Page 139 - 06 Turing

EMULAR REDES NEURONALES ARTIFICIALES
En la actualidad, los modelos de redes neuronales artificiales tienen numero-
sas aplicaciones. En general, las redes neuronales utilizan un modelo de orga-
nización similar, esto es, las neuronas se organizan por capas (entrada, salida
e intermedias u ocultas, si las hubiere) y se conectan entre sí según un criterio
inspirado en la biología, por el que las neuronas de una capa se conectan con
las de otra. El usuario define en la red cuáles serán los umbrales de activación,
la función de activación o transferencia, y otros parámetros del modelo. Sin
embargo, pese a que la forma en que se organizan los elementos son muy
similares en todas las redes neuronales artificiales, hay un elemento que las
distingue unas de otras: el algoritmo o regla de aprendizaje. En inteligencia
artificial, el aprendizaje es el proceso por el que una red neuronal cambia su
respuesta, o salida, ante una cierta entrada. Ese cambio es el resultado de un
ajuste en uno o más de los pesos asociados a las conexiones. Existen multitud
de métodos para el ajuste de los pesos de las conexiones en la red con los
que esta es «entrenada» en el reconocimiento de patrones (letras, números,
fotografías, etc.). En otros casos, la red memoriza directamente el patrón sin
necesidad de dicho entrenamiento, es decir, sin que se requiera el ajuste de
los pesos de las conexiones. Ni el modelo de McCulloch-Pitts ni el modelo
de neurona artificial de Turing eran capaces de exhibir aprendizaje, pues ca-
recían de regla de aprendizaje. Se trataba de modelos con los que se podía
emular las puertas AND, OR, etc., es decir, estaban más próximos a una má-
quina de Turing que a una red de neuronas biológicas. Uno de los mejores
programas con los que aprender a través de la experimentación sobre redes
neuronales artificiales es el Stuttgart Neural Network Simulator (SNNS).

El Stuttgart Neural Network Simulator (SNNS).

EL LEGADO DE ALAN TURING 139