complete guide artificial neural network machine learning
Este tutorial explica qué es una red neuronal artificial, cómo funciona una ANN, estructura y tipos de arquitectura de red neuronal y ANN:
En esto Capacitación en aprendizaje automático para todos , exploramos todo sobre Tipos de aprendizaje automático en nuestro tutorial anterior.
Aquí, en este tutorial, analice los distintos algoritmos de las redes neuronales, junto con la comparación entre el aprendizaje automático y las ANN. Antes de saber cómo ANN contribuye al aprendizaje automático, necesitamos saber qué es una red neuronal artificial y un breve conocimiento sobre el aprendizaje automático.
¡Exploremos más sobre el aprendizaje automático y la red neuronal artificial!
=> Lea la serie completa de capacitación en aprendizaje automático
Lo que vas a aprender:
- ¿Qué es el aprendizaje automático?
- ¿Qué es una red neuronal artificial?
- Estructura de una red neuronal biológica
- Comparación de neurona biológica y neurona artificial
- Características de ANN
- Estructura de ANN
- Función de activación
- ¿Qué es una neurona artificial?
- ¿Cómo funciona la neurona artificial?
- Modelos básicos de ANN
- Arquitectura de red neuronal
- Ejemplo de red de neuronas artificiales
- Comparación entre aprendizaje automático y ANN
- Redes neuronales y aprendizaje profundo
- Aplicaciones de redes neuronales artificiales
- Limitaciones de las redes neuronales
- Conclusión
- Lectura recomendada
¿Qué es el aprendizaje automático?
El aprendizaje automático es un campo de la ciencia que permite a las computadoras la capacidad de aprender y actuar sin ser programadas explícitamente. Es un subcampo de la Inteligencia Artificial.
¿Qué es una red neuronal artificial?
ANN es un modelo no lineal que se utiliza mucho en Machine Learning y tiene un futuro prometedor en el campo de la Inteligencia Artificial.
La red neuronal artificial es análoga a una red neuronal biológica. Una red neuronal biológica es una estructura de miles de millones de neuronas interconectadas en un cerebro humano. El cerebro humano se compone de neuronas que envían información a varias partes del cuerpo en respuesta a una acción realizada.
Similar a esto, una Red Neural Artificial (ANN) es una red computacional en ciencia que se asemeja a las características de un cerebro humano. ANN puede modelar como las neuronas originales del cerebro humano, por lo tanto, las partes de procesamiento de ANN se denominan neuronas artificiales.
Las ANN están formadas por una gran cantidad de neuronas interconectadas que se inspiran en el funcionamiento de un cerebro. Estas neuronas tienen la capacidad de aprender, generalizar los datos de entrenamiento y derivar resultados de datos complicados.
Estas redes se utilizan en las áreas de clasificación y predicción, identificación de patrones y tendencias, problemas de optimización, etc. ANN aprende de los datos de entrenamiento (entrada y salida de destino conocidas) sin ninguna programación.
La red neuronal aprendida se llama Experto en Sistemas con capacidad para analizar información y responder a las preguntas de un campo específico.
La definición formal de ANN dada por el doctor Robert Hecht-Nielson, inventor de las primeras neurocomputadoras es:
“… Un sistema informático compuesto por una serie de elementos de procesamiento sencillos y altamente interconectados, que procesan la información por su respuesta de estado dinámico a las entradas externas”.
Estructura de una red neuronal biológica
Una red neuronal biológica consta de:
- Soma: A esto también se le llama cuerpo celular. Es donde se ubica el núcleo celular.
- Dendritas: Estas son redes en forma de árbol que están conectadas al cuerpo celular. Está hecho de fibra nerviosa.
- Axón: Axon transporta la señal del cuerpo celular. Se divide en hebras y cada hebra termina en una estructura en forma de bulbo llamada sinapsis. Las señales eléctricas se transmiten entre la sinapsis y las dendritas.
preguntas y respuestas de la entrevista principal de qa pdf
(imagen fuente )
Comparación de neurona biológica y neurona artificial
| Neurona biológica | Artificial Neuron |
|---|---|
| ML se aplica en comercio electrónico, salud, recomendaciones de productos, etc. | ANN se aplica en el dominio de las finanzas, el aprendizaje automático y la inteligencia artificial. |
| Está hecho de células. | Las células corresponden a neuronas. |
| Tiene dendritas que son interconexiones entre el cuerpo celular. | Los pesos de conexión corresponden a dendritas. |
| Soma recibe la entrada. | Soma es similar al peso neto de entrada. |
| El axón recibe la señal. | La salida de ANN corresponde al axón. |
Características de ANN
- No linealidad: El mecanismo seguido en ANN para la generación de la señal de entrada es no lineal.
- Aprendizaje supervisado: La entrada y la salida se mapean y la ANN se entrena con el conjunto de datos de entrenamiento.
- Aprendizaje sin supervisión: La salida de destino no se proporciona, por lo que la ANN aprenderá por sí sola al descubrir las características en los patrones de entrada.
- Naturaleza adaptativa: Los pesos de conexión en los nodos de ANN pueden ajustarse ellos mismos para dar el resultado deseado.
- Analogía de la neurona biológica: La ANN tiene una estructura y funcionalidad inspiradas en el cerebro humano.
- Tolerancia a fallos: Estas redes son muy tolerantes ya que la información se distribuye en capas y el cálculo se produce en tiempo real.
Estructura de ANN
Las redes neuronales artificiales son elementos de procesamiento en forma de algoritmos o dispositivos de hardware modelados a partir de la estructura neuronal de la corteza cerebral del cerebro humano.
Estas redes también se denominan simplemente redes neuronales. El NN está formado por muchas capas. Las múltiples capas que están interconectadas a menudo se denominan “perceptrón multicapa”. Las neuronas de una capa se denominan 'nodos'. Estos nodos tienen una 'función de activación'.
La ANN tiene 3 capas principales:
- Capa de entrada: Los patrones de entrada se envían a las capas de entrada. Hay una capa de entrada.
- Capas ocultas: Puede haber una o más capas ocultas. El procesamiento que tiene lugar en las capas internas se denomina 'capas ocultas'. Las capas ocultas calculan la salida en función de los 'pesos', que es la 'suma de conexiones de sinapsis ponderadas'. Las capas ocultas refinan la entrada eliminando información redundante y envían la información a la siguiente capa oculta para su posterior procesamiento.
- Capa de salida: Esta capa oculta se conecta a la 'capa de salida' donde se muestra la salida.
Función de activación
La función de activación es un estado interno de una neurona. Es una función de la información que recibe la neurona. La función de activación se utiliza para convertir la señal de entrada en el nodo de ANN en una señal de salida.
¿Qué es una neurona artificial?
Una red neuronal artificial consta de elementos de procesamiento altamente interconectados llamados nodos o neuronas.
Estas neuronas funcionan en paralelo y están organizadas en una arquitectura. Los nodos están conectados entre sí mediante enlaces de conexión. Cada neurona tiene un peso que contiene información sobre la señal de entrada.
¿Cómo funciona la neurona artificial?
Una neurona artificial recibe una entrada. Estas entradas tienen un peso llamado 'sinapsis'. Estas neuronas (también llamadas nodos) tienen una 'función de activación'. Esta función de activación trabaja en la entrada y la procesa para dar una salida.
La suma ponderada de entradas se convierte en una señal de entrada para la función de activación para dar una salida. Estos pesos de entrada son ajustables para que la red neuronal pueda ajustar sus parámetros para dar la salida deseada.
Algunas funciones de activación comunes que se utilizan en una red neuronal artificial son:
# 1) Función de identidad
Puede definirse como f (x) = x para todos los valores de x. Esta es una función lineal donde la salida es la misma que la entrada.
# 2) Función de paso binario
Esta función se utiliza en redes de una sola capa para convertir la entrada neta en salida. La salida es binaria, es decir, 0 o 1. La t representa el valor umbral.
(imagen fuente )
# 3) Función de paso bipolar
La función de paso bipolar tiene salidas bipolares (+1 o -1) para la entrada neta. T representa el valor umbral.
# 4) Función sigmoidea
Se utiliza en redes de retropropagación.
Es de dos tipos:
- Función sigmoidea binaria: También se denomina función sigmoidea unipolar o función sigmoidea logística. El rango de sigmoide funcional es de 0 a 1.
- Sigmoide bipolar: La función sigmoidea bipolar varía de -1 a +1. Es similar a la función tangente hiperbólica.
(imagen fuente )
# 5) Función de rampa
los suma ponderada de entradas significa el 'producto del peso del insumo y el valor del insumo' sumados para todos los insumos.
Sea I = {I1, I2, I3… In} el patrón de entrada a la neurona.
Sea W = {W1, W2, W3… Wn} el peso asociado con cada entrada al nodo.
Suma ponderada de entradas = Y = (? Wi * Ii) para i = 1 an
Modelos básicos de ANN
Los modelos de redes neuronales artificiales constan de 3 entidades:
- Pesos o conexiones sinápticas
- La regla de aprendizaje utilizada para ajustar los pesos.
- Funciones de activación de la neurona
Arquitectura de red neuronal
En ANN, las neuronas están interconectadas y la salida de cada neurona está conectada a la siguiente neurona a través de pesos. La arquitectura de estas interconexiones es importante en una RNA. Esta disposición tiene la forma de capas y la conexión entre las capas y dentro de la capa es la arquitectura de la red neuronal.
Las arquitecturas de red más conocidas son:
- Red de alimentación directa de una sola capa
- Red de retroalimentación multicapa
- Nodo único con sus propios comentarios
- Red recurrente de una sola capa
- Red recurrente multicapa
Echemos un vistazo a cada uno de estos en detalle.
que es el repositorio de objetos en qtp
# 1) Red de alimentación directa de una sola capa
Una capa es una red formada por neuronas. Estas neuronas están conectadas a las otras neuronas de la siguiente capa. Para una sola capa, solo existen las capas de entrada y salida. La capa de entrada está conectada a los nodos de la capa de salida con pesos.
Todos los nodos de entrada están conectados a cada uno de los nodos de salida. El término feed-forward describe que no se envía información desde la capa de salida a la capa de entrada. Esto forma una red de alimentación directa de una sola capa.
(imagen fuente )
# 2) Red de retroalimentación de múltiples capas
La red multicapa consta de una o más capas entre la entrada y la salida. La capa de entrada solo recibe una señal y la almacena en búfer, mientras que la capa de salida muestra la salida. Las capas entre la entrada y la salida se denominan capas ocultas.
Las capas ocultas no están en contacto con el entorno externo. Con más capas ocultas, la respuesta de salida es más eficiente. Los nodos de la capa anterior están conectados a cada nodo de la siguiente capa.
Como no hay una capa de salida conectada a las capas de entrada o ocultas, forma una red de alimentación hacia adelante de múltiples capas.
# 3) Nodo único con su propia retroalimentación
Las redes donde la salida de la capa de salida se envía de vuelta como entrada a la capa de entrada o las otras capas ocultas se denominan redes de retroalimentación. En los sistemas de retroalimentación de un solo nodo, hay una capa de entrada única donde la salida se redirige como retroalimentación.
# 4) Red recurrente de una sola capa
En una red recurrente de una sola capa, la red de retroalimentación forma un circuito cerrado. En este modelo, una sola neurona recibe retroalimentación para sí misma o las otras neuronas en la red o ambas.
# 5) Red recurrente multicapa
En la red recurrente multicapa, existen múltiples capas ocultas y la salida se redirige a las neuronas de las capas anteriores y a otras neuronas en las mismas capas o la misma neurona.
Ejemplo de red de neuronas artificiales
Tomemos la siguiente red con la entrada dada y calculemos la neurona de entrada neta y obtengamos la salida de la neurona Y con la función de activación como sigmoidea binaria.
La entrada tiene 3 neuronas X1, X2 y X3, y una sola salida Y.
Los pesos asociados con las entradas son: {0.2, 0.1, -0.3}
Entradas = {0.3, 0.5, 0.6}
Entrada neta = {x1 * w1 + x2 * w2 + x3 * w3}
Entrada neta = (0,3 * 0,2) + (0,5 * 0,1) + (0,6 * -0,3)
Entrada neta = -0,07
Salida para sigmoidal binaria:
X es -0,07
La salida resulta ser 0.517
Japón VPN gratis
Comparación entre aprendizaje automático y ANN
| Aprendizaje automático | Red neuronal artificial |
|---|---|
| El aprendizaje automático aprende de los datos de entrada y descubre patrones de datos de salida de interés. | Las ANN se utilizan en algoritmos de aprendizaje automático para entrenar el sistema mediante sinapsis, nodos y enlaces de conexión. |
| ML es un subconjunto del campo de la inteligencia artificial. | ANN también forma parte del campo de la ciencia de la inteligencia artificial y un subconjunto del aprendizaje automático. |
| Los algoritmos de ML aprenden de los datos que se envían al algoritmo para la toma de decisiones. Algunos de estos algoritmos son clasificación. Agrupación, minería de datos de asociación. | ANN es una ciencia de aprendizaje profundo que analiza los datos con estructuras lógicas como lo hacen los humanos. Algunos de los esquemas de aprendizaje de la ANAN son Hebbian, Perceptron, Back propagation, etc. |
| Los algoritmos de aprendizaje automático tienen capacidades de autoaprendizaje, pero requerirían la intervención humana si el resultado es inexacto. | Los algoritmos ANN tienen la capacidad de ajustarse a sí mismos utilizando pesos de conexión si el resultado es incorrecto. |
| Los algoritmos ML requieren habilidades de programación, estructura de datos y conocimiento de bases de datos de big data. | ANN también requiere fuertes habilidades en matemáticas, probabilidad, estructuras de datos, etc. |
| Los programas ML pueden predecir el resultado de un conjunto de datos aprendido y ajustarse a sí mismos para obtener nuevos datos. | ANN puede aprender y tomar decisiones inteligentes por su cuenta para nuevos datos, pero es más profundo que el aprendizaje automático. |
| El aprendizaje supervisado y no supervisado se incluye en el aprendizaje automático. | El aprendizaje como Kohenen, el sesgo radial, la red neuronal de avance se incluyen en ANN. |
| Algunos ejemplos de AA son los resultados de búsqueda de Google, etc. | Algunos ejemplos de ANN son el reconocimiento facial, el reconocimiento de imágenes, etc. |
Redes neuronales y aprendizaje profundo
Las redes de aprendizaje profundo contienen varias capas ocultas entre la entrada y la salida. Estas redes se distinguen por la profundidad de las capas ocultas en ellas. Los datos de entrada pasan por varios pasos antes de que se muestre la salida.
Estas redes difieren de las NN anteriores, como el perceptrón, que tenía una sola capa oculta y se llamaba redes poco profundas. Cada capa oculta en la red de aprendizaje profundo entrena los datos con ciertas características basadas en la salida de la capa anterior.
Los datos pasan a través de muchas capas de función no lineal en el nodo. Cuanto mayor sea el número de capas, se pueden reconocer las entidades más complejas, ya que la siguiente capa realizará la agregación de entidades de las capas anteriores.
Múltiples capas ocultas en la red aumentan la complejidad y la abstracción. Esta profundidad también se denomina jerarquía de características. Debido a esto, las redes de aprendizaje profundo son capaces de manejar datos de alta dimensión.
Algunos ejemplos de redes de aprendizaje profundo incluyen la agrupación de millones de imágenes en función de sus características y similitudes, filtrado de mensajes de correo electrónico, aplicación de filtros a mensajes en CRM, identificación de voz, etc.
Las redes de aprendizaje profundo se pueden entrenar en conjuntos de datos etiquetados y no etiquetados. Para el conjunto de datos sin etiquetar, las redes, como las máquinas de selección de Boltzmann, realizan la extracción automática de características.
La red aprende automáticamente analizando la entrada mediante muestreo y minimizando la diferencia en la salida y distribución de la entrada. La red neuronal aquí encuentra correlaciones entre las características y los resultados.
Las redes de aprendizaje profundo entrenadas en datos etiquetados se pueden aplicar a datos no estructurados. Cuanto más datos de entrenamiento se envíen a la red, más precisos serán.
La capacidad de la red para aprender de datos no etiquetados es una ventaja sobre los otros algoritmos de aprendizaje.
Aplicaciones de redes neuronales artificiales
Las redes neuronales se han utilizado con éxito en una variedad de soluciones como se muestra a continuación.
# 1) Reconocimiento de patrones: ANN se utiliza en el reconocimiento de patrones, reconocimiento de imágenes, visualización de imágenes, escritura a mano, habla y otras tareas similares.
# 2) Problemas de optimización: Problemas como encontrar la ruta más corta, la programación y la fabricación, en los que se deben satisfacer las limitaciones del problema y se deben lograr soluciones óptimas, están utilizando NN.
# 3) Pronóstico: NN puede predecir el resultado de situaciones analizando tendencias pasadas. Aplicaciones como banca, mercado de valores, pronóstico del tiempo usan redes neuronales.
# 4) Sistemas de control: Los sistemas de control, como los productos informáticos, los productos químicos y la robótica, utilizan redes neuronales.
Limitaciones de las redes neuronales
A continuación se enumeran algunos de los inconvenientes de las redes neuronales.
- Estas redes son cajas negras para el usuario, ya que el usuario no tiene ningún papel excepto alimentar la entrada y observar la salida. El usuario no es consciente del entrenamiento que ocurre en el algoritmo.
- Estos algoritmos son bastante lentos y requieren muchas iteraciones (también llamadas épocas) para dar resultados precisos. Esto se debe a que la CPU calcula los pesos, la función de activación de cada nodo por separado, lo que hace que consuma tiempo y recursos. También causa un problema con una gran cantidad de datos.
Conclusión
En este tutorial, aprendimos sobre la red neuronal artificial, su analogía con la neurona biológica y los tipos de red neuronal.
ANN se incluye en el aprendizaje automático. Es un modelo computacional compuesto por múltiples nodos neuronales. Estos nodos reciben entrada, procesan la entrada usando la función de activación y pasan la salida a las siguientes capas.
Las entradas están asociadas con pesos de enlace de conexión llamados sinapsis. Una ANN básica consta de una capa de entrada, pesos, función de activación, capa oculta y una capa de salida.
Las funciones de activación se utilizan para convertir la entrada en la salida. Algunos de ellos son binarios, bipolares, sigmoidales y función de rampa. Existen diferentes tipos de ANN, como Feed Forward de una sola capa, Feed Forward de múltiples capas, Redes recurrentes, etc., según la cantidad de capas ocultas y los mecanismos de retroalimentación.
ANN con muchas capas ocultas entre la entrada y la salida forman una red de aprendizaje profundo. Las redes de aprendizaje profundo tienen un alto nivel de complejidad y abstracción que las hace capaces de computar datos de alta dimensión con miles de parámetros.
La ANN se utiliza en el campo de la predicción, el procesamiento de imágenes, los sistemas de control, etc. Estos se han aplicado con éxito como solución a una serie de problemas científicos.
Esperamos que este tutorial le explique todo lo que necesita saber sobre las redes neuronales artificiales.
=> Visite aquí para ver la serie exclusiva de aprendizaje automático
Lectura recomendada
- Minería de datos Vs Aprendizaje automático Vs Inteligencia artificial Vs Aprendizaje profundo
- Pruebas de seguridad de red y las mejores herramientas de seguridad de red
- Tipos de aprendizaje automático: aprendizaje supervisado versus aprendizaje no supervisado
- Las 11 herramientas de software de aprendizaje automático más populares en 2021
- Tutorial de aprendizaje automático: introducción al aprendizaje automático y sus aplicaciones
- Guía de máscara de subred (división en subredes) y calculadora de subred IP
- Guía de gestión y evaluación de vulnerabilidades de red
- 15 mejores herramientas de escaneo de red (escáner de red e IP) de 2021