¿Qué son las redes neuronales artificiales?

Como siempre hay Google, supongo que está pidiendo una respuesta realmente simple:

Piense en un circuito normal que toma una entrada y da una salida. Un ejemplo es una puerta OR, que toma dos entradas. Si una o ambas entradas son Sí, genera Sí; si ambas entradas son No, genera No.

Ese circuito no puede cambiar. Incluso si conecta muchas compuertas AND, compuertas OR, etc. de formas innovadoras, la (s) salida (s) dependen (s) de manera simple de las entradas.

Nuestro cerebro no es así. Su relación de salidas a entradas sigue cambiando. Su reacción al helado ahora es muy diferente de su reacción al helado cuando era niño.

Esto se debe a las neuronas en tu cerebro, que están ** aprendiendo **. Como grupo, se les dice que las formas que se ven así son seres humanos, las formas que se ven así son botellas de agua.

Múltiples cosas están cambiando a medida que ocurre este aprendizaje:

• La fuerza de la salida cambia (reacciones emocionales más fuertes o más débiles …)
• El objetivo de la salida cambia (su cerebro puede mover sus brazos o piernas, o detener su corazón …)
• La estructura (es decir, las interconexiones) entre las neuronas cambia (reaccionas a la misma cosa de manera diferente)
• … Y todo esto se “codifica”. Es decir, no es solo algo que recuerdas; Los detalles físicos de su cerebro cambian con el aprendizaje.

Las redes neuronales son circuitos que funcionan así. Lo “entrena” diciéndole qué salida es correcta y cuál es incorrecta, para cada conjunto de entradas. Puede hacer que la red tome algunas entradas más en serio, y así sucesivamente.

El aprendizaje automático ha demostrado mejorar significativamente la eficiencia, y hay muchos trabajos que han sido reemplazados por máquinas más inteligentes y rápidas que utilizan inteligencia artificial o aprendizaje automático. Los mercados de valores no son excepciones a esto. Hoy en día, hay varios algoritmos de Machine Learning que se ejecutan en los mercados en vivo. Estos algoritmos a menudo proporcionan mayores rendimientos que otros algoritmos alternativos o, a veces, incluso más altos que los operadores experimentados. En esta respuesta, hablaré sobre los conceptos involucrados en una red neuronal y cómo se puede aplicar para predecir los precios de las acciones en los mercados vivos. Comencemos por comprender qué es una neurona.

Neurona

Esta es la neurona con la que debes estar familiarizado, bueno, si no lo estás, ahora deberías estar agradecido de que puedes entender esto porque hay miles de millones de neuronas en tu cerebro. Hay tres componentes en una neurona, las dendritas, el axón y el cuerpo principal de la neurona. Las dendritas son los receptores de la señal y el axón es el transmisor. Solo, una neurona no es muy útil, pero cuando está conectada a otras neuronas, realiza varios cálculos complicados y ayuda a operar la máquina más complicada de nuestro planeta, el cuerpo humano.

Una neurona de computadora se construye de manera similar, como se muestra en el diagrama. Hay entradas a la neurona marcadas con círculos amarillos, y la neurona emite una señal de salida después de algunos cálculos. La capa de entrada se parece a las dendritas de la neurona y la señal de salida es el axón. A cada señal de entrada se le asigna un peso, wi. Este peso se multiplica por el valor de entrada y la neurona almacena la suma ponderada de todas las variables de entrada. Estos pesos se calculan en la fase de entrenamiento de la red neuronal a través de conceptos llamados descenso de gradiente y propagación hacia atrás, cubriremos estos temas en nuestras publicaciones de blog posteriores sobre Redes neuronales. Luego se aplica una función de activación a la suma ponderada, lo que da como resultado la señal de salida de la neurona. Las señales de entrada son generadas por otras neuronas, es decir, la salida de otras neuronas, y la red está construida para hacer predicciones / cálculos de esta manera. Esta es la idea básica de una red neuronal. Examinaremos cada uno de estos conceptos con más detalle en este artículo.

Trabajo de redes neuronales

Veremos un ejemplo para comprender el funcionamiento de las redes neuronales. La capa de entrada consta de los parámetros que nos ayudarán a llegar a un valor de salida o hacer una predicción. Nuestros cerebros tienen esencialmente cinco parámetros básicos de entrada, que son nuestros sentidos para tocar, escuchar, ver, oler y saborear. Las neuronas en nuestro cerebro crean parámetros más complicados, como las emociones y los sentimientos, a partir de estos parámetros de entrada básicos. Y nuestras emociones y sentimientos, nos hacen actuar o tomar decisiones, que es básicamente el resultado de la red neuronal de nuestros cerebros. Por lo tanto, hay dos capas de cálculos en este caso antes de tomar una decisión. La primera capa toma los cinco sentidos como entradas y da como resultado emociones y sentimientos, que son las entradas a la siguiente capa de cálculos, donde la salida es una decisión o una acción. Por lo tanto, en este modelo extremadamente simple del funcionamiento del cerebro humano, tenemos una capa de entrada, dos capas ocultas y una capa de salida. Por supuesto, según nuestras experiencias, todos sabemos que el cerebro es mucho más complicado que esto, pero esencialmente así es como se hacen los cálculos en nuestro cerebro.

Para comprender el funcionamiento de una red neuronal, consideremos un ejemplo simple de predicción del precio de las acciones, donde los valores OHLCV (Open-High-Low-Close-Volume) son los parámetros de entrada, hay una capa oculta y la salida consiste en predicción del precio de las acciones.

Hay cinco parámetros de entrada como se muestra en el diagrama, la capa oculta consta de 3 neuronas y la resultante en la capa de salida es la predicción del precio de las acciones. Las 3 neuronas en la capa oculta tendrán diferentes pesos para cada uno de los cinco parámetros de entrada y podrían tener diferentes funciones de activación, que activarán los parámetros de entrada de acuerdo con varias combinaciones de las entradas. Por ejemplo, la primera neurona podría estar mirando el volumen y la diferencia entre el precio de cierre y el precio de apertura y podría estar ignorando los precios altos y bajos. En este caso, los pesos para los precios altos y bajos serán cero. En función de los pesos que el modelo se ha entrenado para alcanzar, se aplicará una función de activación a la suma ponderada en la neurona, lo que dará como resultado un valor de salida para esa neurona en particular. Del mismo modo, las otras dos neuronas darán como resultado un valor de salida basado en sus funciones y pesos de activación individuales. Finalmente, el valor de salida o el valor predicho del precio de la acción será la suma de los tres valores de salida de cada neurona. Así es como la red neuronal funcionará para predecir los precios de las acciones.

Fuente:

Funcionamiento de redes neuronales para la predicción del precio de las acciones

DEFINICIÓN de ‘Red neuronal’

Una red neuronal es una serie de algoritmos que intenta identificar relaciones subyacentes en un conjunto de datos mediante el uso de un proceso que imita la forma en que opera el cerebro humano. Las redes neuronales tienen la capacidad de adaptarse a la entrada cambiante para que la red produzca el mejor resultado posible sin la necesidad de rediseñar los criterios de salida. El concepto de redes neuronales está aumentando rápidamente en popularidad en el área de desarrollo de sistemas comerciales.

Cómo funciona una red neuronal

Una red neuronal funciona de manera similar a la red neuronal del cerebro. Una “neurona” en una red neuronal es una función matemática simple que captura y organiza información de acuerdo con una arquitectura. La red se parece mucho a los métodos estadísticos, como el ajuste de curvas y el análisis de regresión.

Una red neuronal consiste en capas de nodos interconectados. Cada nodo es un perceptrón y se asemeja a una regresión lineal múltiple. El perceptrón alimenta la señal generada por una regresión lineal múltiple en una función de activación que puede ser no lineal.

En un perceptrón multicapa (MLP), los perceptrones están dispuestos en capas interconectadas. La capa de entrada recibe patrones de entrada. La capa de salida contiene clasificaciones o señales de salida a las que se pueden asignar patrones de entrada. Por ejemplo, los patrones pueden ser una lista de cantidades para indicadores técnicos con respecto a una seguridad; las salidas potenciales podrían ser “comprar”, “retener” o “vender”. Las capas ocultas ajustan las ponderaciones en las entradas hasta que el error de la red neuronal sea mínimo. Se teoriza que las capas ocultas extraen características sobresalientes en los datos de entrada que tienen poder predictivo con respecto a las salidas. Esto describe la extracción de características, que realiza una función similar a las técnicas estadísticas como el análisis de componentes principales.

Aplicación de redes neuronales

Las redes neuronales se utilizan ampliamente en operaciones financieras, planificación empresarial, comercio, análisis de negocios y mantenimiento de productos. Las redes neuronales son comunes en las aplicaciones comerciales, como las soluciones de pronóstico y de investigación de mercado, detección de fraudes y evaluación de riesgos.

Una red neuronal analiza datos de precios y descubre oportunidades para tomar decisiones comerciales basadas en datos analizados a fondo. Las redes pueden detectar interdependencias no lineales sutiles y patrones que otros métodos de análisis técnico no pueden descubrir. Sin embargo, un aumento del 10% en la eficiencia es todo lo que un inversor puede esperar de una red neuronal. Siempre habrá conjuntos de datos y clases de tareas para las cuales los algoritmos utilizados anteriormente siguen siendo superiores. El algoritmo no es lo que importa; Es la información de entrada bien preparada sobre el indicador objetivo que determina el éxito de una red neuronal.

El término “red neuronal” se refiere, como su nombre lo indica, a un subcampo de inteligencia artificial inspirado biológicamente, inspirado en el cerebro. Si bien las funciones varían, el concepto, que se introdujo en los años cincuenta con el perceptrón de clasificación de formas, es ejecutar datos a través de un campo de estados interconectados que es paralelo a las neuronas y las sinapsis que se encuentran en la naturaleza. Los datos generalmente se dividen en forma binaria y se alimentan a través de estas capas. Si bien algunos algoritmos son de autoaprendizaje, todos los nns funcionan mediante el entrenamiento automatizado de estas sinapsis (piense en la optimización estocástica) para realizar ciertas operaciones, por lo que el resultado producido de ejecutar cualquier entrada dada de los datos de entrenamiento es óptimo o lo más preciso posible. La idea es que estas redes puedan detectar patrones y aprender a manejar ciertos tipos de datos. Muchas variaciones representan diferentes aplicaciones, como el procesamiento fonético o, más popularmente, el procesamiento visual. En mi opinión, parece que estas redes funcionarían mejor en conjuntos entrelazados de procesamiento y función, o mejor aún, como complemento de otros sistemas de IA. Si tiene más preguntas, ¡no dude en preguntar!

Las redes neuronales artificiales ( ANN ) o sistemas conexionistas son sistemas informáticos inspirados en las redes neuronales biológicas que constituyen los cerebros de los animales. Dichos sistemas aprenden (mejoran progresivamente el rendimiento) a realizar tareas considerando ejemplos, generalmente sin programación específica de tareas. Por ejemplo, en el reconocimiento de imágenes, pueden aprender a identificar imágenes que contienen gatos analizando imágenes de ejemplo que se han etiquetado manualmente como “gato” o “no gato” y utilizando los resultados analíticos para identificar gatos en otras imágenes. Han encontrado que la mayoría del uso en aplicaciones es difícil de expresar en un algoritmo informático tradicional que utiliza programación basada en reglas.

Un ANN se basa en una colección de unidades conectadas llamadas neuronas artificiales (análogas a las neuronas biológicas en un cerebro animal). Cada conexión (sinapsis) entre las neuronas puede transmitir una señal a otra neurona. La neurona receptora (postsináptica) puede procesar la (s) señal (es) y luego señalar las neuronas aguas abajo conectadas a ella. En implementaciones ANN comunes, la señal de sinapsis es simplemente un número real, y la salida de cada neurona se calcula mediante una función no lineal de la suma de todas sus entradas. Las neuronas y las sinapsis también pueden tener un peso que varía a medida que avanza el aprendizaje, lo que puede aumentar o disminuir la fuerza de la señal que envía corriente abajo. Además, pueden tener un umbral tal que solo si la señal agregada está por debajo (o por encima) de ese nivel, se envía la señal aguas abajo.

Típicamente, las neuronas están organizadas en capas. Las diferentes capas pueden realizar diferentes tipos de transformaciones en sus entradas. Las señales viajan desde la primera (entrada) hasta la última capa (salida), posiblemente después de atravesar las capas varias veces.

El objetivo original del enfoque de la red neuronal era resolver los problemas de la misma manera que lo haría un cerebro humano. Con el tiempo, la atención se centró en hacer coincidir las habilidades mentales específicas, lo que condujo a desviaciones de la biología, como la propagación hacia atrás, o pasar información en la dirección inversa y ajustar la red para reflejar esa información.

Las redes neuronales se han utilizado en una variedad de tareas, incluyendo visión por computadora, reconocimiento de voz, traducción automática, filtrado de redes sociales, juegos de mesa y videojuegos, diagnóstico médico y en muchos otros dominios.

En tecnología de la información, una red neuronal es un sistema de hardware y / o software diseñado después de la operación de las neuronas en el cerebro humano. Las redes neuronales, también llamadas redes neuronales artificiales, son una variedad de tecnologías de aprendizaje profundo. Las aplicaciones comerciales de estas tecnologías generalmente se centran en resolver problemas complejos de procesamiento de señales o reconocimiento de patrones. Los ejemplos de aplicaciones comerciales significativas desde 2000 incluyen el reconocimiento de escritura a mano para el procesamiento de cheques, la transcripción de voz a texto, el análisis de datos de exploración de petróleo, la predicción del clima y el reconocimiento facial.

Una red neuronal generalmente involucra una gran cantidad de procesadores que funcionan en paralelo y dispuestos en niveles. El primer nivel recibe la información de entrada sin procesar, análoga a los nervios ópticos en el procesamiento visual humano. Cada nivel sucesivo recibe la salida del nivel que le precede, en lugar de la entrada sin procesar, de la misma manera que las neuronas más alejadas del nervio óptico reciben señales de quienes están más cerca de él. El último nivel produce la salida del sistema.

Cada nodo de procesamiento tiene su propia pequeña esfera de conocimiento, que incluye lo que ha visto y las reglas con las que se programó o desarrolló originalmente. Los niveles están altamente interconectados, lo que significa que cada nodo en el nivel n estará conectado a muchos nodos en el nivel n-1 , sus entradas, y en el nivel n + 1, que proporciona entrada para esos nodos. Puede haber uno o varios nodos en la capa de salida, desde donde se puede leer la respuesta que produce.

Las redes neuronales son notables por ser adaptativas, lo que significa que se modifican a sí mismas a medida que aprenden del entrenamiento inicial y las ejecuciones posteriores proporcionan más información sobre el mundo. El modelo de aprendizaje más básico se centra en ponderar los flujos de entrada, que es cómo cada nodo pondera la importancia de la entrada de cada uno de sus predecesores. Las entradas que contribuyen a obtener las respuestas correctas se ponderan más alto.

Leer más: ¿Qué es la red neuronal? – Definición de WhatIs.com

Es difícil ver la aplicación de las redes neuronales como un fenómeno independiente. Las redes neuronales artificiales (ANN) se relacionan con el dominio de aprendizaje automático (ML), que es un subcampo del concepto más amplio de inteligencia artificial (IA). Para ser más precisos, las redes neuronales son una clase de arquitecturas y algoritmos de aprendizaje automático.

Las redes neuronales se denominan redes neuronales artificiales en lugar de biológicas, la red interconectada de neuronas en nuestros cerebros, que transmiten información formando conexiones entre sí. Una red neuronal artificial consta de múltiples capas de unidades simples llamadas nodos: hermanos artificiales de neuronas, interconectados por cadenas valiosas que transmiten la salida a cada nodo desde las unidades de la capa anterior.

Puede encontrar más información aquí – Redes neuronales

En tecnología de datos, una red neuronal podría ser un sistema de hardware y / o paquete de software diseñado según el funcionamiento de las neuronas dentro del cerebro humano. Las redes neuronales, también denominadas redes neuronales artificiales, miden la extensión de las tecnologías de aprendizaje profundo.

Una red neuronal generalmente involucra una amplia gama de procesadores operativos en paralelo y organizados en niveles.

el nivel primario recibe los datos de entrada sin procesar, análogos a los nervios ópticos en el proceso visual humano. cada nivel consecutivo recibe la salida del nivel que le precede, en lugar de la entrada sin procesar, de la misma manera que las neuronas alejadas del nervio craneal reciben señales de las personas más cercanas.

El último nivel produce la salida del sistema.

http://collaberex.com/services/w …

La red neuronal artificial es un sistema informático basado en el cerebro humano y el sistema nervioso. Un ANN es un grupo interconectado de nodos, similar a la vasta red de neuronas de un cerebro.

Las redes neuronales consisten en sistemas de “neuronas” interconectadas capaces de calcular o procesar valores de entradas y también de aprendizaje automático y reconocimiento de patrones.

En palabras más simples, las redes neuronales representan una clase de algoritmos estadísticos que definen y elaboran redes neuronales biológicas que consisten principalmente en el sistema nervioso de los animales, particularmente el cerebro.

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 ANN 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 complejas relaciones entre entradas y salidas o se encuentran patrones.

ANN también se conoce como una red neuronal. Para obtener más detalles, visite este sitio web: http://www.infinitesolution.in/t …

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 ANN porque una red neuronal cambia, o aprende, en cierto sentido, en función de esa entrada y salida. Las NS se consideran herramientas de modelado de datos estadísticos no lineales donde se modelan las complejas relaciones entre entradas y salidas. o se encuentran patrones.ANN también se conoce como una red neuronal. Para obtener más detalles, visite esta Guía para principiantes de redes neuronales artificiales

• El concepto de redes neuronales artificiales representa modelos matemáticos que se basan en el procesamiento de la información del cerebro.

• Las redes neuronales están formadas por muchas unidades de procesamiento pequeñas, las neuronas conectadas entre sí y tienen la capacidad de aprender.

• Las redes neuronales almacenan el conocimiento distribuido en los denominados pesos de conexión.

• Las redes neuronales procesan la información subsymbolisch.

Puede encontrar una breve explicación de la terminología básica aquí:

http://add-for.com/technology/#g …

Entonces puedes jugar interactivamente con NN aquí:

http://playground.tensorflow.org …

Las redes neuronales son básicamente una arquitectura diseñada para imitar el sistema nervioso de nuestro cuerpo. Cada neurona en una red neuronal es una imitación de las neuronas de nuestro cuerpo. Las redes neuronales básicamente aprenden a realizar una función (que puede tener o no un algoritmo definido) y hacer predicciones. Ejemplos: reconocimiento de escritura a mano, detección de objetos, reconocimiento de voz, reconocimiento de patrones y muchos más.

Red neuronal en R (Vea este video preciso)