Definición: ¿Qué significa Red neuronal artificial (ANN)?
Una red de neuronas artificiales (ANN) es un modelo computacional basado en la estructura y funciones de las redes neuronales biológicas. La información que fluye a través de la red afecta la estructura de la RNA porque una red neuronal cambia, o aprende, en cierto sentido, en función de esa entrada y salida.
Las ANN se consideran herramientas de modelado de datos estadísticos no lineales donde se modelan las relaciones complejas entre las entradas y salidas o se encuentran patrones.
Las ANN son modelos de aprendizaje profundo capaces de reconocimiento de patrones y aprendizaje automático. Son parte del campo más amplio de la tecnología de inteligencia artificial (IA).
ANN también se conoce como red neuronal.
Techinfo explica la red neuronal artificial (ANN)
Una red neuronal artificial tiene tres o más capas que están interconectadas. La primera capa consta de neuronas de entrada. Esas neuronas envían datos a las capas más profundas, que a su vez enviarán los datos de salida finales a la última capa de salida.
Todas las capas internas están ocultas y están formadas por unidades que cambian de forma adaptativa la información recibida de una capa a otra mediante una serie de transformaciones. Cada capa actúa como una capa de entrada y salida que le permite a la ANN comprender objetos más complejos. En conjunto, estas capas internas se denominan capa neural.
Las unidades de la capa neural intentan conocer la información recopilada pesándola de acuerdo con el sistema interno de la ANN. Estas pautas permiten que las unidades generen un resultado transformado, que luego se proporciona como salida a la siguiente capa.
Un conjunto adicional de reglas de aprendizaje hace uso de la retropropagación, un proceso a través del cual la RNA puede ajustar sus resultados de salida teniendo en cuenta los errores. A través de la propagación hacia atrás, cada vez que la salida se etiqueta como un error durante la fase de entrenamiento supervisada, la información se envía hacia atrás. Cada peso se actualiza proporcionalmente a la medida en que fueron responsables del error.
Por lo tanto, el error se usa para recalibrar el peso de las conexiones de la unidad de la ANN para tener en cuenta la diferencia entre el resultado deseado y el real. A su debido tiempo, la ANN "aprenderá" cómo minimizar la posibilidad de errores y resultados no deseados.
Entrenar una red neuronal artificial implica elegir entre modelos permitidos para los que existen varios algoritmos asociados.
Una ANN tiene varias ventajas, pero una de las más reconocidas es el hecho de que puede aprender de la observación de conjuntos de datos. De esta manera, ANN se utiliza como una herramienta de aproximación de función aleatoria. Estos tipos de herramientas ayudan a estimar los métodos ideales y más rentables para llegar a soluciones mientras se definen funciones o distribuciones informáticas.
ANN toma muestras de datos en lugar de conjuntos de datos completos para llegar a soluciones, lo que ahorra tiempo y dinero. Las ANN se consideran modelos matemáticos bastante simples para mejorar las tecnologías de análisis de datos existentes.
Se pueden utilizar para muchas aplicaciones prácticas, como análisis predictivo en inteligencia empresarial, detección de correo electrónico no deseado, procesamiento de lenguaje natural en chatbots y muchas más.