Redes neuronales y aprendizaje profundo
El cerebro humano está compuesto por 86 mil millones de células nerviosas llamadas neuronas. Están conectadas a otras mil células por medio de axones. Los estímulos del entorno externo o las entradas de los órganos sensoriales son aceptados por las dendritas. Estas entradas crean impulsos eléctricos, que viajan rápidamente a través de la red neuronal. Una neurona puede entonces enviar el mensaje a otra neurona para que se encargue del asunto o no lo envía.
Las RNA están compuestas por múltiples nodos, que imitan a las neuronas biológicas del cerebro humano. Las neuronas están conectadas por enlaces e interactúan entre sí. Los nodos pueden tomar datos de entrada y realizar operaciones sencillas con ellos. El resultado de estas operaciones se transmite a otras neuronas. La salida de cada nodo se llama activación o valor del nodo.
En los diagramas de topología mostrados, cada flecha representa una conexión entre dos neuronas e indica el camino para el flujo de información. Cada conexión tiene un peso, un número entero que controla la señal entre las dos neuronas.
Si la red genera una salida “buena o deseada”, no es necesario ajustar los pesos. Sin embargo, si la red genera una salida “mala o no deseada” o un error, entonces el sistema altera los pesos para mejorar los resultados posteriores.
Red neuronal svenska
La Inteligencia Artificial es probablemente la creación más compleja y asombrosa de la humanidad hasta la fecha. Y eso sin tener en cuenta el hecho de que el campo sigue estando en gran medida inexplorado, lo que significa que todas las sorprendentes aplicaciones de IA que vemos hoy en día representan simplemente la punta del iceberg de la IA, por así decirlo. Aunque este hecho se haya afirmado y reafirmado en numerosas ocasiones, sigue siendo difícil tener una perspectiva global del impacto potencial de la IA en el futuro. La razón es el impacto revolucionario que la IA está teniendo en la sociedad, incluso en una fase tan temprana de su evolución.
El rápido crecimiento y las poderosas capacidades de la IA han hecho que la gente se vuelva paranoica sobre la inevitabilidad y la proximidad de una toma de posesión de la IA. Además, la transformación provocada por la IA en diferentes sectores ha hecho que los líderes empresariales y el público en general piensen que estamos cerca de alcanzar el punto álgido de la investigación en IA y de maximizar su potencial. Sin embargo, entender los tipos de IA que son posibles y los tipos que existen en la actualidad dará una imagen más clara de las capacidades de IA existentes y del largo camino que queda por recorrer en la investigación de la IA. Comprender la clasificación de los tipos de IA Dado que la investigación en IA pretende que las máquinas emulen el funcionamiento humano, el grado en que un sistema de IA puede replicar las capacidades humanas se utiliza como criterio para determinar los tipos de IA. Así, dependiendo de cómo se compare una máquina con los humanos en términos de versatilidad y rendimiento, la IA puede clasificarse en uno, entre los múltiples tipos de IA. Según este sistema, una IA que pueda realizar funciones más parecidas a las humanas con niveles de competencia equivalentes se considerará un tipo de IA más evolucionado, mientras que una IA que tenga una funcionalidad y un rendimiento limitados se considerará un tipo más sencillo y menos evolucionado.
Neurona artificial
Una red neuronal es un método de inteligencia artificial que enseña a los ordenadores a procesar datos de una forma inspirada en el cerebro humano. Es un tipo de proceso de aprendizaje automático, llamado aprendizaje profundo, que utiliza nodos o neuronas interconectados en una estructura de capas que se asemeja al cerebro humano. Crea un sistema adaptativo que los ordenadores utilizan para aprender de sus errores y mejorar continuamente. Así, las redes neuronales artificiales intentan resolver problemas complicados, como resumir documentos o reconocer caras, con mayor precisión.
Las redes neuronales pueden ayudar a los ordenadores a tomar decisiones inteligentes con una ayuda humana limitada. Esto se debe a que pueden aprender y modelar las relaciones entre los datos de entrada y salida que son no lineales y complejas. Por ejemplo, pueden realizar las siguientes tareas.
La visión por ordenador es la capacidad de los ordenadores para extraer información y conocimientos de imágenes y vídeos. Con las redes neuronales, los ordenadores pueden distinguir y reconocer imágenes de forma similar a los humanos. La visión por ordenador tiene varias aplicaciones, como las siguientes:
Aprendizaje automático frente a redes neuronales
Una red neuronal artificial es un grupo interconectado de nodos, inspirado en una simplificación de las neuronas de un cerebro. Aquí, cada nodo circular representa una neurona artificial y una flecha representa una conexión desde la salida de una neurona artificial a la entrada de otra.
Las redes neuronales artificiales (RNA), que suelen llamarse simplemente redes neuronales (NN) o, más sencillamente aún, redes neurales,[1] son sistemas informáticos inspirados en las redes neuronales biológicas que constituyen los cerebros de los animales.
Una RNA se basa en un conjunto de unidades conectadas o nodos denominados neuronas artificiales, que modelan vagamente las neuronas de un cerebro biológico. Cada conexión, como las sinapsis de un cerebro biológico, puede transmitir una señal a otras neuronas. Una neurona artificial recibe señales, las procesa y puede enviar señales a las neuronas conectadas a ella. La “señal” en una conexión es un número real, y la salida de cada neurona se calcula mediante una función no lineal de la suma de sus entradas. Las conexiones se denominan aristas. Las neuronas y los bordes suelen tener un peso que se ajusta a medida que avanza el aprendizaje. El peso aumenta o disminuye la fuerza de la señal en una conexión. Las neuronas pueden tener un umbral, de manera que sólo se envía una señal si la señal agregada cruza ese umbral. Normalmente, las neuronas se agrupan en capas. Las diferentes capas pueden realizar diferentes transformaciones en sus entradas. Las señales viajan desde la primera capa (la capa de entrada) hasta la última capa (la capa de salida), posiblemente después de atravesar las capas varias veces.