tldr; Las redes neuronales representan una de las muchas técnicas en el campo del aprendizaje automático
1. El aprendizaje automático es un área de estudio en informática que intenta aplicar algoritmos en un conjunto de muestras de datos para descubrir patrones de interés.
1.1. El aprendizaje supervisado es un tipo de algoritmo de aprendizaje automático que se utiliza si se desean descubrir patrones conocidos en datos desconocidos .
- ¿Cuál es este alboroto acerca de que los robots de AI de Facebook se hablan en un lenguaje codificado?
- ¿Cómo se usan las redes neuronales para la predicción de salida estructurada?
- ¿Cuáles son algunos libros para convertirse en un profesional de aprendizaje automático?
- ¿Qué significa que Google se convierta en una compañía 'AI-first' (citando a Sundar)? ¿Cómo afectará esto la priorización y el desarrollo de productos?
- En el aprendizaje automático, ¿cómo puedo juzgar si algo, como una secuencia, es predecible?
- Por ejemplo, si alguien le da al algoritmo de aprendizaje automático algunas imágenes de diferentes objetos con los tipos de objetos en cada imagen, como animales o edificios. Podrían esperar que el algoritmo aprenda a decir qué tipo de objeto está en una imagen dada que no se presentó al algoritmo durante su etapa de entrenamiento.
1.2. El aprendizaje no supervisado es otro tipo de algoritmo de aprendizaje automático, que se utiliza si alguien quiere descubrir patrones desconocidos en datos conocidos .
- Por ejemplo, si alguien tiene un conjunto de datos con la lista de compras de clientes en un supermercado, podría utilizar el aprendizaje sin supervisión para comprender qué tipo de productos es probable que los clientes compren juntos, de modo que puedan colocar productos que puedan comprarse juntos cerca El uno al otro.
2. La red neuronal artificial es un grupo de algoritmos utilizados para el aprendizaje automático que modela los datos utilizando gráficos de neuronas artificiales , esas neuronas son un modelo matemático que “imita aproximadamente cómo funciona una neurona en el cerebro” .
Sin embargo, en realidad, las neuronas artificiales generalmente se implementan como una función no lineal sobre una combinación lineal de las características de entrada. Hablando matemáticamente: [math] y \ leftarrow f (Wx) [/ math], donde W es una matriz, x es el vector de las características de entrada yf es una función no lineal, como tanh .
Existen algoritmos supervisados y no supervisados que utilizan redes neuronales artificiales, la más comúnmente conocida es la red neuronal de alimentación directa , que es un gráfico conectado y dirigido de neuronas, sin ciclos que se entrena utilizando el algoritmo de retropropagación , que no explicaré aquí, pero es básicamente un descenso de gradiente con la regla de la cadena.
- Las máquinas de Boltzmann restringidas, los mapas autoorganizados y los codificadores automáticos apilados se pueden ver como redes neuronales sin supervisión.
- Las redes de retroalimentación y convolucionales son modelos supervisados de redes neuronales.
Las redes neuronales recurrentes son gráficos de neuronas con “ciclos”, es decir, algunas salidas de neuronas sirven como entradas para sí mismas. En la práctica, significa que la entrada tiene una longitud variable y que la salida en un paso sirve como entrada para el siguiente. Se utilizan en series temporales, ya que modelan esta propagación a través del tiempo.
Las redes neuronales de tercera generación profundizan más en que “imita aproximadamente cómo funciona una neurona en el cerebro” . En este momento, su complejidad adicional no compensa en términos de eficiencia en la resolución de problemas, al menos para las tareas que usamos actualmente en las redes neuronales.
EDITAR (23/02/2018): formateó el texto, la fórmula matemática para una neurona típica