Los modelos de “red neuronal” no son muy neuronales en absoluto.
Las llamadas “redes neuronales” son un tipo de algoritmo estadístico de aprendizaje automático. Nadie pensó que las neuronas reales funcionaran de esa manera, aunque las redes neuronales están inspiradas en la estrategia general de procesamiento de información del cerebro.
A fines de la década de 1950, se propuso el algoritmo informático “perceptrón”. A principios de la década de 1980, esto se había convertido en los llamados “modelos conexionistas” utilizando el algoritmo de retropropagación. McClelland y Rummelhart, quienes editaron el famoso libro Parallel Distributed Processing , fueron muy cuidadosos para evitar referencias a las neuronas. Describieron sus modelos como redes de “unidades” con “conexiones” y sugirieron que esto estaba inspirado de manera muy flexible por cómo podría funcionar el cerebro. Evitaron el término “neurona” o “sinapsis”.
- ¿Qué piensa sobre el estudio de posgrado especializado en recuperación de información y sistemas de recomendación?
- Intuitivamente, ¿cómo funcionan los multiplicadores de Lagrange en SVM?
- ¿Cuál es más eficiente para los algoritmos de reconocimiento facial, PCA o LDA?
- Cómo implementar un modelo entrenado de TensorFlow (solo parte de propaganda directa) en CPP puro
- ¿Qué es la indexación semántica latente?
No pasó mucho tiempo antes de que el modelo conexionista de propagación hacia atrás comenzara a llamarse modelo de “red neuronal”.
Los neurocientíficos siempre se han encogido ante este nombre porque crea confusión. Las neuronas reales aumentan, no generan “valores graduados”. Además, el “aprendizaje” en las neuronas reales se produce mediante picos coincidentes, no por propagación de errores hacia atrás. Pero el nombre de “red neuronal” era tan pegadizo que nada podía detenerlo.
En estos días, cuando los neurocientíficos quieren referirse a las redes de neuronas en el cerebro, las llamarán “redes neuronales” o “circuitos” solo para evitar el término ahora confuso de forma permanente “red neuronal”.
Relacionado
¿Qué sabemos sobre las redes neuronales reales que aún no se han aplicado en Machine Learning?
