Redes Neuronales

Las redes neuronales son un complejo algoritmo utilizado para el análisis predictivo, estas se encuentran inspiradas en la estructura del cerebro humano. Una red neuronal proporciona un modelo muy simple en comparación con el cerebro humano, pero funciona bastante bien para la analítica predictiva.

Las redes neuronales son ampliamente utilizadas para la clasificación de datos, estos algoritmos procesan data histórica y presente para estimar los valores futuros, descubriendo cualquier correlación compleja oculta en los datos, de una manera análoga a la empleada por el cerebro humano. (Bari, Chaouchi, & Jung, 2014)

Las redes neuronales se pueden utilizar para hacer predicciones en los datos de series de tiempo, tales como los pronósticos meteorológicos. Una red neural puede ser diseñada para detectar patrones en datos de entrada y producir una salida libre de ruido. (Bari, Chaouchi, & Jung, 2014)

La estructura de un algoritmo de red neuronal tiene tres capas:

  • La capa de entrada se alimenta valores de los datos pasados ​​a la siguiente capa (oculta). Los círculos negros representan nodos de la red neural.
  • La capa oculta encapsula varias funciones complejas que crean predictores; a menudo esas funciones están ocultas para el usuario. Un conjunto de nodos (círculos negros) en la capa oculta representa funciones matemáticas que modifican los datos de entrada; estas funciones son llamadas neuronas.
  • La capa de salida recoge las predicciones hechas en la capa oculta y produce el resultado final: la predicción del modelo.

Cada neurona toma un conjunto de valores de entrada; cada uno está asociado con un peso y un valor numérico conocido como sesgo. La salida de cada neurona es una función de la salida de la suma ponderada de cada entrada más el sesgo. (Bari, Chaouchi, & Jung, 2014)

La mayoría de las redes neuronales usan funciones matemáticas para activar las neuronas. Una función es una relación entre un conjunto de entradas y un conjunto de salidas, con la regla de que cada entrada corresponde a una salida. (Gershenson)

Las neuronas en una red neuronal pueden utilizar función sigmoide para que coincidan las entradas con las salidas.

El objeto de la utilización de esta función en las redes neuronales, se debe a que la mayoría de estas funciones tienen derivadas que son positivas y de fácil cálculo; son continuas, pueden servir como tipos de funciones de suavizado, y son funciones limitadas. (Bari, Chaouchi, & Jung, 2014)

Esta combinación de características, exclusivas para las funciones sigmoides, es vital para el funcionamiento de un algoritmo de red neuronal, especialmente cuando se requiere emplear el uso de cálculos con derivadas.

El peso de cada neurona es un valor numérico que se puede derivarse utilizando prácticas, algoritmos supervisados o no supervisados.

  • En el caso de los algoritmos supervisados, los pesos se derivan mediante el ingreso de los datos de entrada y salida de la data de muestra para el algoritmo hasta que los pesos están sintonizados (es decir, hay una coincidencia casi perfecta entre las entradas y salidas).
  • En el caso de los algoritmos no supervisados, la red neuronal se presenta solamente con entradas, y el algoritmo genera las salidas correspondientes. Cuando se procesa nuevamente el algoritmo con nueva data de entrada, el algoritmo produce nuevos resultados que son similares a las salidas anteriores, entonces, se presume que los pesos de las neuronas se han ajustado.

Las redes neuronales tienden a tener una alta precisión incluso si los datos tienen una cantidad significativa de ruido. Eso es una gran ventaja; cuando la capa oculta todavía puede descubrir relaciones en los datos a pesar del ruido. Por otro lado, una desventaja de los algoritmos de red neuronal es que la exactitud de la predicción puede ser válido sólo dentro del período de tiempo durante el cual se reunieron los datos de entrenamiento. (Bari, Chaouchi, & Jung, 2014)

Bibliografía

Bari, A., Chaouchi, M., & Jung, T. (2014). How Predictive Analysis Neural Networks Work. Obtenido de For Dummies: http://www.dummies.com/how-to/content/how-predictive-analysis-neural-networks-work.html

Gershenson, C. (s.f.). Artificial Neural Networks for Beginners. Obtenido de Data Science Knowledge Repo: https://datajobs.com/data-science-repo/Neural-Net-%5BCarlos-Gershenson%5D.pdf

Publicado por

Santiago X. Saavedra Y.

Ingeniero Industrial, Master en Administración de Empresas y Master en Gestión de Tecnologías de Información, especializado en Transformación Digital e Inteligencia de Negocios. https://www.linkedin.com/in/sxsaavedra