acíclico . Las
redes con ciclos se denominan comúnmente recurrentes . Tales redes se representan comúnmente de la manera mostrada en la parte
superior de la figura, donde se muestra como dependiente sobre sí misma. Sin embargo, no se muestra una dependencia temporal
implícita.

El aprendizaje
Lo que ha atraído el mayor interés en las redes neuronales es la posibilidad de aprendizaje. Dada una determinada tarea a resolver, y
una clase de funciones , el aprendizaje consiste en utilizar un conjunto de observaciones para encontrar la cual resuelve la
tarea de alguna formaóptima.
Esto implica la definición de una función de coste tal que, para la
solución óptima . Es decir, ninguna solución tiene un
costo menor que el costo de la solución óptima.

La función de coste es un concepto importante en el aprendizaje, ya que

representa lo lejos que una solución particular se encuentra de la solución óptima al
problema a resolver. Los algoritmos de aprendizaje buscan a través del espacio de
soluciones para encontrar una función que tiene el menor costo posible.

Para aplicaciones en las que la solución es dependiente de algunos datos, el costo

debe ser necesariamente una función de las observaciones, de lo contrario no
estaríamos modelando todo lo relacionado con los datos. Con frecuencia se define
como una estadística a la que se pueden realizar sólo aproximaciones. Como un
simple ejemplo, considere el problema de encontrar el modelo , Lo que reduce al
mínimo , Para pares de datos extraída de alguna
distribución . En situaciones prácticas sólo tendríamos muestras de y, por
Grafo de dependencias ANN
tanto, para el ejemplo anterior, tendríamos solamente minimizar

. Por lo tanto, el coste se reduce al mínimo a través de

una muestra de los datos en lugar de toda la distribución de la generación de los
datos.

Cuando alguna forma de aprendizaje automático en línea debe ser

utilizada, donde el costo se reduce al mínimo parcialmente como se ve cada nuevo
ejemplo. Mientras que la máquina de aprendizaje en línea se utiliza a menudo
cuando se fija, es más útil en el caso en el que la distribución cambia lentamente
con el tiempo. En los métodos de redes neuronales, alguna forma de aprendizaje en
línea de la máquina se utiliza con frecuencia para conjuntos de datos finitos.

La elección de una función de coste

Si bien es posible definir alguna función de coste, con frecuencia un coste particular,
se utilizará, ya sea porque tiene propiedades deseables (tales como convexidad) o
porque surge de forma natural a partir de una formulación particular del problema Dos representaciones separadas del
(por ejemplo, en una formulación probabilística la probabilidad posteriordel modelo recurrente gráfico de dependencias
puede ser utilizada como un costo inverso). En última instancia, la función de coste ANN
dependerá de la tarea deseada.

Paradigmas de aprendizaje
Hay tres grandes paradigmas de aprendizaje, cada uno correspondiente a una tarea de aprendizaje abstracto en particular. Estos son el
aprendizaje supervisado,el aprendizaje no supervisadoy el aprendizaje por refuerzo.

El aprendizaje supervisado
En el aprendizaje supervisado, se nos da una serie de ejemplos de pares y el objetivo es encontrar una función
en la clase permitido de funciones que corresponden con los ejemplos. En otras palabras, deseamos inferir el mapeo
derivado de los datos; la función de coste está relacionado con la falta de coincidencia entre nuestro mapeo y los datos, y contiene
36
implícitamente el conocimiento previo sobre el dominio del problema.
Un coste de uso común es elerror cuadrático medio, que trata de minimizar el error cuadrático medio entre las salidas de la red,
y el valor objetivo sobre todos los pares ejemplares. Cuando uno trata de minimizar este coste utilizando
descenso de gradiente para
la clase de las redes neuronales llamadas perceptrones multicapas (MLP), se obtiene el común y bien conocido algoritmo de
propagación hacia atráspara la formación de redes neuronales.

Tareas que caen dentro del paradigma de aprendizaje supervisado son el reconocimiento de patrones (también conocido como
clasificación) y regresión (también conocido como aproximación de función). El paradigma de aprendizaje supervisado es aplicable
también a los datos secuenciales (por ejemplo,reconocimiento del habla, del manuscrito, y degestos). Esto se puede considerar como
una forma de aprendizaje con un "maestro", en la forma de una función que proporciona información continua sobre la calidad de las
soluciones obtenidas hasta el momento.

Aprendizaje no supervisado
En el aprendizaje no supervisado , algunos datos se da y la función de coste que se reduce al mínimo, que puede ser cualquier
función de los datos y la salida de la red, .

La función de coste depende de la tarea (lo que estamos tratando de modelar) y nuestros a priori suposiciones implícitas (las
propiedades de nuestro modelo, sus parámetros y las variables observadas).

Como un ejemplo trivial, considere el modelo donde es una constante y el costo . Minimizar este
coste nos dará un valor de{\ Displaystyle \ estilo de texto a} a que es igual a la media de los datos. La función de coste puede ser
mucho más complicado. Su forma depende de la aplicación: por ejemplo, en la compresión de que podría estar relacionado con la
información mutua entre y , Mientras que en la modelización estadística, que podría estar relacionado con la probabilidad
posterior del modelo dados los datos (tenga en cuenta que en estos dos ejemplos esas cantidades se maximizaría en lugar de reducirse
al mínimo).

Tareas que caen dentro del paradigma de aprendizaje no supervisado están en generales de estimación de problemas; las aplicaciones
incluyen el agrupamiento , la estimación de distribuciones estadísticas, la compresión de datosy el filtrado bayesiano de spam.

Aprendizaje por refuerzo

En el aprendizaje por refuerzo , los datos por lo general no se dan, pero generada por la interacción de un agente con el medio
ambiente. En cada punto en el tiempo , El agente realiza una acción y el medio ambiente genera una observación y un costo
instantáneo , De acuerdo con algunas dinámicas (por lo general desconocidos). El objetivo es descubrir una política para la
selección de las acciones que minimiza una cierta medida de un costo a largo plazo, por ejemplo, el coste acumulativo esperado. La
dinámica del medio ambiente y el coste a largo plazo para cada política general son desconocidos, pero pueden ser estimados.

Más formalmente el medio ambiente se modela como un proceso de decisión de Markov (MDP) con los estados y
acciones con las siguientes distribuciones de probabilidad: la distribución de costos instantánea ,La
distribución de observación y la transición Mientras que una política se define como la distribución
condicional sobre las acciones dadas las observaciones. Tomados en conjunto, los dos entonces definen una cadena de Márkov (MC).
El objetivo es descubrir la política (es decir, el MC) que minimice el costo.

RNAs se utilizan con frecuencia en el aprendizaje de refuerzo como parte del algoritmo general.37 38 La programación dinámica se
ha unido a las RNA (dando la programación neurodinámica) porBertsekas y Tsitsiklis39 y se aplicó problemas no lineales a la multi-
dimensionales, tales como los implicados en enrutamiento de vehículos , gestión de los recursos naturales40 41 o la medicina42
debido a la capacidad de RNAs para mitigar las pérdidas de precisión incluso cuando la reducción de la densidad de la red de
discretización para aproximar numéricamente la solución de los problemas de control originales.

Tareas que caen dentro del paradigma de aprendizaje por refuerzo son problemas de control,
juegos y otras secuenciales tareas.

Tipo de entrada
Finalmente también se pueden clasificar las RNAs según sean capaces de procesar información de distinto tipo en:

Redes analógicas: procesan datos de entrada con valores continuos y, habitualmente, acotados. Ejemplos de este
tipo de redes son: Hopfield, Kohonen y las redes de aprendizaje competitivo.
Redes discretas: procesan datos de entrada de naturaleza discreta; habitualmente valores lógicos booleanos.
Ejemplos de este segundo tipo de redes son: las máquinas deBoltzmann y Cauchy, y la red discreta de Hopfield.

Algoritmos de aprendizaje
El entrenamiento de un modelo de red neuronal en esencia significa seleccionar un modelo de la serie de modelos permitidos (o, en
un bayesiano marco, la determinación de una distribución en el conjunto de modelos permitidos) que minimiza el criterio de costo.
Hay numerosos algoritmos disponibles para la formación de los modelos de redes neuronales; la mayoría de ellos puede ser vista
como una aplicación directa dela teoría de optimizacióny la estimación estadística.

La mayoría de los algoritmos utilizados en las redes neuronales artificiales de formación emplean alguna forma de descenso de
gradiente, utilizando propagación hacia atrás para calcular los gradientes reales. Esto se hace simplemente tomando la derivada de la
función de coste con respecto a los parámetros de la red y a continuación, cambiando los parámetros en una dirección relacionada al
gradiente. Los algoritmos de entrenamiento de propagación hacia atrás generalmente se clasifican en tres categorías:

1. Descenso del gradiente(con tasa variable de aprendizaje y momentum,retropropagación elástica (Rprop));

2. cuasi-Newton ( Broyden-Fletcher-Goldfarb-Shannon, Método de la secante );

3. Levenberg-Marquardt y gradiente conjugado (actualización Fletcher-Reeves, actualizaación Polak-Ribiere, Powell-Beale reinicio,

gradiente conjugado escalado).43

Métodos evolutivos,44 de programación de la expresión génica,45 de recocido simulado,46 de esperanza-maximización, los

métodos no paramétricos y la optimización por enjambre de partículas47 son algunos otros métodos para la formación de redes
neuronales.

Algoritmo recursivo convergente de aprendizaje

Este es un método de aprendizaje especificamente desegnado para redes neuronales controladores de articulación (CMAC por sus
siglas en inglés) de modelo cerebelosa. En 2004, un algoritmo recursivo de mínimos cuadrados estaba introducido para formar en
línea redes neuronales CMAC. 48 Este algoritmo puede convergir en un solo paso, y actualizar todos los pesos en un solo paso con
cualquier dato nuevo de entrada. Al principio, este algoritmo tenía complejidad computacional de O(N3). Basado en factorización
O(N).49
QR, este algoritmo recursivo de aprendizaje había sido simplificado para hacerlo

El empleo de redes neuronales artificiales

Tal vez la mayor ventaja de las RNA es su capacidad de ser utilizado como un mecanismo de función de aproximación arbitraria que
"aprende" a partir de datos observados. Sin embargo, su uso no es tan sencillo, y una relativamente buena comprensión de la teoría
subyacente es esencial.

Elección de modelo: Esto dependerá de la representación de datos y la aplicación. Excesivamente complejos

modelos tienden a conducir a problemas en el aprendizaje.
Algoritmo de aprendizaje:Existen numerosas soluciones de compromiso entre los algoritmos de aprendizaje. Casi
cualquier algoritmo va a funcionar bien con los hiperparámetros correctos para la formación de un conjunto
específico de datos fijos. Sin embargo, la selección y el ajuste de un algoritmo para la formación en datos no
previstos requieren una cantidad significativa de experimentación.
Robustez: Si se seleccionan apropiadamente el modelo, la función de coste y el algoritmo de aprendizaje, la RNA
resultante puede ser extremadamente robusto.
Con la aplicación correcta, las RNA pueden ser utilizadas de forma natural en el aprendizaje online y aplicaciones de grandes
conjuntos de datos. Su aplicación sencilla y la existencia de dependencias en su mayoría locales expuestos en la estructura permiten
implementaciones rápidas y paralelas en el hardware.
Aplicaciones
RNA las hacen bastante apropiadas para aplicaciones en las que no se dispone a priori de un modelo identificable que pueda ser
programado, pero se dispone de un conjunto básico de ejemplos de entrada (previamente clasificados o no). Asimismo, son altamente
robustas tanto al ruido como a la disfunción de elementos concretos y son fácilmente paralelizables.

Esto incluye problemas de clasificación y reconocimiento de patrones de voz, imágenes, señales, etc. Asimismo se han utilizado para
encontrar patrones de fraude económico, hacer predicciones en el mercado financiero, hacer predicciones de tiempo atmosférico, etc.

También se pueden utilizar cuando no existen modelos matemáticos precisos o algoritmos con complejidad razonable, por ejemplo la
red de Kohonen ha sido aplicada con un éxito más que razonable al clásico problema del viajante (un problema para el que no se
conoce solución algorítmica de complejidad polinómica).

Otro tipo especial de redes neuronales artificiales se ha aplicado en conjunción con los algoritmos genéticos (AG) para crear
controladores para robots. La disciplina que trata la evolución de redes neuronales mediante algoritmos genéticos se denomina
Robótica Evolutiva. En este tipo de aplicación el genoma del AG lo constituyen los parámetros de la red (topología, algoritmo de
aprendizaje, funciones de activación, etc.) y la adecuación de la red viene dada por la adecuación del comportamiento exhibido por el
robot controlado (normalmente una simulación de dicho comportamiento).

Aplicaciones de la vida real

Las tareas se aplican a las redes neuronales artificiales tienden a caer dentro de las siguientes categorías generales:

Aproximación de funciones, o el análisis de regresión, incluyendo la predicción de series temporales, funciónes de

aptitud y el modelado.
Clasificación, incluyendo el reconocimiento de patronesy la secuencia de reconocimiento, detección y de la toma de
decisiones secuenciales.
Procesamiento de datos, incluyendo el filtrado, el agrupamiento,la separación ciega de las señalesy compresión.
Robótica, incluyendo la dirección de manipuladores yprótesis.
Ingeniería de control, incluyendo control numérico por computadora.
Las áreas de aplicación incluyen la identificación de sistemas y el control (control del vehículo, predicción de trayectorias50 , el
control de procesos, manejo de recursos naturales), la química cuántica, juegos y la toma de decisiones (backgammon, ajedrez,
póquer ), el reconocimiento de patrones(sistemas radar, reconocimiento facial, clasificación de señales,51 reconocimiento de objetos
y más), de reconocimiento de secuencia (gesto, voz, reconocimiento de texto escrito a mano), diagnóstico médico , aplicaciones
financieras (por ejemplo, sistemas automatizados de comercio (trading algorítmico) ), minería de datos (o descubrimiento de
conocimiento en bases de datos, "KDD"), la visualización, traducción automática, diferenciando entre informes deseados y no
deseados en redes sociales,52 prevención de spam (correo basura) de correo electrónico
.

Las redes neuronales artificiales se han utilizado también para el diagnóstico de varios tipos de cáncer. Un sistema de detección de
cáncer de pulmón híbrido basado ANN llamado HLND mejora la precisión del diagnóstico y la velocidad de la radiología cáncer de
pulmón. Estas redes también se han utilizado para diagnosticar el cáncer de próstata. Los diagnósticos se pueden utilizar para hacer
modelos específicos tomados de un gran grupo de pacientes en comparación con la información de un paciente dado. Los modelos no
dependen de suposiciones acerca de las correlaciones de diferentes variables. El cáncer color rectal también se ha previsto el uso de
las redes neuronales. Las redes neuronales podrían predecir el resultado de un paciente con cáncer color rectal con más precisión que
los métodos clínicos actuales. Después del entrenamiento, las redes podrían predecir múltiples resultados de los pacientes de
instituciones relacionadas.

Las redes neuronales y la neurociencia

La Neurociencia Teórica y computacional son el ámbito en que se trata del análisis teórico y el modelado computacional de sistemas
neuronales biológicos. Dado que los sistemas neurales están íntimamente relacionados con los procesos cognitivos y de
comportamiento, el campo está muy relacionada con el modelado cognitivo y conductual.
El objetivo del campo es la creación de modelos de sistemas neuronales biológicas con el fin de comprender cómo funcionan los
sistemas biológicos. Para ganar este entendimiento, los neurólogos se esfuerzan por hacer un vínculo entre los procesos biológicos
observados (datos), biológicamente plausibles mecanismos para el procesamiento neuronal y aprendizaje ( redes neuronales
biológicas modelos) y la teoría (la teoría del aprendizaje estadístico yla teoría de la información).

Tipos de modelos

Muchos modelos se utilizan en el campo, que se define en diferentes niveles de abstracción y el modelado de diferentes aspectos de
los sistemas neurales. Se extienden desde modelos del comportamiento a corto plazo de las neuronas individuales, tras los modelos
del surgimiento de la dinámica de los circuitos neuronales de la interacción entre las neuronas individuales hasta, finalmente, los
modelos del surgimiento del comportamiento de los módulos neuronales abstractos que representan subsistemas completas. Estos
incluyen modelos de plasticidad de largo y corto plazo, y de los sistemas neuronales y sus relaciones con el aprendizaje y la memoria
de la neurona individual a nivel del sistema.

Las redes con memoria

La integración de los componentes de memoria externa con redes neuronales artificiales tiene una larga historia que se remonta a las
primeras investigaciones en las representaciones distribuidas y mapas de auto-organización . Por ejemplo, en memoria distribuida
dispersa los patrones codificados por las redes neuronales se utilizan como direcciones de memoria para la memoria de contenido
direccionable, con "neuronas" que sirven esencialmente como direccióncodificadores y decodificadores .

Más recientemente aprendizaje profundo ha demostrado ser útil enhashing semántica , donde un profundo modelo gráfico de los
vectores de palabra de recuento de se obtiene a partir de un gran conjunto de documentos. Los documentos se asignan a las
direcciones de memoria de tal manera que los documentos semánticamente similares se encuentran en direcciones cercanas.
Documentos similares a un documento de consulta a continuación, se pueden encontrar simplemente accediendo a todas las
direcciones que difieren por sólo unos pocos bits de la dirección del documento de consulta.

Redes de memoria es otra extensión de las redes neuronales que incorporan la memoria a largo plazo que fue desarrollado por
Facebook investigación. La memoria a largo plazo puede ser leído y escrito para, con el objetivo de utilizarlo para la predicción.
Estos modelos se han aplicado en el contexto de la búsqueda de respuestas (QA), donde la memoria a largo plazo que de hecho actúa
como un (dinámico) base de conocimientos, y la salida es una respuesta textual.

Máquinas de Turing neuronales desarrollados por Google DeepMindampliar las capacidades de las redes neuronales profundas
mediante el acoplamiento a los recursos de memoria externos, que pueden interactuar con los procesos atencionales. El sistema
combinado es análogo a una máquina de Turing pero es diferenciable de extremo a extremo, lo que le permite ser entrenado de
manera eficiente con descenso del gradiente. Los resultados preliminares demuestran que las máquinas de Turing neuronales puede
deducir algoritmos simples, tales como copiar,clasificar, y recuerdo asociativo a partir de ejemplos de entrada y salida.

Computadoras neuronales diferenciables (DNC) son una extensión de las máquinas de Turing neuronal, también de DeepMind. Se
han realizado fuera de las máquinas de Turing neuronales, la memoria de largo a corto plazo los sistemas y redes de la memoria en
las tareas de procesamiento de secuencia.

Software de red neuronal

Software de la red neuronal se utiliza para simular, investigación , desarrollo y aplicación de redes neuronales artificiales, redes
neuronales biológicas y, en algunos casos, una gama más amplia desistemas adaptativos.

Tipos de redes neuronales artificiales

Tipos de redes neuronales artificiales varían de aquellos con sólo una o dos capas de lógica única dirección, para muchos bucles
complejos multi-direccionales de entrada de realimentación y capas. En general, estos sistemas utilizan algoritmos en su
programación para determinar el control y la organización de sus funciones. La mayoría de los sistemas utilizan "pesos" para cambiar
los parámetros del rendimiento y las diferentes conexiones con las neuronas. Las redes neuronales artificiales pueden ser autónomas
y aprender mediante el aporte de "maestros" externos o incluso auto-enseñanza de las reglas escritas de entrada. Redes neuronales
estilo Cubo Neural primera por primera vez por Gianna Giavelli proporcionan un espacio dinámico en el que las redes se recombinan
dinámicamente información y enlaces a través de miles de millones de nodos independientes que utilizan la adaptación neuronal
darwinismo , una técnica desarrollada porGerald Edelman , que permite sistemas más modeladas biológicamente.

Potencia del cálculo

El perceptrón multicapa es un aproximado de la función universal, como lo demuestra el teorema de aproximación universal . Sin
embargo, la prueba no es constructivo sobre el número de neuronas es necesario, la topología de red, la configuración de los pesos y
los parámetros de aprendizaje.

El trabajo de Hava Siegelmann y Eduardo D. Sontag ha proporcionado una prueba de que una arquitectura específica recurrente con
los pesos valorados racionales (en oposición a la precisión total número real -valued pesos) tiene toda la potencia de una máquina
universal de Turing [59]utilizando un número finito de las neuronas y las conexiones lineales estándar. Además, se ha demostrado que
el uso de valores irracionales para resultados pesos en una máquina consuper-Turing poder.

Capacidad

Los modelos de redes neuronales artificiales tienen una propiedad denominada "capacidad", que corresponde aproximadamente a su
capacidad para modelar cualquier función dada. Se relaciona con la cantidad de información que puede ser almacenada en la red y a
la noción de complejidad.

Convergencia

Nada se puede decir en general sobre la convergencia ya que depende de una serie de factores. En primer lugar, pueden existir
muchos mínimos locales. Esto depende de la función de coste y el modelo. En segundo lugar, el método de optimización utilizado no
puede ser garantizado a converger cuando lejos de un mínimo local. En tercer lugar, para una cantidad muy grande de datos o
parámetros, algunos métodos se vuelven poco práctico. En general, se ha encontrado que las garantías teóricas sobre la convergencia
son una guía fiable para la aplicación práctica.

Generalización y estadísticas

En aplicaciones donde el objetivo es crear un sistema que generaliza bien en los ejemplos que no se ven, ha surgido el problema de la
formación excesiva. Esto surge en los sistemas complicados o sobre especificadas cuando la capacidad de la red supera
significativamente los parámetros libres necesarios. Hay dos escuelas de pensamiento para evitar este problema: La primera es
utilizar la validación cruzada técnicas similares y para comprobar la presencia de un exceso de entrenamiento y de manera óptima
seleccione hiper- tales que se minimice el error de generalización. La segunda es utilizar algún tipo de regularización . Este es un
concepto que surge de manera natural en un marco probabilístico (Bayesiano), donde la regularización puede realizarse mediante la
selección de una probabilidad a priori más grande sobre los modelos más simples; sino también en la teoría estadística de
aprendizaje, donde el objetivo es reducir al mínimo más de dos cantidades: el "riesgo empírico" y el "riesgo estructural ', que
corresponde aproximadamente al error sobre el conjunto de entrenamiento y el error de predicción en los datos que no se ven debido
a sobreajuste. Redes neuronales supervisadas que utilicen un error cuadrático medio (MSE) función de coste se pueden utilizar
métodos estadísticos formales para determinar la confianza del modelo entrenado. El MSE en un conjunto de validación se puede
utilizar como una estimación de la varianza. Este valor puede ser utilizado para calcular el intervalo de confianza de la salida de la
red, suponiendo una distribución normal . Un análisis de confianza realizado de esta manera es estadísticamente válida siempre que la
salida de distribución de probabilidadsigue siendo el mismo y la red no es modificada.

Mediante la asignación de una función de activación softmax , una generalización de la función logística , en la capa de salida de la
red neuronal (o un componente softmax en una red neuronal basada en componentes) para las variables categóricas de destino, las
salidas se pueden interpretar como las probabilidades. Esto es muy útil en la clasificación, ya que da una medida de la seguridad en
las clasificaciones.
La función de activación softmax es:

La crítica

Cuestiones de capacitación
Una crítica común de las redes neuronales, en particular en la robótica, es que requieren
una gran diversidad de entrenamiento para el funcionamiento del mundo real. Esto no es
sorprendente, ya que cualquier máquina de aprendizaje necesita suficientes ejemplos
representativos con el fin de capturar la estructura subyacente que le permite generalizar a
nuevos casos. Dean A. Powerless, en su investigación presentada en el documento
Análisis de confianza de una
"Formación basada en el conocimiento de redes neuronales artificiales para la conducción red neuronal
autónoma del robot", utiliza una red neuronal para entrenar a un vehículo robótico para
conducir en múltiples tipos de carreteras (de un solo carril, varios carriles, suciedad, etc.).
Una gran cantidad de su investigación está dedicada a (1) la extrapolación de múltiples escenarios de entrenamiento a partir de una
sola experiencia de formación, y (2) la preservación de la diversidad de entrenamiento pasado para que el sistema no se convierta en
sobre entrenamiento (si, por ejemplo, se presenta con una serie de giros a la derecha - no debe aprender a girar siempre a la derecha).
Estos problemas son comunes en las redes neuronales que debe decidir de entre una amplia variedad de respuestas, pero se pueden
tratar de varias maneras, por ejemplo por revolver al azar los ejemplos de entrenamiento, mediante el uso de un algoritmo de
optimización numérica que no toma demasiado grandes pasos cuando el cambio de las conexiones de red siguiendo un ejemplo, o
mediante la agrupación de ejemplos en los llamados mini-lotes.

Cuestiones teóricas
AK Dewdney , un científico matemático e informática de la Universidad de Ontario Occidental y ex Scientific American columnista,
escribió en 1997, "A pesar de que las redes neurales hacen resolver algunos problemas de juguete, su poder de computación son tan
limitados que me sorprende que nadie los toma en serio como una herramienta general de resolución de problemas ". No existe una
red neuronal nunca se ha demostrado que resuelve los problemas computacionalmente difíciles, tales como la N-Queens problema, el
problema del viajante de comercio, o el problema de factorizar enteros grandes.

Aparte de su utilidad, una objeción fundamental a las redes neuronales artificiales es que no logran reflejar cómo funcionan las
neuronas reales. Propagación hacia atrás está en el corazón de las redes neuronales artificiales y la mayoría no sólo no hay evidencia
53 parece contradecir el principio fundamental de las neuronas reales
de ningún mecanismo de este tipo de redes neuronales naturales,
que la información sólo puede fluir hacia adelante a lo largo del axón. Como la información está codificada por las neuronas reales
aún no se conoce. Lo que se sabe es que las neuronas sensoriales disparan potenciales de acción con mayor frecuencia con la
activación del sensor y las células musculares tiran más fuertemente cuando sus neuronas motoras asociadas reciben los potenciales
de acción con más frecuencia.54 Aparte del caso más simple de solo transmisión de información de una neurona a un sensor de la
neurona motora casi nada se conoce de los principios generales subyacentes de cómo se maneja la información por las redes
neuronales reales.

La motivación detrás de las redes neuronales artificiales no es necesariamente para replicar la función neural real, pero para utilizar
redes neuronales naturales como inspiración para un acercamiento a la computación que es inherentemente paralelo y que
proporciona soluciones a los problemas que tienen hasta ahora ha considerado intratable. Por tanto, una afirmación central de las
redes neuronales artificiales es que encarna algún principio general nuevo y potente para el procesamiento de la información. Por
desgracia, estos principios generales están mal definidos y que a menudo se afirma que son emergentes de la red neuronal en sí. Esto
permite la asociación estadística sencilla (la función básica de las redes neuronales artificiales), que se describe como
el aprendizaje o
el reconocimiento. Como resultado, las redes neuronales artificiales tienen, según Dewdney, un "algo para nada la calidad, que
imparte un aura peculiar de la pereza y una clara falta de curiosidad acerca de lo bien que estos sistemas de computación son Ninguna
, ha aprendido nada”.55
mano humana (o la mente) interviene; soluciones. Se encuentran como por arte de magia, y nadie, al parecer

Los problemas de hardware

Para implementar el software de redes neuronales grandes y eficaces, considerables recursos de procesamiento y almacenamiento
deben estar comprometidos. Mientras que el cerebro ha hardware adaptado a la tarea de procesamiento de señales a través de un
gráfico de las neuronas, simulando incluso una forma más simplificada en la arquitectura von Neumannpuede obligar a un diseñador
de la red neural para llenar muchos millones de bases de datos filas por sus conexiones - que puede consumir grandes cantidades de
equipo de memoria y disco duro espacio. Además, el diseñador de sistemas de redes neurales a menudo necesitará para simular la
transmisión de señales a través de muchas de estas conexiones y sus neuronas asociadas - que a menudo deben coincidir con una
increíble cantidad de CPU potencia de procesamiento y tiempo.

Jürgen Schmidhuber toma nota de que el resurgimiento de las redes neuronales en el siglo XXI, y su éxito renovado en tareas de
reconocimiento de imagen es atribuible en gran medida a los avances en el hardware: de 1991 a 2015, el poder de computación,
especialmente en lo entregado por GPGPUs (en las GPU ), ha aumentado alrededor de un millón de veces, por lo que el algoritmo de
retropropagación estándar viable para las redes de formación que son varias capas más profundas que antes (pero añade que esto no
resuelve los problemas algorítmicos tales como fuga gradientes "de una manera fundamental"). El uso de la GPU en lugar de CPUs
ordinarios puede traer los tiempos de entrenamiento para algunas redes por debajo de los meses a meros días.

Potencia de cálculo sigue creciendo más o menos de acuerdo con la Ley de Moore , que puede proporcionar recursos suficientes para
llevar a cabo nuevas tareas. Ingeniería neuromorphic aborda la dificultad de hardware directamente, mediante la construcción de
chips de no-von Neumann con circuitos diseñados para implementar redes neuronales desde el principio. Google también ha diseñado
un chip optimizado para el procesamiento de red neural llamadoUnidad de Procesamiento Tensor o TPU.

Contraejemplos prácticas a las críticas

Argumentos en contra de la posición de Dewdney son que las redes neuronales se han utilizado con éxito para resolver muchas tareas
complejas y diversas, que van desde aviones que vuelan de forma autónoma para la detección de fraude de tarjetas de crédito.

Escritor de tecnología Roger Bridgman ha comentado las declaraciones de DEWDNEY sobre redes neuronales:

Las redes neuronales, por ejemplo, están en el muelle no sólo porque han sido promocionado al alto cielo, (lo que tiene, no?), sino
también porque se puede crear una red de éxito sin la comprensión de cómo funcionaba: el montón de números que captura su
comportamiento sería con toda probabilidad "una, mesa ilegible opaca... sin valor como recurso científico".

A pesar de su enfática declaración de que la ciencia no es la tecnología, parece Dewdney aquí para ridiculizar a las redes neuronales
como mala ciencia cuando la mayoría de los ideando ellos están tratando de ser buenos ingenieros. Una tabla puede leer que una
máquina útil podía leer todavía sería bien vale la pena tener
.

Si bien es cierto que el análisis de lo que se ha aprendido por una red neuronal artificial es difícil, es mucho más fácil de hacerlo que
analizar lo que se ha aprendido por una red neuronal biológica. Por otra parte, los investigadores involucrados en la exploración de
algoritmos de aprendizaje para redes neuronales están descubriendo gradualmente principios genéricos que permiten que una
máquina de aprendizaje tenga éxito. Por ejemplo, Bengio y LeCun (2007) escribió un artículo sobre el aprendizaje locales vs. No
locales, así como poco profundas frente a la arquitectura de profundidad.

Enfoques híbridos

Algunas otras críticas que provienen de los defensores de los modelos híbridos (combinación de redes neuronales y enfoques
simbólicos), que creen que el intermix de estos dos enfoques puede capturar mejor los mecanismos de la mente humana.

Las clases y tipos de RNAs

 Red Neural dinámico
Red neuronal feedforward(FNN)
Red neuronal recurrente(RNN)
Red de Hopfield
Máquina de Boltzmann
Redes recurrentes simples
Red estatal de eco
Memoria a largo plazo corto
Bidireccional RNN
Jerárquica RNN
Redes neuronales estocásticos
Mapas autoorganizados de Kohnen
Autoencoder
Red neuronal probabilística(PNN)
Red neuronal de retardo de tiempo(TDNN)
Red de realimentación reguladora(RFNN)
Estática red neuronal
Neocognitrón
Neurona de McCulloch-Pitts
Red de función de base radial(RBF)
Aprender cuantificación vectorial
perceptrón
Modelo Adaline
Red neuronal de convolución(CNN)
redes neuronales modulares
Comité de las máquinas(COM)
Red neuronal asociativa(ASNN)
Memoria Red
Google / Google DeepMind
Facebook / MemNN
Memoria asociativa holográfica
One-shot memoria asociativa
Máquina de Turing neuronal
Teoría de la resonancia adaptativa
la memoria temporal jerárquica
Otros tipos de redes
Redes neuronales entrenadas instantáneamente(ITNN)
Red neuronal de impulsos(SNN)
Impulsión codificados Redes Neuronales (PCNN)
En cascada redes neuronales
Redes Neuro-Fuzzy
Creciente de gas neural (GNG)
Redes patrón productoras de composición
Red de contrapropagación
Red neuronal oscilante
Red neural híbrida
Red neuronal física
Red neuronal óptica

Ejemplos

Quake II Neuralbot
Un bot es un programa que simula a un jugador humano. El Neuralbot es un bot para el juego Quake II que utiliza una red neuronal
artificial para decidir su comportamiento y un algoritmo genético para el aprendizaje. Es muy fácil probarlo para ver su evolución.
Más información aquí[1]

Clasificador No Sesgado de Proteínas

Es un programa que combina diversas técnicas computacionales con el objetivo de clasificar familias de proteínas. Un posible
método consiste en utilizarmétricas adaptativas como por ejemplo:mapas autoorganizados y algoritmos genéticos.

El problema de clasificación no sesgada basada en la expresión de las proteínas en Aminoácidos puede reducirse, conceptualmente, a
lo siguiente:

La identificación de grupos de proteínas que compartan características comunes.

La determinación de las razones estructurales por las cuales las proteínas en cuestión se agrupan de la manera
indicada.
Evitar la idea de establecer criterios de clasificación (“sesgados”) fundamentados en ideas preconcebidas para
lograr su clasificación. En este sentido, hay dos asuntos que considerar:

Cómo lograr la caracterización de las proteínas de manera no sesgada

Cómo lograr lo anterior sin apelar a medidas de agrupamiento que, a su vez, impliquen algún tipo de sesgo
sobre dicho agrupamiento.

Las RNA han sido aplicadas a un número en aumento de problemas en la vida real y de considerable complejidad, donde su mayor
ventaja es en la solución de problemas que son bastante complejos para la tecnología actual, tratándose de problemas que no tienen
una solución algorítmica o cuya solución algorítmica es demasiado compleja para ser encontrada.

En general, debido a que son parecidas a las del cerebro humano, las RNA son bien nombradas ya que son buenas para resolver
problemas que el humano puede resolver pero las computadoras no. Estos problemas incluyen el reconocimiento de patrones y la
predicción del tiempo. De cualquier forma, el humano tiene capacidad para el reconocimiento de patrones, pero la capacidad de las
redes neuronales no se ve afectada por la fatiga, condiciones de trabajo, estado emocional, y compensaciones.

Se conocen cinco aplicaciones tecnológicas extendidas:

1. Reconocimiento de textos manuscritos

2. Reconocimiento del habla
3. Simulación de centrales de producción de energía
4. Detección de explosivos
5. Identificación de blancos de radares

Galería
Una sola capa de red
neural artificial
feedforward. Flechas
procedentes de x2 se
omiten para mayor
claridad. Hay P entradas
a esta red y salidas q. En
este sistema, el valor de
la salida q-ésima, y_qse
calcula como y_q=K*
(∑(x_i*w_iq )-b_q )

Una red neuronal

artificial feedforward de
dos capas.
 Una red artificial de Una red artificial de
alimentación directa de alimentación directa de
una sola capa neuronal dos capas neuronales
con 4 entradas, 6 ocultos con 8 entradas, 2x8
y 2 salidas. Las salidas ocultos y 2 salidas.
de estado y dirección Estado determinada
determinada posición de posición, dirección y otro
la rueda basan los ambiente de valores. Los
valores de control valores de control
basados en salidas
empujador.

Indefinido Indefinido

Herramientas de software
Existen muchas herramientas de software que implementan redes neuronales artificiales, tanto libres como comerciales como, por
ejemplo:

Emergent Neuroph
FANN NeuroSolutions
Neural Designer Synapse
NeuroIntelligence OpenNN

Véase también
Inteligencia artificial
Dinámica de sistemas
Sistema complejo
Sistema dinámico
Robótica evolutiva
Conformación de haces (beamforming)
Cerebro artificial
 Redes neuronales convolucionales
Perceptrón multicapa
Deep Dream

Referencias
1. [url=https://www.frontiersin.org/research-topics/4817/artificial-neural-networks-as-models-of-neural-information-
processing «Artificial Neural Networks as Models of Neural Information Processing | Frontiers Research Topic»] (en
inglés). Consultado el 20 de febrero de 2018.
2. McCulloch, Warren; Walter Pitts (1943). «A Logical Calculus of Ideas Immanent in Nervous Activity». Bulletin of
Mathematical Biophysics5 (4): 115-133. doi:10.1007/BF02478259 (http://dx.doi.org/10.1007%2FBF02478259).
3. Figueroba, Alex. «Ley de Hebb: la base neuropsicológica del aprendizaje» (https://psicologiaymente.com/neurocienc
ias/ley-de-hebb). Psicología y mente. Consultado el 24 de octubre de 2018.
4. Hebb, Donald (1949). The Organization of Behavior [La Organización del Comportamiento] (https://books.google.co
m/books?id=ddB4AgAAQBAJ). Nueva York: Wiley. ISBN 978-1-135-63190-1.
5. Republicación del artículode Turing de 1948: Turing, A.M. (1992). Collected works of AM Turing — Mechanical
Intelligence. [Obras colectivas de AM Turing — Inteligencia mecánica] (en inglés). Elsevier Science Publishers.
6. Webster, C.S. (2012). Alan Turing's unorganized machines and artificial neural networks: his remarkable early work
and future possibilities [Las maquinas desoranizadas y redes de neuronas artificiales de Alan Turing: su notable
trabajo inicial y posibilidades futuras posibilidades] (en inglés publicación=Evolutionary Intelligence) (5). pp. 35-43.
Webster CS. Alan Turing's unorganized machines and artificial neural networks: his remarkable early work and future
possibilities. Evolutionary Intelligence2012: 5; 35-43.
7. Farley, B.G.; W.A. Clark (1954). «Simulation of Self-Organizing Systems by Digital Computer» [Simulación de
Sistemas Autoorganizadoras por Computadora Digital]. IRE Transactions on Information Theory 4 (4): 76-84.
doi:10.1109/TIT.1954.1057468 (http://dx.doi.org/10.1109%2FTIT.1954.1057468).
8. Rochester, N.; J.H. Holland; L.H. Habit; W.L. Duda (1956). «Tests on a cell assembly theory of the action of the brain,
using a large digital computer» ["Pruebas de una teoría de la acción del cerebro por asamblea de células, usando
una computadora digital grande]. IRE Transactions on Information Theory 2 (3): 80-93. doi:10.1109/TIT.1956.1056810 (htt
p://dx.doi.org/10.1109%2FTIT.1956.1056810).
9. Matich, Damián Jorge (2001).«Redes Neuronales: Conceptos Básicos yAplicaciones.» (https://www.frro.utn.edu.ar/r
epositorio/catedras/quimica/5_anio/orientadora1/monograias/matich-redesneuronales.pdf)(PDF). Buenos Aires,
Argentina. p. 6. Consultado el 26 de octubre de 2018.
10. Rosenblatt, F. (1958). «The Perceptron: A Probabilistic Model For Information Storage And Organization In The
Brain». Psychological Review 65 (6): 386-408. PMID 13602029 (https://www.ncbi.nlm.nih.gov/pubmed/13602029).
doi:10.1037/h0042519 (http://dx.doi.org/10.1037%2Fh0042519).
11. Werbos, P.J. (1975). Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences (https://b
ooks.google.com/books?id=z81XmgEACAAJ) . Harvard University.
12. Hubel, David H.; Wiesel, Torsten (2005). Brain and visual perception: the story of a 25-year collaboration [Cerebro y
percepción visual: la historia de una colaboración de 25 años] (https://books.google.com/books?id=8YrxWojxUA4C&
pg=PA106). Oxford University Press US. p. 106.ISBN 978-0-19-517618-6.
13. Schmidhuber, J. (2015). «Deep Learning in Neural Networks: An Overview». Neural Networks 61: 85-117.
PMID 25462637 (https://www.ncbi.nlm.nih.gov/pubmed/25462637). arXiv:1404.7828 (https://arxiv.org/abs/1404.7828).
doi:10.1016/j.neunet.2014.09.003 (http://dx.doi.org/10.1016%2Fj.neunet.2014.09.003).
14. Ivakhnenko, A. G. (1973). Cybernetic Predicting Devices (https://books.google.com/books?id=FhwVNQAACAAJ) .
CCM Information Corporation.
15. Ivakhnenko, A. G.; Grigorʹevich Lapa, Valentin (1967). Cybernetics and forecasting techniques (https://books.google.
com/books?id=rGFgAAAAMAAJ). American Elsevier Pub. Co.
16. Minsky, Marvin; Papert, Seymour (1969).Perceptrons: An Introduction to Computational Geometry(https://books.goo
gle.com/books?id=Ow1OAQAAIAAJ). MIT Press. ISBN 0-262-63022-2.
17. Rumelhart, D.E; McClelland, James (1986). Parallel Distributed Processing: Explorations in the Microstructure of
Cognition (https://books.google.com/books?id=davmLgzusB8C) . Cambridge: MIT Press.ISBN 978-0-262-63110-5.
18. Qian, N.; Sejnowski, T.J. (1988). «Predicting the secondary structure of globular proteins using neural network
models.». Journal of Molecular Biology202: 865-884. Qian1988.
19. Rost, B.; Sander, C. (1993). «Prediction of protein secondary structure at better than 70% accuracy». Journal of
Molecular Biology 232: 584-599. Rost1993.
20. Weng, J.; Ahuja, N.; Huang, T. S. (1992). «Cresceptron: a self-organizing neural network which grows adaptively»(ht
tp://www.cse.msu.edu/~weng/research/CresceptronIJCNN1992.pdf). Proc. International Joint Conference on Neural
Networks (Baltimore, Maryland)1: 576-581.
21. Weng, J.; Ahuja, N.; Huang, T.S. (1993). «Learning recognition and segmentation of 3-D objects from 2-D images» (h
ttp://www.cse.msu.edu/~weng/research/CresceptronICCV1993.pdf). Proc. 4th International Conf. Computer Vision
(Berlin, Alemania): 121-128.
22. Weng, J.; Ahuja, N.; Huang, T.S. (1997). «Learning recognition and segmentation using the Cresceptron» (http://ww
w.cse.msu.edu/~weng/research/CresceptronIJCV.pdf). International Journal of Computer Vision 25 (2): 105-139.
23. Scherer, Dominik; Müller, Andreas C.; Behnke, Sven (2010). «Evaluation of Pooling Operations in Convolutional
Architectures for Object Recognition» (https://www.ais.uni-bonn.de/papers/icann2010_maxpool.pdf). 20th
International Conference Artificial Neural Networks (ICANN) : 92-101. doi:10.1007/978-3-642-15825-4_10 (http://dx.doi.org/10.
1007%2F978-3-642-15825-4_10).
24. S. Hochreiter., "Untersuchungen zu dynamischen neuronalen Netzen(http://people.idsia.ch/~juergen/SeppHochreiter
1991ThesisAdvisorSchmidhuber.pdf)," Diploma thesis. Institut f. Informatik, Technische Univ. Munich. Advisor: J.
Schmidhuber, 1991.
25. Hochreiter, S.; et al. (15 de enero de 2001). «Gradient flow in recurrent nets: the difficulty of learning long-term
dependencies» (https://books.google.com/books?id=NWOcMV A64aAC). En Kolen, John F.; Kremer, Stefan C. A
Field Guide to Dynamical Recurrent Networks . John Wiley & Sons. ISBN 978-0-7803-5369-5.
26. J. Schmidhuber., "Learning complex, extended sequences using the principle of history compression," Neural
Computation, 4, pp. 234–242, 1992.
27. Behnke, Sven (2003). Hierarchical Neural Networks for Image Interpretation. (http://www.ais.uni-bonn.de/books/LNC
S2766.pdf). Lecture Notes in Computer Science2766. Springer.
28. Yang, J. J.; Pickett, M. D.; Li, X. M.; Ohlberg, D. A. A.; Stewart, D. R.; Williams, R. S. (2008). «Memristive switching
mechanism for metal/oxide/metal nanodevice». Nat. Nanotechnol. 3: 429-433. doi:10.1038/nnano.2008.160 (http://dx.doi.or
g/10.1038%2Fnnano.2008.160).
29. Strukov, D. B.; Snider, G. S.; Stewart, D. R.; Williams, R. S. (2008). «The missing memristor found». Nature 453
(7191): 80-83. Bibcode:2008Natur.453...80S (http://adsabs.harvard.edu/abs/2008Natur.453...80S). PMID 18451858 (https://www.ncbi.nl
m.nih.gov/pubmed/18451858). doi:10.1038/nature06932 (http://dx.doi.org/10.1038%2Fnature06932).
30. Cireşan, Dan Claudiu; Meier, Ueli; Gambardella, Luca Maria; Schmidhuber, Jürgen (21 de septiembre de 2010).
«Deep, Big, Simple Neural Nets for Handwritten Digit Recognition» (http://www.mitpressjournals.org/doi/10.1162/NE
CO_a_00052). Neural Computation 22 (12): 3207-3220. ISSN 0899-7667 (https://www.worldcat.org/issn/0899-7667).
doi:10.1162/neco_a_00052 (http://dx.doi.org/10.1162%2Fneco_a_00052).
31. Yang, J. J.; Pickett, M. D.; Li, X. M.; Ohlberg, D. A. A.; Stewart, D. R.; Williams, R. S. (2008). «Memristive switching
mechanism for metal/oxide/metal nanodevices».Nat. Nanotechnol. 3 (7): 429-433. doi:10.1038/nnano.2008.160 (http://dx.d
oi.org/10.1038%2Fnnano.2008.160).
32. Strukov, D. B.; Snider, G. S.; Stewart, D. R.; Williams, R. S. (2008). «The missing memristor found». Nature 453
(7191): 80-83. Bibcode:2008Natur.453...80S (http://adsabs.harvard.edu/abs/2008Natur.453...80S). PMID 18451858 (https://www.ncbi.nl
m.nih.gov/pubmed/18451858). doi:10.1038/nature06932 (http://dx.doi.org/10.1038%2Fnature06932).
33. Cireşan, Dan; Meier, Ueli; Masci, Jonathan; Schmidhuber, Jürgen (Agosto de 2012). «Multi-column deep neural
network for traffic sign classification» (http://www.sciencedirect.com/science/article/pii/S0893608012000524). Neural
Networks. Selected Papers from IJCNN 2011 32: 333-338. doi:10.1016/j.neunet.2012.02.023 (http://dx.doi.org/10.1016%2Fj.ne
unet.2012.02.023).
34. Ciresan, Dan; Giusti, Alessandro; Gambardella, Luca M.; Schmidhuber, Juergen (2012). Pereira, F.; Burges, C. J. C.;
Bottou, L. et al., eds. Advances in Neural Information Processing Systems 25 (http://papers.nips.cc/paper/4741-deep
-neural-networks-segment-neuronal-membranes-in-electron-microscopy-images.pdf) . Curran Associates, Inc.
pp. 2843-2851.
35. «The Machine Learning Dictionary»(http://www.cse.unsw.edu.au/~billw/mldict.html#activnfn).
36. Ojha, Varun Kumar; Abraham, Ajith; Snášel, Václav (1 de abril de 2017). «Metaheuristic design of feedforward neural
networks: A review of two decades of research» (http://www.sciencedirect.com/science/article/pii/S09521976173002
34). Engineering Applications of Artificial Intelligence 60: 97-116. doi:10.1016/j.engappai.2017.01.013 (http://dx.doi.org/10.101
6%2Fj.engappai.2017.01.013).
37. Dominic, S.; Das, R.; Whitley, D.; Anderson, C. (July 1991). «Genetic reinforcement learning for neural networks».
IJCNN-91-Seattle International Joint Conference on Neural Networks (Seattle, Washington, USA: IEEE). ISBN 0-7803-
0164-1. doi:10.1109/IJCNN.1991.155315 (http://dx.doi.org/10.1109%2FIJCNN.1991.155315).
38. Hoskins, J.C.; Himmelblau, D.M. (1992). «Process control via artificial neural networks and reinforcement learning».
Computers & Chemical Engineering 16 (4): 241-251. doi:10.1016/0098-1354(92)80045-B (http://dx.doi.org/10.1016%2F0098-13
54%2892%2980045-B).
39. Bertsekas, D.P.; Tsitsiklis, J.N. (1996). Neuro-dynamic programming (https://papers.nips.cc/paper/4741-deep-neural-
networks-segment-neuronal-membranes-in-electron-microscopy-images) . Athena Scientific. p. 512. ISBN 1-886529-10-
8.
40. de Rigo, D.; Rizzoli, A. E.; Soncini-Sessa, R.; Weber, E.; Zenesi, P. (2001). «Neuro-dynamic programming for the
efficient management of reservoir networks» (https://zenodo.org/record/7482/files/de_Rigo_etal_MODSIM2001_activ
elink_authorcopy.pdf). Proceedings of MODSIM 2001, International Congress on Modelling and Simulation
(Canberra, Australia: Modelling and Simulation Society of Australia and New Zealand). ISBN 0-867405252.
doi:10.5281/zenodo.7481 (http://dx.doi.org/10.5281%2Fzenodo.7481). Consultado el 29 de julio de 2012.
41. Damas, M.; Salmeron, M.; Diaz, A.; Ortega, J.; Prieto, A.; Olivares, G. (2000). «Genetic algorithms and neuro-
dynamic programming: application to water supply networks». Proceedings of 2000 Congress on Evolutionary
Computation (La Jolla, California, USA: IEEE). ISBN 0-7803-6375-2. doi:10.1109/CEC.2000.870269 (http://dx.doi.org/10.1109%2
FCEC.2000.870269).
42. Deng, Geng; Ferris, M.C. (2008). «Neuro-dynamic programming for fractionated radiotherapy planning». Springer
Optimization and Its Applications. Springer Optimization and Its Applications 12: 47-70. ISBN 978-0-387-73298-5.
doi:10.1007/978-0-387-73299-2_3 (http://dx.doi.org/10.1007%2F978-0-387-73299-2_3).
43. M. Forouzanfar; H. R. Dajani; V. Z. Groza; M. Bolic; S. Rajan (July 2010). Comparison of Feed-Forward Neural
Network Training Algorithms for Oscillometric Blood Pressure Estimation (https://www.researchgate.net/profile/Moha
mad_Forouzanfar/publication/224173336_Comparison_of_Feed-Forward_Neural_Network_training_algorithms_for_
oscillometric_blood_pressure_estimation/links/00b7d533829c3a7484000000.pdf?ev=pub_int_doc_dl&origin=publicat
ion_detail&inViewer=true&msrp=TyT96%2BjWOHJo%2BVhkMF4IzwHPAImSd442n%2BAkEuXj9qBmQSZ495Cpxql
aOYon%2BSlEzWQElBGyJmbBCiiUOV8ImeEqPFXiIRivcrWsWmlPBYU%3D). Arad, Romania: IEEE.
44. de Rigo, D.; Castelletti, A.; Rizzoli, A. E.; Soncini-Sessa, R.; Weber, E. (January 2005). «A selective improvement
technique for fastening Neuro-Dynamic Programming in Water Resources Network Management» (http://www.nt.ntn
u.no/users/skoge/prost/proceedings/ifac2005/Papers/Paper4269.html) . En Pavel Zítek. Proceedings of the 16th IFAC
World Congress – IFAC-PapersOnLine (Prague, Czech Republic: IFAC) 16. ISBN 978-3-902661-75-3.
doi:10.3182/20050703-6-CZ-1902.02172 (http://dx.doi.org/10.3182%2F20050703-6-CZ-1902.02172). Consultado el 30 de diciembre
de 2011.
45. Ferreira, C. (2006). «Designing Neural Networks Using Gene Expression Programming» (http://www.gene-expressio
n-programming.com/webpapers/Ferreira-ASCT2006.pdf) . In A. Abraham, B. de Baets, M. Köppen, and B. Nickolay,
eds., Applied Soft Computing Technologies: The Challenge of Complexity, pages 517–536, Springer-Verlag.
46. Da, Y.; Xiurun, G. (July 2005). «An improved PSO-based ANN with simulated annealing technique». En T. Villmann.
New Aspects in Neurocomputing: 11th European Symposium on Artificial Neural Networks (Elsevier).
doi:10.1016/j.neucom.2004.07.002 (http://dx.doi.org/10.1016%2Fj.neucom.2004.07.002).
47. Wu, J.; Chen, E. (May 2009). Wang, H., Shen, Y., Huang, T., Zeng, Z., ed. A Novel Nonparametric Regression
Ensemble for Rainfall Forecasting Using Particle Swarm Optimization Technique Coupled with Artificial Neural
Network. Springer. ISBN 978-3-642-01215-0. doi:10.1007/978-3-642-01513-7-6 (http://dx.doi.org/10.1007%2F978-3-642-01513-7-6).
48. Ting Qin, et al. "A learning algorithm of CMAC based on RLS." Neural Processing Letters 19.1 (2004): 49–61.
49. Ting Qin, et al. "Continuous CMAC-QRLS and its systolic array." Neural Processing Letters 22.1 (2005): 1–16.
50. Zissis, Dimitrios (October 2015). «A cloud based architecture capable of perceiving and predicting multiple vessel
behaviour» (http://www.sciencedirect.com/science/article/pii/S1568494615004329). Applied Soft Computing 35: 652-
661. doi:10.1016/j.asoc.2015.07.002 (http://dx.doi.org/10.1016%2Fj.asoc.2015.07.002).
51. Sengupta, Nandini; Sahidullah, Md; Saha, Goutam (August 2016). «Lung sound classification using cepstral-based
statistical features» (http://www.sciencedirect.com/science/article/pii/S0010482516301263). Computers in Biology
and Medicine 75 (1): 118-129. doi:10.1016/j.compbiomed.2016.05.013 (http://dx.doi.org/10.1016%2Fj.compbiomed.2016.05.013).
52. Schechner, Sam (15 de junio de 2017). «Facebook Boosts A.I. to Block Terrorist Propaganda» (https://www.wsj.com/
articles/facebook-boosts-a-i-to-block-terrorist-propaganda-1497546000) . Wall Street Journal (en inglés
estadounidense). ISSN 0099-9660 (https://www.worldcat.org/issn/0099-9660). Consultado el 16 de junio de 2017.
53. Crick, Francis (1989). «The recent excitement about neural networks» (http://europepmc.org/abstract/med/2911347) .
Nature 337 (6203): 129-132. Bibcode:1989Natur.337..129C (http://adsabs.harvard.edu/abs/1989Natur.337..129C). PMID 2911347 (h
ttps://www.ncbi.nlm.nih.gov/pubmed/2911347). doi:10.1038/337129a0 (http://dx.doi.org/10.1038%2F337129a0).
54. Adrian, Edward D. (1926). «The impulses produced by sensory nerve endings» (http://onlinelibrary.wiley.com/doi/10.
1113/jphysiol.1926.sp002273/full). The Journal of Physiology 61 (1): 49-72. PMC 1514809 (https://www.ncbi.nlm.nih.gov/pm
c/articles/PMC1514809). PMID 16993776 (https://www.ncbi.nlm.nih.gov/pubmed/16993776). doi:10.1113/jphysiol.1926.sp002273 (http://d
x.doi.org/10.1113%2Fjphysiol.1926.sp002273).
55. Dewdney, A. K. (1 de abril de 1997). Yes, we have no neutrons: an eye-opening tour through the twists and turns of
bad science (https://books.google.com/books?id=KcHaAAAAMAAJ&pg=P A82). Wiley. p. 82. ISBN 978-0-471-10806-1.

Enlaces externos
Wikimedia Commons alberga una galería multimedia sobreRed neuronal artificial.
Tutorial de la Universidad Politécnica de Madrid (español)
Introducción a las redes de neuronas artificiales(español)
Artículos sobre redes neuronales artificiales(inglés)
Sitio web sobre redes neuronales artificiales, ejemplos y aplicaciones(español)
Introducción a las Redes Neuronales y sus Modelos(español)
Sistema nervioso artificial
¿Qué son las redes neuronales?(español)
neural-network repositorio en GitHub (PHP)
RNA (Redes Neuronales Artificiales)(español)

Obtenido de «https://es.wikipedia.org/w/index.php?title=Red_neuronal_artificial&oldid=112309256
»
Esta página se editó por última vez el 27 nov 2018 a las 22:01.

El texto está disponible bajo laLicencia Creative Commons Atribución Compartir Igual 3.0 ; pueden aplicarse cláusulas
adicionales. Al usar este sitio, usted acepta nuestrostérminos de uso y nuestra política de privacidad.
Wikipedia® es una marca registrada de laFundación Wikimedia, Inc., una organización sin ánimo de lucro.