C++ / Redes neuronales en ML

Bienvenidos sean a este post, hoy veremos la teoria de una red neuronal artificial..

En el post anterior vimos dos tipos de tareas que podemos usar con ML, y tambien mencionamos que ML se basa en como se interconectan las neuronas en el ser humano. Este tipo esta pensado principalmente para el reconocimiento de patrones. Una neurona se comunica con otras neuronas via sinapsis. La funcionalidad basica de una neurona es el procesamiento de una porcion de datos y producir señales basado en esos datos. Si lo llevamos a terminos de programacion, una neurona toma un conjunto de entradas y se genera una salida.

Esto se denomina ANN (Red Neuronal Artificial por sus siglas en ingles) y a este lo podemos dividir en tres partes. Siendo una para los datos de entrada, otro para la de salida y una «oculta». Obviamente esto es una descripcion muy pero muy simplificada de una red neuronal. Cada parte podemos considerarlo como un modelo despues de una neurona, donde cada señal transmitida a otro nodo es similar a una sinapsis de una neurona. Las redes neurales son un conjunto de algoritmos que ayudan a agrupar y clasificar.

Ya mencionamos que podemos dividirlo en tres partes donde entrada y salida son las mas obvias porque representan a sus titulos, siendo entrada donde ingresan los datos y salida donde estan los datos procesados. La denominada como «oculta» es la encargada de la «magia» y producir resultados razonables.. Aqui es donde haremos todo el analisis, procesamiento y modificaciones necesarias para producir la salida.

Una neurona puede tener multiples entradas y conexiones de salida, a su vez cada conexion tiene un peso que especifica la importancia de la conexion. En base a esto, podemos decir que en cada capa tenemos neuronas que estaran interconectados con las neuronas en otras capas. Tambien podemos decir que la parte oculta contiene varias capas mas para poder procesar los datos correctamente entre la entrada y la salida. Mientras el proposito primario de la entrada es recibir la informacion, la salida devolver un valor calculado (o deducido), el proposito de las capas ocultas es adaptarse mediante aprendizaje.

El aprendizaje tambien involucra el ajuste de las conexiones y pesos apuntando a mejorar la calidad de la salida devuelta. Como podran darse cuenta esta es la parte donde ML entra en accion, y nos permite crear redes neuronales complejas con varias capas ocultas listas para aprender y mejorar. Dando como resultado un sistema de IA pero esto es solo una posibilidad en el proximo post veremos otra.

En resumen, hoy hemos visto redes neuronales, que son, como es que se pueden comparar con las humanas, asi como tambien varias particularidades de la misma. Espero les haya resultado de utilidad sigueme en tumblr, Twitter o Facebook para recibir una notificacion cada vez que subo un nuevo post en este blog, nos vemos en el proximo post.