Conceptos básicos de aprendizaje profundo: ¿Qué son las redes neuronales?

El cerebro humano es una fantástica máquina de reconocimiento de patrones. Procesa entradas externas, las categoriza y genera una salida, con un mínimo esfuerzo consciente.En esencia, el aprendizaje profundo (y más ampliamente la inteligencia artificial) intenta imitar este proceso cerebral. El mapeo real, sin embargo,sucede con algo llamado red neuronal.



Las redes neuronales son uno de los métodos más populares para resolver problemas en el aprendizaje automático. A medida que aumenta la demanda de trabajos de ciencia de datos en centros tecnológicos como toronto y Nueva York , comprender cómo aplicar estos conceptos será fundamental. de BrainStation Campo de entrenamiento de ciencia de datos le enseñará estas habilidades y lo preparará para una carrera en datos. Pero volvamos al principio:



¿Qué es una red neuronal y cómo funciona?

Una red neuronal es un sistema de hardware y código modelado en la forma en que funcionan las neuronas en el cerebro humano. Ayuda a las computadoras a pensar, comprender y aprender como humanos.

Como ejemplo, piense en un niño que toca algo caliente (por ejemplo, una taza de café), lo que le provoca una quemadura. En la mayoría de los casos, esto evitaría que el niño vuelva a tocar una taza de café caliente. Sin embargo, es seguro decir que el niño no tenía ninguna comprensión consciente de este tipo de dolor antes de tocar la taza.

Esta modificación del conocimiento y comprensión que tiene la persona del mundo exterior se basa en reconocer y comprender patrones. Al igual que los humanos, las computadoras también aprenden a través del mismo método de reconocimiento de patrones. Esto forma la base de la forma en que funciona una red neuronal.



Anteriormente, los programas informáticos tradicionales funcionaban en árboles lógicos, lo que significaba que si sucede A, sucede B. Todos los resultados potenciales para cada sistema podrían preprogramarse. Esto, sin embargo, eliminó cualquier libertad de flexibilidad.

Redes neuronales, por otro lado, se construyen sin ninguna lógica predefinida; son simplemente un sistema entrenado para buscar y adaptarse a los patrones contenidos en los datos. Esto se basa en cómo funciona el cerebro humano, donde cada neurona o idea está conectada a través de sinapsis. Synapse incluye un valor que es una representación de la probabilidad de que ocurra una conexión entre dos neuronas.

Una neurona es un concepto singular. La taza, el color blanco, el té, la sensación de ardor al tocar una taza caliente, todos estos pueden tomarse como posibles neuronas, y cada uno de ellos puede conectarse. La fuerza de la conexión está determinada por el valor de su respectiva sinapsis. Cuanto mayor sea el costo, mejor será la unión.



Aquí hay un ejemplo de una conexión de red neuronal esencial que ayuda a formar una mejor comprensión:

diagrama de red neuronal

En el diagrama de arriba, las neuronas están representadas por nodos, y las líneas que los conectan representan sinapsis. El valor de la sinapsis denota la posibilidad de que una neurona se encuentre junto a otra. Entonces, en este ejemplo, el diagrama representa una taza que contiene café, que es blanco y extremadamente caliente.



Todas las tazas no tendrían propiedades como la de este ejemplo, y podemos conectar diferentes neuronas a la taza (por ejemplo, té en lugar de café). La posibilidad de que dos neuronas estén conectadas está determinada por la fuerza de la sinapsis correspondiente que las conecta.

Dicho esto, en un escenario donde las tazas no se usan regularmente para llevar bebidas calientes, la cantidad de tazas calientes disminuiría sustancialmente, lo que también reduciría la fuerza de las sinapsis que conectan las tazas con el calor.

Asi que:

Redes neuronales

se convierte en:

Fundamentos de las redes neuronales

¿Qué es un perceptrón?

perceptronesson el modelo fundamental de una red neuronal. Utiliza múltiples entradas binarias (x1, x2, etc.) para producir una sola salida binaria. Me gusta esto:

perceptrón

Para entender mejor esta red neuronal, usemos una analogía.

Suponga que camina al trabajo. Esta decisión de ir a trabajar puede basarse en dos factores principales: el clima y si es o no un día laborable. Si bien el factor climático es manejable, trabajar los fines de semana es (a menudo) un factor decisivo. Como aquí estamos trabajando con entradas binarias, propongamos las condiciones en forma de preguntas de sí o no.

¿Está bien el tiempo? Uno para sí, cero para no. ¿Es un día de semana? Uno sí, cero para no.

Tenga en cuenta que no podemos informar a la red neuronal de estas condiciones desde el principio. La red deberá aprenderlos por sí misma. ¿Cómo decidirá la red la prioridad de estos factores al tomar una decisión? Mediante el uso de lo que se conoce como pesos. Los pesos son representaciones numéricas de las preferencias. Un peso más alto hará que la red neuronal asuma que la entrada tiene una prioridad más alta que el resto. Esto está representado por w1, w2... en el diagrama de flujo que se muestra arriba.

El valor de las redes neuronales

Cualquier sistema que necesite aprendizaje automático hace referencia a una red neuronal para obtener ayuda, y hay muchas razones para esto:

  1. Con la ayuda de las redes neuronales, los usuarios pueden resolver problemas para los cuales no existe un método algorítmico tradicional o es demasiado costoso implementarlo.
  2. Las redes neuronales aprenden con el ejemplo, lo que reduce la necesidad de programas adicionales.
  3. Las redes neuronales son significativamente más rápidas y precisas que los métodos convencionales.

Aplicaciones de la vida real de las redes neuronales

El aprendizaje profundo, con la ayuda de las redes neuronales, ha encontrado un amplio uso en las siguientes áreas:

Reconocimiento de voz

Para un buen ejemplo de esto, no busque más allá de laPunto de eco de Amazon, que permite a los usuarios obtener informes de noticias y actualizaciones meteorológicas, pedir comida o completar una compra en línea con solo hablar.

Reconocimiento de escritura a mano

Las redes neuronales están entrenadas para comprender patrones en la escritura de una persona, yAplicación de entrada de escritura a mano de Googlehace uso de esto para convertir garabatos en textos significativos.

Reconocimiento facial

Desde mejorar la seguridad de los dispositivos portátiles hasta variosFiltros de Snapchat, el reconocimiento facial está en todas partes. Un buen ejemplo es la tecnología que usa Facebook para sugerir a las personas que etiqueten cuando se sube una foto al sitio.

En resumen, las redes neuronales constituyen la columna vertebral de una amplia variedad de tecnologías innovadoras que se utilizan en la actualidad. De hecho, imaginar una iniciativa de aprendizaje automático/profundo sin ellos es casi imposible, y eso solo aumentará con el tiempo.

Más información sobre BrainStation Curso de certificado de aprendizaje automático y Diplomado en ciencia de datos .