Page 28 - Revista tecnologica y cientifica

sección. Posteriormente, estos sistemas aprenden de entrenando con ejemplos ilustrativos, por lo que no es
los medios de los ejemplos, adaptando cada conexión necesario poner los modelos a priori.
para enlazar entre sí sin error, ingrese datos con su Las redes neuronales permiten la auto organización de
categoría correspondiente.
lo aprendido mientras que el aprendizaje es la
Su naturaleza es bastante diferente a la de los métodos modificación de elementos procedimentales
estadísticos multivariados en que mediante diferentes individuales, la auto organización es la modificación
técnicas una variable dependiente o variable de de toda la red neuronal para lograr un objetivo
respuesta puede describirse como una función de un particular.
conjunto de variables, combinación de variables Además, las redes neuronales son tolerantes a fallos.
independientes o predictivas.
Fueron los primeros métodos computacionales con
En una red neuronal, no se imponen condiciones a la esta habilidad inherente. De esta forma, si el fallo se
distribución de los datos, estos datos pueden tener una produce en un número reducido de neuronas, aunque
gran variación o incluso ser ambiguos o estar presentes el comportamiento del sistema se vea afectado, no se
"(ruido"). Es posible que tengan diferentes efectos en bloqueará de forma repentina.
función de los valores de otras variables.
Una de las principales prioridades de las redes
Debido a su funcionalidad específica, estos sistemas neuronales es que pueden operar en tiempo real. Las
tienen una capacidad especial para aprender de una redes neuronales funcionan a través de conexiones
gran cantidad de ejemplos, ser capaces de predecir paralelas, lo que permite altas velocidades de
patrones y tendencias y descubrir relaciones sutiles transmisión y respuestas casi instantáneas.
entre datos. Material. Estas capacidades podrían hacer
de las redes neuronales una valiosa ayuda para el Las neuronas pueden reconocer patrones no
aprendidos, solo necesitan tener algunas similitudes
diagnóstico.
con el conocimiento previo de la red. En otras
palabras: si la entrada muestra signos de manipulación,
la red debe poder identificarla siempre que se
mantenga un cierto grado de similitud entre lo
aprendido y lo que se muestra en la entrada de la red.
Finalmente, se debe enfatizar como un activo la
facilidad de inclusión en la tecnología existente.
Entonces, por ejemplo, es muy fácil conseguir chips
especializados que mejoren su capacidad.
2.3 Redes neuronales y computadoras
Figura 3: Reconocimiento. digitales
La Fig. 3 es un ejemplo de un mecanismo de Para comprender el potencial de la computación
reconocimiento de patrones, los diferentes rasgos son neuronal, es necesario hacer un Breve diferencia entre
procesados simultáneamente y se elabora una los sistemas informáticos neurales y digitales:
respuesta. sistemas Los principios neurológicos no se aplican a
circuitos lógicos o digitales.
El desarrollo de computadoras y programas basados en
procesamiento paralelo pronto significaría una Los sistemas informáticos digitales deben ser
revolución en la computación. Se han desarrollado síncronos o asincrónicos, la duración de los impulsos
varias estructuras similares a neuronas como parte de nerviosos debe ser variable para mantener uno de los
un hardware informático complejo. valores binarios indefinidos, que no es el caso si el
principio es síncrono y requiere un reloj maestro o
Sin embargo, la aplicación más común es simular estos
mecanismos de aprendizaje mediante programas global, pulso está sincronizado.
comerciales. Entre estas últimas ofertas se encuentran Este no es el caso. “Las neuronas no pueden ser
las reseñas. circuitos de umbral lógico porque hay miles de
entradas variables en la mayoría de las neuronas” [2].
2.2 Ventajas que ofrecen la red neuronal El umbral cambia con el tiempo y se ve afectado por
Como hemos dicho, las redes neuronales, según su la estimulación, la atenuación, etc. La precisión y
estructura y trasfondo, tienen grandes similitudes con estabilidad de este circuito no es suficiente para definir
el cerebro. Por ejemplo, pueden aprender de la ninguna función.
experiencia, generalizar casos anteriores a casos Valor booleano los procesos colectivos que son
nuevos, abstraer características esenciales de importantes en la computación neuronal no se pueden
elementos que presentan información no relacionada. lograr mediante cálculos numéricos. Por tanto, el
Los beneficios incluyen: Tienen la capacidad de cerebro debe ser un computadora analógica ni las
aprender a realizar tareas basadas en la formación neuronas ni las sinapsis son elementos de memoria
inicial (aprendizaje adaptativo). De esta forma, la inestables. Todo el mundo los hechos fisiológicos
máquina puede aprender a realizar determinadas tareas apoyan el papel de las neuronas como integradoras
28