Rede neural artificial

Unha rede neural artificial é un grupo de nodos interconectados, inspirados nunha simplificación das neuronas nun cerebro. Aquí, cada nodo circular representa unha neurona artificial e unha frecha representa unha conexión dende a saída dunha neurona artificial ata a entrada doutra.

As redes neuronais artificiais (RNAs), xeralmente chamadas simplemente redes neuronais, son sistemas informáticos inspirados nas redes neuronais biolóxicas que constitúen os cerebros animais.

Unha RNA baséase nunha colección de unidades ou nodos conectados chamados neuronas artificiais, que modelan de forma vaga as neuronas nun cerebro biolóxico. Cada conexión, como as sinapses dun cerebro biolóxico, pode transmitir un sinal a outras neuronas. Unha neurona artificial recibe sinais e logo procésaos e pode sinalar as neuronas conectadas a ela. O "sinal" nunha conexión é un número real, e a saída de cada neurona calcúlase mediante algunha función non lineal da suma das súas entradas. As conexións chámanse enlaces ou edges en inglés. As neuronas e os enlaces adoitan ter un peso ou weight que se axusta a medida que avanza a aprendizaxe. O peso aumenta ou diminúe a intensidade do sinal nunha conexión. As neuronas poden ter un límite tal que só se envía un sinal se o sinal agregado cruza ese límite.

Normalmente, as neuronas están agregadas en capas. Diferentes capas poden realizar diferentes transformacións nas súas entradas. Os sinais viaxan dende a primeira capa (a capa de entrada) ata a última capa (a capa de saída), posiblemente despois de atravesar as capas varias veces.

Adestramento

As redes neuronais aprenden (ou son adestradas) procesando exemplos, cada un dos cales contén unha "entrada" e un "resultado" coñecidos, formando asociacións ponderadas por probabilidade entre ambos, que se almacenan dentro da estrutura de datos da propia rede. O adestramento dunha rede neural a partir dun exemplo dado adoita realizarse determinando a diferenza entre a saída procesada da rede (a miúdo unha predición) e unha saída obxectivo. Esta diferenza é o erro. A rede axusta entón as súas asociacións ponderadas segundo unha regra de aprendizaxe e utilizando este valor de erro. Os sucesivos axustes farán que a rede neural produza unha saída cada vez máis semellante á saída de destino. Despois dun número suficiente destes axustes, a formación pódese finalizar en función de determinados criterios. Esta é unha forma de aprendizaxe supervisada.

Estes sistemas "aprenden" a realizar tarefas considerando exemplos, xeralmente sen ser programados con regras específicas para tarefas. Por exemplo, no recoñecemento de imaxes, poden aprender a identificar imaxes que conteñan gatos analizando imaxes de exemplo que foron etiquetadas manualmente como "gato" ou "sen gato" e utilizando os resultados para identificar gatos noutras imaxes. Fan isto sen ningún coñecemento previo dos gatos, por exemplo, que teñen pelaxe, rabo, bigotes e caras de gato. Pola contra, xeran automaticamente características de identificación a partir dos exemplos que procesan.