Las redes neuronales artificiales (también conocidas como sistemas conexionistas) son un modelo computacional evolucionado a partir de diversas aportaciones científicas que están registradas en la historia.1
Consiste en un conjunto de unidades, llamadas neuronas artificiales, conectadas entre sí para transmitirse señales. La información de entrada atraviesa la red neuronal (donde se somete a diversas operaciones) produciendo unos valores de salida.
Cada neurona está conectada con otras a través de unos enlaces.
En estos enlaces el valor de salida de la neurona anterior es multiplicado por un valor de peso.
Estos pesos en los enlaces pueden incrementar o inhibir el estado de activación de las neuronas adyacentes.
Del mismo modo, a la salida de la neurona, puede existir una función limitadora o umbral, que modifica el valor resultado o impone un límite que no se debe sobrepasar antes de propagarse a otra neurona.
Esta función se conoce como función de activación.
Estos sistemas aprenden y se forman a sí mismos, en lugar de ser programados de forma explícita, y sobresalen en áreas donde la detección de soluciones o características es difícil de expresar con la programación convencional.
Para realizar este aprendizaje automático, normalmente, se intenta minimizar una función de pérdida que evalúa la red en su total.
Los valores de los pesos de las neuronas se van actualizando buscando reducir el valor de la función de pérdida.
En estadística, teoría de la decisión y economía, la función de pérdida es una función que relaciona un evento (técnicamente un elemento de un espacio de muestreo) con un número real que representa el coste económico asociado con el evento.
Este proceso se realiza mediante la propagación hacia atrás.
En machine learning, la propagación hacia atrás de errores o retropropagación (del inglés backpropagation) es un algoritmo de aprendizaje supervisado utilizado para entrenar redes neuronales prealimentadas.
Dado que es un método de cálculo del gradiente, ya lo vimos en un episodio anterior, el algoritmo generalmente se puede usar en otros tipos de redes neuronales artificiales y en general para funciones.