Redes Neuronales

Al día de hoy existen muchos problemas que no se pueden resolver o que la solución utilizada no es la mejor para todos los contextos, la mayoría de estos problemas convergen en que la solución debería encontrarse mediante algún modelo matemático sin embargo, se pueden ocupar métodos alternativos para hacer el modelado matemático menos complejo. Partiendo de que la herramienta tecnológica más utilizada en la actualidad para facilitar el trabajo en general, son las computadoras; entonces los modelos matemáticos desarrollados deben poder ser implementados en estos dispositivos o en un procesador de propósito especifico.

Cuando los problemas a resolver tienen cálculos matemáticos muy complejos, su implementación computacional resulta muy difícil o casi imposible, porque los sistemas de cómputo tienen límites, como es la velocidad de procesamiento, la memoria, la cantidad de dispositivos internos, buses, periféricos, etc.

Existen problemas que tardan años en ser procesados mediante una supercomputadora, lo cual no resulta factible para problemas de urgente resolución. Para resolver este inconveniente se utilizan métodos alternativos a la matemática pura, como lo son las soluciones simbólicas o lógicas, o bien algoritmos que reduzcan el número de operaciones a realizar. Otra alternativa es utilizar modelos inspirados en la naturaleza o en el comportamiento de organismos vivos, como los son los llamados Algoritmos Bioinspirados.

Las redes neuronales artificiales se pueden considerar una especie de algoritmo bioisnpirado, porque modelan de manera sencilla el funcionamiento de las neuronas biológicas  y además son una de las técnicas utilizadas para resolver problemas de inteligencia artificial. Lo descrito anteriormente hace agradable el estudio de esta técnica para entender sus principios y aplicaciones, por lo que en las siguientes entradas se estudiaran las consideraciones más significativas de las Redes Neuronales Artificiales (RNA).

Los objetivos generales son:

1. Comprender los elementos y el mecanismo de aprendizaje de una RNA.
2. Determinar el tipo de problemas que se pueden resolver mediante una RNA y seleccionar la arquitectura adecuada para ello.
3. Diseñar y aplicar a problemas reales, diversos tipos de RNA.