Redes neuronales artificiales

Ha habido mucha publicidad acerca de la habilidad de las redes neuronales artificiales para aprender y generalizar. En realidad, las redes neuronales mas comunmente usadas, llamadas perceptron multicapa, no son mas que modelos discriminantes y de regresión lineal que pueden ser implementados con software estandar para estadística. Un perceptrón representa la unidad básica de una red neuronal tipo perceptrón multicapa. En pocas palabras, un perceptrón multicapa es un "aproximador universal", es decir que pueden ser usados en aplicaciones donde no se tiene mucho conocimiento sobre la relación entre las entradas (variables independientes en estadística) y las salidas (variables dependientes).

Con un pequeño número de neuronas en la capa escondida (un perceptrón multicapa esta formado por una capa de neuronas de entrada, una de neuronas

de salida y una o varias capas de neuronas intermedias o escondidas) un Perceptrón multicapa (MLP) es un modelo paramétrico que provee una alternativa útil de regresión polinomial. Las redes neuronales artificiales son usadas principalmente de tres maneras : para modelizar los sistemas nerviosos biologicos y la "inteligencia" como procesadores adaptativos de señales para aplicaciones en tiempo real implementados en hardware como métodos analíticos de datos

En el caso del análisis de datos, las redes neuronales "aprenden" de una forma similar a como los algoritmos en estadística estiman. Los algoritmos estándar de redes neuronales son ineficientes porque están diseñados para ser implementados en computadores masivamente paralelos y en realidad son ejecutados en máquinas secuenciales como un simple PC. En el caso de los algoritmos no supervisados, generalmente se utiliza una medida de similitud entre las entradas y los pesos de la red.

Comunmente se usa la distancia Euclidiana. Definiendo ahora esta distancia como entrada a la red, una red competitiva se asimila al método k-means clustering. Algunos modelos como ART (Adaptive Resonance Theory) que están basados explicitamente de la neurofisiología no tienen ningún modelo estadístico paralelo. Las redes neuronales artificiales y la estadística no son metodologías que compiten entre si para el análisis de datos. Existe un considerable traslape entre ambas disciplinas. Mejor comunicación entre ambos campos, estadística y redes neuronales los beneficiaría a ambos. Referencias [1] Warren S. Sarle, Neural Networks and Statistical Models, SAS Institute, NC, USA