Análisis de redes neuronales

Una red neuronal artificial es un modelo matemático parametrizado compuesto por unidades de procesamiento conectadas. Está vagamente inspirado en las neuronas biológicas, pero no reproduce el cerebro humano ni comprende los datos como lo hace una persona. El análisis de redes neuronales cubre el diseño, entrenamiento, validación, interpretación y seguimiento de estos modelos.

Cuándo usarlo

Las redes neuronales pueden modelar relaciones no lineales complejas en previsión, clasificación, lenguaje, visión, fabricación y riesgo. Son más útiles cuando hay suficientes datos representativos, el problema justifica su complejidad y el rendimiento se puede evaluar con respecto a una línea de base más simple.

Pueden ayudar preguntando:

• ¿Qué productos podría comprar un cliente?
• ¿Cómo podrían evolucionar la demanda de cartera y los efectos cruzados?
• ¿Qué variables observadas predicen una decisión de compra?
• ¿Cómo se debe probar la asignación de publicidad?
• ¿Dónde podrían ocurrir cuellos de botella en la fabricación?

No utilice una red neuronal simplemente porque los datos son grandes o el método está de moda.

Orígenes

La investigación moderna sobre redes neuronales artificiales surgió de la neurona matemática de Warren McCulloch y Walter Pitts, las ideas de aprendizaje de Donald Hebb, el perceptrón de Frank Rosenblatt y el trabajo posterior sobre entrenamiento multicapa. El campo ha experimentado repetidos ciclos de optimismo y limitación. Los modelos contemporáneos se basan en estadísticas, optimización, informática y datos a una escala muy alejada de la analogía biológica original.

Qué es

El entrenamiento ajusta los parámetros del modelo para reducir un objetivo en los ejemplos. La validación ayuda a elegir la arquitectura y la configuración; un conjunto de pruebas separado estima el rendimiento con datos invisibles. Después de la implementación, el seguimiento verifica la deriva, la calibración, los modos de falla y los efectos del mundo real.

Una red puede detectar patrones que son difíciles de codificar manualmente, pero también puede aprender fugas, sesgos históricos, atajos y correlaciones espurias. Una precisión aparente más alta no establece causalidad ni seguridad.