Términos del glosario

¿Qué es Red Neuronal Artificial – ANN? Una Red Neuronal Artificial (ANN por sus siglas en inglés, Artificial Neural Network) es un modelo computacional inspirado en la estructura y funcionamiento del cerebro humano. Consiste en una red de nodos interconectados, llamados neuronas artificiales, que procesan información de entrada y generan una salida. En una ANN, cada neurona artificial recibe una o más entradas y las procesa utilizando una función de activación, que determina la salida de la neurona. La salida de cada neurona se transmite a otras neuronas a través de conexiones ponderadas, que se utilizan para ajustar la contribución de cada neurona a la salida final. Durante el entrenamiento de una ANN, el modelo ajusta los pesos de las conexiones entre las neuronas para minimizar la diferencia entre la salida deseada y la salida real. Este proceso se lleva a cabo utilizando algoritmos de optimización, como el descenso del gradiente. Las ANN se utilizan en una amplia variedad de aplicaciones de aprendizaje automático, como la clasificación de imágenes, el procesamiento del lenguaje natural y la predicción de series de tiempo. También se han utilizado en la resolución de problemas complejos, como el aprendizaje de máquina profundo y la creación de redes neuronales recurrentes y convolucionales.

¿Qué es Red neuronal de OJA? La red neuronal de OJA, también conocida como red neuronal de Oja’s rule, es un tipo de red neuronal artificial que se utiliza para el aprendizaje no supervisado en problemas de reducción de dimensiones y análisis de componentes principales. Fue desarrollada por el matemático finlandés Erkki Oja en 1982 y se basa en un algoritmo de aprendizaje que permite a la red neuronal encontrar las direcciones principales de las características de entrada y reducir la dimensión de los datos. En comparación con otros métodos de reducción de dimensiones, la red neuronal de OJA es capaz de manejar mejor datos altamente correlacionados y no lineales. El funcionamiento de la red neuronal de OJA se basa en el ajuste de los pesos sinápticos de la red para que la neurona de salida responda de manera selectiva a patrones específicos de entrada. Esto se logra mediante el cálculo iterativo de los pesos sinápticos para maximizar la correlación entre las entradas y la salida de la neurona.

¿Qué es Red neuronal feedforward? Una red neuronal feedforward, también conocida como red neuronal de propagación hacia adelante, es un tipo de red neuronal artificial que se utiliza en la mayoría de las aplicaciones de aprendizaje automático y reconocimiento de patrones. Es una red neuronal en la que la información fluye en una sola dirección, desde la entrada hasta la salida, sin bucles ni conexiones hacia atrás. La red neuronal feedforward consta de múltiples capas: Cada capa consta de un conjunto de nodos o neuronas, que reciben entradas de la capa anterior y generan salidas para la capa siguiente. Los pesos entre los nodos se ajustan durante el entrenamiento de la red neuronal para minimizar el error en la predicción de la salida. El proceso de predicción en una red neuronal feedforward implica alimentar los datos de entrada a través de la capa de entrada y las capas ocultas, y finalmente producir una salida en la capa de salida. Cada capa de la red neuronal utiliza una función de activación no lineal para transformar las entradas y generar las salidas correspondientes. Las funciones de activación más comunes son la función sigmoidal y la función ReLU. Las redes neuronales feedforward son utilizadas en una amplia variedad de aplicaciones de aprendizaje automático, incluyendo la clasificación de imágenes, el procesamiento del lenguaje natural, el reconocimiento de voz, la detección de fraudes, la predicción de series temporales, entre otros.

¿Qué es Red neuronal no supervisada? Una Red Neuronal no supervisada (Unsupervised Neural Network en inglés) es un modelo de aprendizaje automático que se utiliza para analizar y encontrar patrones en datos no etiquetados. A diferencia de las redes neuronales supervisadas, en las que se proporciona al modelo un conjunto de datos de entrenamiento con etiquetas, en una red neuronal no supervisada el modelo tiene que aprender por sí mismo a partir de los datos. Las redes neuronales no supervisadas se utilizan para realizar tareas de clustering (agrupamiento) y reducción de dimensionalidad. En una tarea de clustering, el objetivo es agrupar los datos en grupos o clusters que compartan características similares, sin tener conocimiento previo sobre la naturaleza de los datos. En una tarea de reducción de dimensionalidad, el objetivo es reducir la complejidad de los datos al reducir su dimensión. Los dos tipos de redes neuronales no supervisadas más comunes son las Redes Neuronales de Kohonen y las Redes Neuronales Autoencoder. En una Red Neuronal de Kohonen, también conocida como Mapa Autoorganizado, las neuronas se organizan en un mapa bidimensional y se ajustan para agrupar los datos en regiones del mapa. En una Red Neuronal Autoencoder, el modelo se entrena para reconstruir los datos de entrada a través de una red neuronal compuesta por una capa de codificación y una capa de decodificación.

¿Qué es Red Neuronal Recurrente? Una Red Neuronal Recurrente (Recurrent Neural Network en inglés, abreviada como RNN) es un tipo de red neuronal artificial que se utiliza para procesar datos secuenciales o temporales. A diferencia de las redes neuronales feedforward, en las que la información fluye en una sola dirección, en las RNN la información fluye en bucle, es decir, la salida en un momento dado se utiliza como entrada en el siguiente momento. La capacidad de procesar secuencias de datos las hace útiles para una amplia variedad de aplicaciones, como el reconocimiento de voz, la traducción automática y la generación de texto. Una de las principales características de las RNN es su capacidad para modelar dependencias a largo plazo en las secuencias de datos. Las RNN tienen una estructura recurrente, que permite que la información fluya de una capa a otra a través de un estado oculto, que almacena información sobre los estados anteriores. El estado oculto se actualiza en cada paso de tiempo y se utiliza para influir en la salida en el siguiente paso de tiempo. Esto permite que la RNN tenga memoria a largo plazo y sea capaz de capturar patrones en secuencias de datos que se extienden a lo largo del tiempo.

¿Qué es Redes crecientes auto-organizativas? Las Redes Auto-Organizativas Crecientes (Growing Self-Organizing Networks en inglés, abreviadas como GSOM) son un tipo de red neuronal artificial no supervisada que se utiliza para el aprendizaje y la visualización de datos en alta dimensión. Las GSOM se basan en una estructura de malla o rejilla, donde cada nodo representa una región de entrada en el espacio de características de los datos. El proceso de aprendizaje de las GSOM se divide en dos fases principales: una fase de crecimiento y una fase de poda. En la fase de crecimiento, los nodos se van añadiendo a la red de manera dinámica, según sea necesario para acomodar la distribución de los datos. En la fase de poda, se eliminan los nodos innecesarios, manteniendo solo los nodos que son relevantes para la representación de los datos. Las GSOM se utilizan a menudo para la visualización y exploración de grandes conjuntos de datos en alta dimensión. La estructura de malla de la red permite una representación bidimensional de los datos, lo que facilita la identificación de patrones y relaciones entre los datos. Además, las GSOM tienen la capacidad de adaptarse a nuevos datos, lo que las hace útiles para aplicaciones en tiempo real.

¿Qué es Redes neuronales convolucionales? Las Redes Neuronales Convolucionales (Convolutional Neural Networks en inglés, abreviadas como CNN) son un tipo de red neuronal artificial especialmente diseñada para procesar datos que tienen una estructura de malla, como imágenes, vídeos o señales de audio. Las CNN utilizan una operación matemática llamada convolución para extraer características relevantes de los datos de entrada y aprender a reconocer patrones en ellos. Las capas convolucionales de una CNN están compuestas por un conjunto de filtros o kernels que se aplican de forma repetida a la imagen de entrada, cada uno generando un mapa de características. Estos mapas de características se pasan a través de capas de submuestreo, también conocidas como capas de pooling, que reducen su tamaño para disminuir la complejidad computacional de la red. Finalmente, las capas completamente conectadas de la CNN se encargan de clasificar la imagen en una o varias categorías. Las CNN son especialmente útiles en tareas de visión por computadora, como la clasificación de imágenes, la detección de objetos y la segmentación semántica. Su capacidad para aprender y extraer características relevantes de forma automática ha revolucionado el campo de la visión por computadora y ha permitido la creación de aplicaciones prácticas como la detección de caras en fotografías, la clasificación de imágenes en redes sociales y la conducción autónoma en vehículos.

¿Qué es Redes neuronales tipos Gas? Las Redes Neuronales tipo Gas, también conocidas como Redes de Kohonen o mapas auto-organizativos, son un tipo de modelo de redes neuronales artificiales no supervisadas. Estas redes se utilizan para clasificar y visualizar datos complejos en una estructura de baja dimensión, lo que las hace útiles para la exploración de datos y la reducción de dimensionalidad. El funcionamiento de estas redes se basa en la similitud entre patrones de entrada y un conjunto de vectores de pesos que se ajustan durante el proceso de entrenamiento. Estos vectores de pesos representan los nodos de una estructura de malla bidimensional, en la cual los nodos vecinos tienen pesos similares. Durante el entrenamiento, los patrones de entrada se presentan a la red y los vectores de peso se ajustan para que los patrones similares se agrupen en nodos cercanos. Una vez que la red ha sido entrenada, se puede utilizar para clasificar nuevos patrones de entrada en una de las categorías previamente definidas. Las redes neuronales tipo Gas se utilizan en diversas aplicaciones, como el análisis de datos, la segmentación de imágenes, la clasificación de textos, la detección de anomalías, entre otras. Las Redes Neuronales tipo Gas y las redes SOM (Self-Organizing Maps o Mapas Auto-organizados) son términos que se refieren al mismo tipo de red neuronal artificial no supervisada. De hecho, la Red de Kohonen, que es el nombre original de estas redes, fue propuesta por el científico finlandés Teuvo Kohonen en 1982. El término «Mapa Auto-organizado» fue introducido posteriormente por Kohonen en 1984, y es un término más descriptivo que el nombre original. El término «Red Neuronal tipo Gas» es menos común que el término «Red de Kohonen» o «Red SOM», pero también se utiliza para referirse a estas redes, en particular en algunos estudios de investigación y en la literatura técnica.

¿Qué es Regresión logística? La regresión logística es un modelo estadístico utilizado para analizar y predecir la relación entre una variable dependiente binaria (solo dos posibles valores) y una o más variables independientes, que pueden ser categóricas o continuas. Es un tipo de análisis de regresión utilizado en machine learning y minería de datos. La regresión logística se basa en la función logística o sigmoidal, que es una curva en forma de «S» que permite modelar la probabilidad de que la variable dependiente tenga un valor determinado en función de las variables independientes. La función logística convierte cualquier valor de entrada en un valor entre 0 y 1, lo que se interpreta como la probabilidad de que el evento ocurra. El objetivo de la regresión logística es encontrar los coeficientes que mejor ajusten los datos y permitan predecir con mayor precisión la probabilidad de que la variable dependiente tome uno de los dos valores posibles. Los coeficientes se ajustan mediante un proceso iterativo de optimización que minimiza el error en la predicción de los valores de la variable dependiente.