Redes neuronales

REDES NEURONALES

Hasta ahora hemos comentado una rama del aprendizaje automático que consistía en el aprendizaje supervisado (Regresión lineal) y el no supervisado (Regresión logística). En esta entrada saltaremos a otra rama de este tipo de aprendizaje: a las Redes neuronales.

Si en las técnicas de aprendizaje anteriores hemos visto cómo aprenden las máquinas a partir de ejemplos y como consiguen modelos o funciones (h) que se parecen a la realidad (y); usando para ello funciones de coste (J), gradientes de descenso para optimizar, etc. Ahora nos centraremos en el aprendizaje automático que más se parece al de nuestro cerebro: aprender usando neuronas.

Una neurona artificial funciona de la misma manera que una neurona real. Tiene unas entradas (Dendritas) que se introducen al cuerpo de la neurona y después de una computación salen por la salida (Axiomas).

Neuronal real: La información entra por las dendritas, en el cuerpo y núcleo se dan los "cálculos" o transformaciones de los pulsos y por los axiomas sale la señal procesada a otra neurona o a alguna parte de nuestro cuerpo.

La neurona artificial funciona de manera semejante a la real: las entradas (x) se introducen al cuerpo de la neurona o al centro computacional, aquí sufren cambios matemáticos y después salen a otra neurona o a la salida  (h).

Neuronal artificial: La información entra al cuerpo, se computa, se suma y sale.

Explicado más detenidamente, las entradas (x) se multiplican con una matriz de pesos (θ) que controla la función de mapeo de una capa a otra. Después, una vez insertado en el cuerpo de la neurona se le aplica una función de activación para conseguir la activación (a). En las redes neuronales la función de activación que se usa es... ¡Sorpresa! La función logística de la clasificación: la función sigmoidea (g). Una vez pasado la función sigmoidea pasa o a otra neurona o a la salida.

Función sigmoide: Válido tanto en regresión logística como en redes neuronales.

Tal como pasa en nuestros cerebros, juntando más de una neurona se consigue crear redes neuronales artificiales. Cada "nivel" o paso que dan las neuronas desde las entradas a la salida final se denominan capa o layer. De manera que existen tres tipos de capas: La capa de entrada (Input layer), la capa de salida (Output layer) y la capa oculta (Hidden layer), esta capa abarca todo lo que no sea la capa de entrada o de salida.

Diferenciación de las diferentes capas dentro de una red neuronal.

Por lo tanto, una red neuronal consiste en ir calculando capa a capa, tanto los valores de los nodos de activación (a), como el valor final (h(x)). De esta manera, se consigue la siguiente fórmula matemática (basado en la imagen anterior):

Valores de activación (a) y de salida (h(x)) de la red neuronal.

Así puesto, parece que las operaciones matemáticas detrás de las redes neuronales son muy complicadas, pero para eso estamos l@s ingenier@s: para simplificarlo todo. Y en la siguiente entrada del blog explicaremos más en detalle la matemática detrás de las redes neuronales, así como algunas técnicas de aprendizaje