Conceptos Básicos de Redes Neuronales

¿Cómo funciona una neurona biológica.?
Las neuronas son las encargadas de transmitir los impulsos nerviosos, y por esta razón todas ellas están interconectadas entre sí.
Una neurona recibe estímulos de otras células, como por ejemplo otras neuronas, glándulas o células musculares; mediante la sinapsis, estos estímulos que en su mayoría son eléctricos son recibidos y procesados por el cuerpo de la neurona, para posteriormente salir por un solo “canal” que es el axón, pero este a su vez tiene ramificaciones al final, lo que le permite conectarse con más células y transmitir estos impulsos, para que el ciclo se vuelva a repetir.
En resumidas cuentas una neurona es la encargada de recibir miles y miles de estímulos y procesarlos para obtener un solo resultado, que es el estímulo de salida el mismo que es enviado a través del axón.


¿Cómo funciona una neurona artificial.?
Dado que una neurona artificial debe asemejarse a una biológica, el funcionamiento de una neurona artificial, se puede definir básicamente como el comportamiento de un circuito sumador que realice la suma de las diferentes señales que recibe de otras unidades iguales y produzca en la salida un solo resultado (uno o un cero) según el resultado de la suma .


Criterios de clasificación de las redes neuronales artificiales y sus principales tipos dentro de cada clasificación.
Pueden existir una discrepancia en cuanto a la clasificación de las redes neuronales, pero la mayoría coincide en la siguiente manera de clasificación:

• Por Topología

Se define en función del patrón de conexiones que la red neuronal presente y se subdivide en:

Monocapa.- como su nombre lo indica son redes con una sola capa. Para unirse, las neuronas crean conexiones laterales para conectar con otras neuronas de su misma capa.

Multicapa.- Las redes multicapa están formadas por varias capas de neuronas, las capas están ordenadas por el orden en que reciben la señal desde la entrada hasta la salida y están unidas en ese orden.

Las redes, independientemente de su estructura, puede tener dos tipos diferente de comportamiento, así tenemos:

Conexión hacia delante.- es cuando las neuronas se conectan en una orden, es decir, desde la entrada hacia la salida, y no tienen conexiones a sí mismas o a neuronas de su misma capa (conexión en cascada).

Conexión recurrente.- es cuando las neuronas pueden conectarse con neuronas de su misma capa e incluso conectarse a si misma, o seguir un ciclo, es decir conectar la salida de nuevo a la entrada.

• Por Aprendizaje

Se define así al proceso de presentar los patrones a aprender, a la red, estos patrones pueden ser el cambio de los valores y de las conexiones usando una regla de aprendizaje. Se clasifican en:

Aprendizaje supervisado .- en este modo de aprendizaje se muestran los patrones a la red y la salida deseada para esos patrones y se usa una fórmula matemática de minimización del error que ajuste los pesos para dar la salida más cercana posible a la salida deseada.

Aprendizaje no supervisado.- Este tipo de aprendizaje no necesita que le mostremos los patrones de salida, ya que el algoritmo y la regla de modificación de las conexiones producen patrones de salida consistentes basándose en patrones que tiene almacenados y en función de ello los agrupa en una categoría o otra. Cuando la red procesa patrones con bastante grado de similitud, da la misma salida para ambos patrones, esto es, clasifica los patrones en categorías de patrones parecidos.


Definiendo en terminos más simples:

Aprendizaje Supervisado
Es cuando “entrenamos” a la red neuronal, presentándole patrones de entrada y de salida, es decir le indicamos desde un principio que es lo que debe presentarnos cómo salida.

Aprendizaje No supervisado
El aprendizaje no supervisado se parece mas aún al funcionamiento del cerebro humano, ya que para este tipo de aprendizaje, se le indican a la red neuronal una serie de patrones, los mismos que son almacenados y posteriormente son tomados para realizar las comparaciones con nuevos patrones de entrada, así, no se necesita especificar a la red el patrón de salida, sino ella misma decidirá que patrón es el que más se ajusta.


¿Qué problemas se pueden resolver con el uso de redes neuronales artificiales?
Por la robustez y la gran capacidad que tiene una red neuronal, estas son capaces de resolver problemas que un simple algoritmo no podría hacerlo, es por esto que una red neuronal tienen mas alcances y mejores aplicaciones, entre ellas mencionamos algunas de las más relevantes:

• Reconocimiento de imágenes.
  
• Tareas de búsqueda que demandan de algoritmos demasiado complejos.
  
• Sistemas de necesiten “tomar decisiones”.
  
• Sistemas que generen predicciones.
  
• Reconocimiento de sonidos.
  

Bibliografía

http://es.wikipedia.org/wiki/C%C3%A9lula_nerviosa

http://es.wikipedia.org/wiki/Red_neuronal_artificial

http://www.dynamics.unam.edu/DinamicaNoLineal/Articulos/MineriaDatos/Articulo03.pdf