Cómo funcionan las redes neuronales machine learning
El Machine Learning se apoya en algoritmos de estudio, los que se tienen la posibilidad de clasificar, según la labor que efectúan, como: regresión, clustering, etcétera. O, en árboles de resolución, modelos lineales, probabilísticos… y redes neuronales.
Las redes neuronales son, por consiguiente, un **grupo de algoritmos** singularmente diseñados para **admitir patrones**. Son muy poderosos por el hecho de que dejan que un computador resuelva esos «inconvenientes» que hasta el momento eran simples para los humanos, pero muy complejos para la inteligencia artificial. Hablamos a la percepción sensorial. Sí, el popular ejemplo de «admitir un gato en una fotografía», o «admitir un sonido».
La unidad básica y su relación con la biología
Como ves, la neurona es la unidad básica de las redes neuronales. En verdad, el cerebro humano está inspirado en las redes neuronales, donde contamos aproximadamente diez billones de neuronas, todas las que está conectada a otras diez.000 neuronas.
Su desempeño es que cada neurona recibe un impulso electroquímico de otras neuronas por medio de sus dendritas (entradas). Si estos impulsos son suficientemente fuertes para encender la neurona, esta neurona pasa el impulso a sus conexiones. Al realizar esto, todas las neuronas conectadas corrobora de nuevo si el impulso que llega al soma desde las dendritas es suficientemente fuerte para encender las neuronas y extenderse a mucho más neuronas.
Redes neuronales recurrentes (RNN)
Las redes neuronales recurrentes trabajan con datos secuenciales o de series temporales. Son extensamente usados para la traducción de lenguajes, el procesamiento del lenguaje natural y el reconocimiento automático del habla. Es la base de muchas apps populares como Google plus Translate o Siri.
La una gran diferencia con otras redes neuronales es que tienen «memoria». Las salidas de las neuronas se reutilizan la próxima vez que se ejecuta el modelo. Las redes neuronales profundas comúnes acostumbran a asumir que las entradas y salidas son independientes entre sí.
Usos de las redes neuronales
Como señalábamos al comienzo de este producto, las redes neuronales ahora tienen algo de historia: las primeras teorías sobre ellas han comenzado a publicarse en la época del siglo XX. No obstante, son los últimos avances en tecnología los que han tolerado que este modelo de estudio automático consiga excelente resultados y empieze a incorporarse.
Aparte del algoritmo de YouTube propuesto, hay otros muchos ejemplos de implementación de redes neuronales. Sin ir más allá, Google plus usó esta metodología para 2 proyectos distintas: la utilización de redes neuronales le dejó pasar la conocida prueba de reconocimiento de imágenes reCAPTCHA. Además de esto, la compañía asimismo usó una red convolucional para admitir números de calles en Street View.
Perceptrón multicapa
Este género de red neuronal asimismo tiene capas escondes de entrada y salida de distintas capas que dejan la representación de funcionalidades no lineales y al transladar datos entre las capas, la red es estudiar y liberarse de los links que se piensan poco relevantes.
Las redes neuronales recurrentes no tienen una composición de capas definida pero dejan detallar conexiones arbitrarias entre distintas neuronas donde aun se tienen la posibilidad de hacer ciclos. Con esto, es viable hacer un fantasma temporal que dé memoria para la red neuronal. Esta clase de red es muy vigorosa y es increíblemente útil para el análisis de artículo, audio y vídeo.
