Modelación de redes neuronales

Modelación de redes neuronales

Toda la tecnología tiene algo en común, y esto es – hacer la vida más fácil -. Es decir, disminuir lo más que se pueda las dificultades a las que el hombre se puede enfrentar en sus actividades diarias. Parte de esta evolución son las redes neuronales, estas son parte de la base de la inteligencia artificial.

Uno de los ejemplos más básicos para entender a las redes neuronales es el asimilarlos como el cuerpo humano, ya que funcionan de la misma manera que nuestro cerebro a nivel conceptual.

En el cerebro las neuronas tienen conexiones (sinapsis), la neurona recibe señales eléctricas que posterior a recibirlas decide si la devuelve más fuerte o más lenta; una combinación de todas estas es la que crea el conocimiento.

Ese conocimiento es los inputs (en el cuerpo humano son los cinco sentidos), en las máquinas los inputs son datos que se transfieren por memoria RAM a un algoritmo, esto funciona de tal manera que se le da una serie de datos a la red neuronal y la “entrenamos”, es decir, le estamos diciendo que con esos datos nos tiene que dar tal resultado.

[pic 1]

Figura No. 1 Ejemplo de una red neuronal

Sabemos que las redes neuronales tienen datos de entrada que proporcionan información a los nodos y estos se encargan de dar un determinado resultado final. Algo importante de resaltar, es que no hacen operaciones matemáticas, promedios, aproximaciones y regresiones de manera natural. Simplemente lo que hacen las redes es mover los datos de arriba hacia abajo entre un rango de números con diferentes funciones y luego intenta ver si se acercan al resultado original, y si no lo vuelven a intentar. Esto lo realiza muchas veces en paralelo.

Ya que sabemos que la modelación es un esquema conceptual que describe un sistema y puede ser visto como una abstracción del sistema o de una situación real. La modelación de redes neuronales sirve para describir sistemas abstractos como la conducción de un automóvil sin la necesidad de que el ser humano realice esta actividad, o en la industria tal y como es la planificación de la demanda de materiales. A estos sistemas se les clasifica como medio complejo.

Modelación utilizando sistemas fuzzy

La lógica difusa o también conocida como: lógica borrosa o lógica heurística. Se basa en lo relativo de lo observado como posición diferencial. Este tipo de lógica toma dos valores aleatorios, pero contextualizados y referidos entre sí. Al verlo de esta manera, no se da a entender tan fácilmente por lo que quiero resaltar la diferencia entre la lógica clásica y lógica difusa.

Lógica clásica:

Es la que se utiliza comúnmente y se fundamenta en la lógica aristotélica, en donde solo existen 2 posibles valores de veracidad, es decir, verdadero o falso.

Ejemplo:

El pelo esta corto o largo.

[pic 2]

Figura No. 2 imagen utilizada con fines ilustrativos

En cambio la lógica difusa:

Es la que propone dar una gama de posibilidades de veracidad, ya que no tiene esa restricción de elección entre una y otra. Sino que puede existir que una afirmación pueda ser parcialmente verdad o parcialmente falsa.

...