Inteligencia Artificial

Qué son las redes neuronales

Nacho Abad, especialista de Strategy Big Data, el laboratorio tecnológico de Agencia B12, explica qué son las redes neuronales, cómo funcionan y cuáles son sus ventajas y desventajas.

Por Nacho Abad, el 09/12/2020

auto ¿Te ha gustado nuestro artículo? ¡Vota!

Las redes neuronales componen la familia de algoritmos más popular del Machine Learning. La magia, considerada por algunos, ya que dan respuesta a una importante pregunta: ¿cómo podemos convertir la información en conocimiento? Esta técnica detecta automáticamente relaciones no lineales y efectos cruzados.  Las redes neuronales son mas complejas de construir e interpretar, pero funcionan muy bien ante problemas muy complejos de alta no linealidad.

En este contexto, vinculamos un sistema de imágenes (ceros o unos) al concepto número.

redes neuronales b12

Pasos para comprender las redes neuronales

Como todo en tecnología de alto nivel, las redes neuronales son sistemas complejos. Para comprender su funcionamiento, debemos seguir los siguientes pasos:

  1. Entender qué necesitamos: tomamos imágenes o vídeos dígitos y los representamos con números. Lo importante es resolver el problema. Existen bases de datos con la clasificación que nos permite aprender a hacerlo.
  2. Entender los datos, la materia prima: cada imagen cabe en un rectángulo 28x28 píxeles, con dígitos que oscilan del 0 al 9. Las muestras están clasificadas, por tanto, utilizamos Machine Learning o aprendizaje supervisado. Explicado de forma sencilla, aplicamos una tecnología que nos dice qué números detecta al ver una imagen (nos convierte la imagen en cifras). Por tanto, la solución al problema solo la vamos a tener en un rango definido (serán números). Con la matriz de números, el algoritmo hace el resto.
  3. Preparar los datos: este proceso se lleva a cabo gracias al Deep Learning, que permite que, dentro del sistema global, haya redes de unidades de proceso especializadas en la detección de determinadas características ocultas en los datos.

capas-redes-neuronales

¿Cómo funciona una red neuronal?

Las redes neuronales son capaces de solucionar problemas complejos a través de la unión de muchas neuronas. Una red neuronal se asemeja al cerebro humano. Está compuesta por perceptrones, la neurona del robot. Un perceptrón recibe información a través de canales de entrada llamados dendritas. Una vez procesada, le da salida a través de un canal llamado axón.

Los perceptrones están conectados entre sí, creando redes. Cada uno de ellos funciona de manera sencilla: almacena la información en las conexiones entre neuronas, es decir, en la memoria codificada.

Los perceptrones son capaces de aprender y de generalizar ante un problema que no hayan visto antes. Son robustos, tolerantes al fallo, lo cual es importante para evitar sistemas caóticos (la entrada cambia un poco y la salida sale muy ostensible). Internamente, utilizan todos los valores de entrada para realizar una suma ponderada de todos ellos.

Como decíamos, los perceptrones están interconectados. Cada una de esas conexiones tiene un peso (una fuerza). Cuando un perceptrón recibe una entrada (algo que queremos procesar):

  • Se pondera, se le otorga un peso.
  • Se determina el bias o umbral, esto es, se determina la posición de la frontera.
  • Se realiza la función de activación: ésta mapea un valor real. Se dice que se puede usar como palanca de cambio, porque puede modificar positiva o negativamente el valor de nuestra suma (subirlo o bajarlo).

En una Red Neuronal Multicapa, creamos varias capas entre neuronas, lo que nos permite tener diferentes fronteras. Así, tendremos tantas neuronas como features o clases.

Deep Learning y Redes Neuronales

El Deep Learning o Aprendizaje Profundo se utiliza para entrenar a una red neuronal. Explicado de forma sencilla, alimentamos a la red neuronal con una información inicial y le damos unas pautas de comportamiento, establecemos el punto de partida. Después, la red neuronal continuará su aprendizaje conforme vaya recibiendo y procesando información.

En el entrenamiento, entran en juego el Forward Pass, un proceso de cálculo que utiliza un algoritmo de backpropagation para entrenar a las redes neuronales. Mediante este procedimiento, se computa la información saliente en base a los datos entrantes. El perceptrón compara gracias al algoritmo. Luego, se utilizan los pesos para influenciar sobre la salida esperada y las conexiones que tenga entre ellos.

Regresión Lineal en Redes Neuronales

Lo que hace una neurona internamente es como un modelo de regresión lineal y = w1 x1 + w2 x2 + b. Sin embargo, para poder usar varios grupos de datos de salida necesitaremos combinar neuronas.

Para llevar a cabo esa combinación, utilizamos la función de activación, que es el componente que distorsiona nuestro valor de salida (la función sigmoide es la más interesante).

Ventajas y desventajas de las redes neuronales

VentajasDesventajas
Alto poder predictivoDificultad de entrenamiento
Captura de relaciones complejasDificultad de interpretación



TAGS:
Imagen del autor Nacho Abad

Big Data & IA Sales Manager en Strategy Big Data.

Ponte en contacto con nosotros:

+34 916 629 534

madrid@agenciab12.com

Calle Alcalá, 21, 8ºD. 28014 - Madrid