|
|||||||||||
|
|
| Tecnología > Redes Neuronales |
|
Redes Neuronales 
Las Redes Neuronales son sistemas adaptativos para el análisis y el procesamiento de datos. Son estructuras matemáticas que emulan algunos aspectos del funcionamiento del cerebro humano y que reproducen algunas de sus capacidades, tales como la de autodidáctica, la de formalizar y agrupar información que no está clasificada, la capacidad de pronosticar independientemente, a partir de datos históricos. La mayor diferencia entre las redes neuronales y otros métodos, como por ejemplo, sistemas expertos, es que las redes neuronales no necesitan un modelo ya conocido, sino que ellas mismas construyen este modelo, basándose en la información de que disponen. Por eso, las redes neuronales y los algoritmos genéticos han sido aplicados en todo lugar donde las tareas de pronóstico, clasificación y administración deben ser resueltas. En otras palabras, se usan en esas áreas de la actividad humana, donde las tareas son difíciles de algoritmizar y requieren la designación permanente de un grupo de expertos capacitados o el uso de sistemas adaptativos.
Una red neuronal recibe información y la procesa de la misma manera que lo hace el cerebro humano. Durante este análisis, la red se entrena, adquiere conocimientos y experiencia, y provee información, sobre la base de la experiencia adquirida anteriormente. La tarea principal de un analista que usa una red neuronal para solucionar un problema es conseguir la arquitectura más eficiente de la red neuronal; es decir, seleccionar correctamente el tipo de red, su algoritmo de entrenamiento, el número de las neuronas y los tipos de relaciones entre ellos. No es posible hacer este trabajo usando procedimientos formalizados; requiere un entendimiento profundo de los diferentes tipos de redes neuronales, involucra mucha investigación y análisis, y puede llevar mucho tiempo. En la resolución de tareas que no son o no pueden ser formalizadas, los modelos de redes neuronales sobrepasan a cualquiera de los métodos tradicionales. Sin embargo, el uso de redes neuronales es conveniente si:
Ventajas Las redes neuronales son indispensables para el análisis de datos y, en particular, para el análisis y la selección iniciales, para buscar datos que se han omitido o grandes errores cometidos por quien tomó la decisión. Los métodos de análisis de las redes neuronales pueden ser usados independientemente o en una efectiva combinación con los métodos tradicionales, muchos de los cuales acarrean la construcción de un modelo basándose en una suposición o una deducción teórica (por ejemplo, que la dependencia que se busca es lineal o que una de las variables tiene una distribución normal). El enfoque de las redes neuronales no involucra suposiciones de este tipo; es apropiado tanto para las dependencias complejas lineales como para las no lineales, y es especialmente eficaz en la prospección de análisis de datos cuando el objetivo es averiguar si existe alguna dependencia entre las variables. Los datos pueden estar incompletos, ser controvertidos o intencionalmente confusos. Si hay algún tipo de conexión entre los datos de entrada y de salida, una red neuronal la detectará con el grado de precisión establecido, aun cuando los métodos tradicionales no logren hacerlo. Las redes neuronales modernas brindan, además, otras posibilidades. Ellas permiten evaluar la importancia relativa de los diferentes tipos de insumo de información, reducen su volumen, sin perder información importante, perciben las señales de una inminente crisis, etcétera. Aplicación Las redes neuronales se usan, cada vez más, en aplicaciones de negocios. En algunas áreas, tales como detección de fraude o evaluación de riesgos, son, sin lugar a dudas, las líderes entre todos los métodos usados. Las redes neuronales están siendo progresivamente usadas en el pronóstico y en las soluciones de investigación de mercadotecnia. La siguiente es una enumeración de los campos en los cuales se ha comprobado la eficacia de las redes neuronales en la práctica: Operaciones Financieras
|
    |