REDES NEURONALES: QUE SON Y PARA QUE SIRVEN?

REDES NEURONALES: QUE SON Y PARA QUE SIRVEN?

Podemos definir las redes neuronales como un conjunto de algoritmos que se modelan de manera libre que están diseñados para reconocer patrones. Son capaces de interpretar los datos sensoriales a través de un tipo de percepción similar al de una máquina usando métodos de etiquetado o agrupamiento de entrada sin procesar. Una red solo reconoce patrones de forma numérica y están contenidos en vectores los cuales deben ser capaces de traducir los datos de entrada del mundo real bien sean imágenes, sonidos, texto, series temporales.

Las redes neuronales en las diversas aplicaciones del mundo real nos ayudan a agrupar y clasificar. Piense en ellos como una capa de agrupamiento, clasificación y recolección de datos para almacenarlos y administrarlos. Ayudan además a agrupar los datos no etiquetados de acuerdo con las similitudes entre las entradas de ejemplo y clasifican los datos cuando se tiene un conjunto de los mismos etiquetados para entrenar. (las redes neuronales son capaces de extraer características que se incorporan en conjunto con otros algoritmos para clasificación tipo cluster o en forma de ramificaciones, por lo cual se puede pensar en redes neuronales profundas como componentes de aplicaciones más grandes de aprendizaje automático que involucran algoritmos cuyo propósito es reforzar el aprendizaje, la clasificación y la regresión matemática.

Que tipo de problemas es capaz de resolver el aprendizaje profundo y lo más importante es saber si realmente puede resolver los tuyos? Usted debe replantearse una serie de preguntas sobre: ¿ que resultados son los que espero obtener? ¿ estos resultados podrían ser etiquetas que se aplican perfectamente a ejemplos como: buen día, mal día, si/no, feliz/triste.

Luego pregúntate si tengo los datos que acompañan a dichas etiquetas mencionadas anteriormente y que están señaladas en negrita o si puedo crear un conjunto de datos etiquetados.

VEAMOS ALGUNOS EJEMPLOS

El aprendizaje de forma profunda mapea las entradas hacia los resultados. Además es capaz de encontrar correlaciones y aquí entra una palabra muy importante llamada: “APROXIMADOR UNIVERSAL” ya que puede aproximarse a una función matemática desconocida f(x)=t entre cualquier entrada x y salida t. asumiendo que estos datos se encuentran relacionados, (bien sea por una correlación matemática o evento de pura casualidad) En el proceso de aprendizaje de la red neuronal encuentra por ejemplo una variable que la llamaremos f y busca la forma correcta o el algoritmo correcto para transformarse en una letra bien sea X en Y o sea por ejemplo f(t)=3t+5

ETAPA DE CLASIFICACIÓN

Las tareas de clasificación (todas) dependen de conjuntos de datos etiquetados, esto quiere decir que los humanos deben transferir su conocimiento al conjunto de datos para que una red neuronal aprenda a correlacionar entre etiquetas y datos. Esto es lo que se conoce en este mundo como el aprendizaje supervisado.

Detecta caras, identifica a personas en imágenes por visión artificial, reconoce expresiones faciales como: triste, feliz, enojado, aburrido.

Identifica objetos en imágenes (señales de paro, peatones, marcadores de carril)

Reconocimiento de gestos en formato de video.

Detección de voces, identificación de oradores, transcripción de discurso a texto, reconocimiento de sentimientos de voces.

Clasificación del texto como correo no deseado.

Reconocimiento del sentimiento del texto.

Cualquier etiqueta que los humanos puedan generar, cualquier resultado que te importe y que se correlacione con los datos, se puede utilizar para entrenar una red neuronal.

ETAPA DE AGRUPACIÓN

Agrupar si o si es la detección de las similitudes posibles. El aprendizaje profundo de la red neuronal no requiere etiquetas para detectar similitudes. Aprender sin etiquetas es lo que podríamos considerar como un aprendizaje no supervisado. Los datos sin etiqueta son la mayoría de los datos en todo el mundo. Una de las leyes del aprendizaje automático es que cuantos más datos pueda entrenar un algoritmo, este será más preciso. Por ende el aprendizaje no supervisado tiene alto potencial para producir modelos de alta precisión.

BUSQUEDA: puede comparar documentos, imágenes, sonidos, con el propósito de capturar elementos de gran similitud.

DETECCIÓN DE ANOMALÍAS: Detección de comportamientos inusuales. El comportamiento generalmente se correlaciona con las cosas que desea detectar y prevenir como por ejemplo: el fraude o la corrupción de información.

ANALISIS PREDICTIVO BASADO EN REGRESIONES.

Teniendo en cuenta la clasificación y el aprendizaje profundo, se pueden establecer correlaciones entre o de apareamiento. Como ejemplos tenemos: la cantidad de pixeles que posee una imagen y el nombre por ejemplo de una persona. Este tipo de predicción suele llamarse predicción estática y se llama así debido a que existe una gran exposición a una cantidad abismal de datos correctos. El aprendizaje de forma profunda establece correlaciones entre eventos presentes y eventos futuros. Se puede ejecutar una regresión entre el tiempo pasado y futuro. Se puede decir que el evento futuro es como la etiqueta en cierta forma, el aprendizaje de manera profunda no necesariamente se preocupa por el tiempo o el hecho de que algo no haya ocurrido aún. Todo depende de una serie de tiempo el aprendizaje de manera profunda es capaz de leer una secuencia de números y predecir de forma numérica el número que es más probable que ocurra.

Cuanto mejor exista una predicción, mejor podremos prevenir y anticiparnos. Con las redes neuronales nos movemos hacia un mundo de menos sorpresas, tampoco de cero sorpresas solo de forma marginal menos. Nos movemos hacia un mundo de agentes más inteligentes que combinan redes neuronales con otros algoritmos como por ejemplo: el refuerzo del aprendizaje para lograr objetivos.

¿QUE ELEMENTOS CONFORMAN A UNA RED NEURONAL?

Las capas están hechas de nodos. Un nodo es básicamente un lugar donde ocurre la computación modelada libremente en una neurona del cerebro humano y es capaz de dispararse cuando encuentra suficientes estímulos. Un nodo combina la entrada de datos con un conjunto de coeficientes o ponderaciones que son capaces de amplificar o amortiguar dicha entrada asignando así importancia a las entradas para las tareas que el algoritmo intenta aprender. El cerebro es un milagro de la vida, imagina un bebé que nace recientemente y conforme pasan ciertos periodos de tiempo sus neuronas aprenden de forma constante y realiza acciones basadas en dicho aprendizaje. Podemos decir que existe cierta similitud entre las redes neuronales y el aprendizaje continuo del ser humano. Lamentablemente en algunas ocasiones no termina bien para nosotros pero hace parte del día a día de cada persona.

Una capa de nodos es una fila de interruptores (por decirlo así) que por cierto son neuronales que se activan o desactivan a medida que la entrada se alimenta a través de una red. La salida de cada capa es simultáneamente la entrada de la capa subsiguiente comenzando desde una capa de entrada inicial que recibe sus datos.